Konzeptdrift
Die Veränderung der statistischen Eigenschaften der Zielvariablen, die das Modell vorherzusagen versucht, im Laufe der Zeit, was zu einer Verschlechterung des Modells führt.
Tritt auf, wenn sich die zugrunde liegende Beziehung zwischen Eingaben und Ausgaben verschiebt – z. B. durch saisonale Trends, Marktveränderungen oder adversarisches Verhalten. Die Erkennung von Drift erfordert die Überwachung von Eingabe- und Ausgabeverteilungen, und Governance-Workflows müssen Drift-Schwellenwerte, Retraining-Kadenzen sowie Human-in-the-Loop-Prüfungen vor einer automatischen Neubereitstellung festlegen.
Das Nachfrageprognosemodell eines Einzelhändlers verzeichnet während einer Pandemie einen deutlichen Rückgang der Genauigkeit, da sich Kaufmuster verschieben. Drift-Detektoren markieren die Abweichung, und das Data-Science-Team trainiert das Modell vor dem nächsten Planungszyklus mit aktuellen Verkaufsdaten und angepassten Saisonalitätsfaktoren neu.
