En el corazón de muchos enfoques de machine learning se encuentra la creación de modelos partiendo de un conjunto de datos de entrenamiento. Una vez creado el modelo, puede ser usado una y otra vez. A pesar de ello, el mundo continúa girando y a menudo el modelo necesita cambiar a medida que se dispone de nuevos datos. Volver a ejecutar el paso de creación del modelo simplemente puede ser lento y costoso. El aprendizaje incremental aborda este problema, haciendo posible aprender incrementalmente de streams de datos para reaccionar rápido a los cambios. Como beneficio adicional, los requisitos de cómputo y memoria son menores y más predecibles. Nuestra experiencia práctica con River continúa siendo positiva. Vowpal Wabbit, que puede ser una alternativa, tiene una curva de aprendizaje mucho más pronunciada, y el API tipo Scikit ofrecida por River hace que River sea más accesible a los equipos de ciencia de datos.
La creación de modelos a partir de un conjunto de datos de entrenamiento se encuentra en el corazón de muchos métodos de aprendizaje automático. Una vez que el modelo ha sido creado, se puede utilizar muchas veces. Sin embargo, el mundo no es estacionario y con frecuencia los modelos necesitan ser modificados a medida que se hacen disponibles nuevos datos. Solamente volver a ejecutar el paso de creación del modelo puede ser lento y costoso. El aprendizaje incremental soluciona este problema, haciendo posible aprender de flujos de datos incrementalmente para reaccionar más rápido ante los cambios. Como punto adicional, los requerimientos tanto de cómputo como de memoria son menores y predecibles. En nuestras implementaciones hemos tenido buenas experiencias con el marco de trabajo denominado River, aunque hemos añadido verificaciones, a veces manuales, luego de actualizar el modelo.
