Zuletzt aktualisiert am:
Die Veränderung von Modell-Eingangsdaten im Laufe der Zeit, was zu einer Verschlechterung der Modellleistung führen kann, wenn dies nicht überwacht und behoben wird.
Tritt auf, wenn die statistischen Eigenschaften eingehender Daten von der Trainingsverteilung abweichen – sei es durch Saisonalität, Änderungen im Nutzerverhalten oder externe Faktoren. Dies führt dazu, dass Modelle zunehmend ungenaue Vorhersagen treffen. Ein effektives Drift-Management umfasst die automatisierte Erkennung (z. B. durch den Vergleich von Feature-Verteilungen), definierte Schwellenwerte für Warnmeldungen sowie Workflows zur erneuten Schulung oder Rekalibrierung, um die Modellleistung wiederherzustellen.
Praxisbeispiel:
Das Bedarfsprognosemodell eines E-Commerce-Händlers unterschätzt aufgrund einer unerwarteten Wetteranomalie plötzlich die Verkäufe von Sommerbekleidung. Ein Drift-Detektor signalisiert die Verschiebung in der Verteilung des Temperatur-Features, löst ein erneutes Training mit aktuellen Daten aus und stellt die Prognosegenauigkeit wieder her, noch bevor es zu Lieferengpässen kommt.
