Glossar
Aktualisiert
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 für erneutes Training oder Rekalibrierung, um die Modellleistung wiederherzustellen.
Beispiel
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 Fehlbeständen kommt.