Zuletzt aktualisiert am:
Die Veränderung der statistischen Eigenschaften der Zielvariable, die das Modell vorherzusagen versucht, im Laufe der Zeit, was zu einer Verschlechterung der Modellleistung führt.
Tritt auf, wenn sich die zugrunde liegende Beziehung zwischen Inputs und Outputs verschiebt – z. B. durch saisonale Trends, Marktveränderungen oder adversariales Verhalten. Die Erkennung von Drift erfordert die Überwachung der Input- und Output-Verteilungen. Zudem müssen Governance-Workflows Drift-Schwellenwerte, Intervalle für das erneute Training und menschliche Überprüfungen vor einer automatischen Bereitstellung definieren.
Praxisbeispiel:
Das Nachfrageprognosemodell eines Einzelhändlers verzeichnet während einer Pandemie aufgrund veränderter Kaufmuster einen drastischen Genauigkeitseinbruch. Drift-Detektoren signalisieren diese Abweichung, woraufhin das Data-Science-Team das Modell vor dem nächsten Planungszyklus mit aktuellen Verkaufsdaten und angepassten Saisonalitätsfaktoren neu trainiert.
