Die Veränderung der Modell-Eingabedaten im Laufe der Zeit kann zu einer Verschlechterung der Modellleistung führen, wenn diese nicht überwacht und behoben wird.
Tritt auf, wenn sich die statistischen Eigenschaften eingehender Daten von der Trainingsverteilung entfernen – etwa aufgrund von Saisonalität, Veränderungen im Nutzerverhalten oder externer Faktoren – und Modelle dadurch zunehmend ungenaue Vorhersagen liefern. Ein wirksames Drift-Management umfasst die automatisierte Erkennung (z. B. durch den Vergleich von Merkmalsverteilungen), klar definierte Schwellenwerte für Warnmeldungen sowie Workflows für Retraining oder Rekalibrierung, um die Leistungsfähigkeit wiederherzustellen.
Das Nachfrageprognosemodell eines E-Commerce-Händlers unterschätzt aufgrund einer unerwarteten Wetteranomalie plötzlich die Verkaufszahlen von Sommerbekleidung. Ein Drift-Detektor erkennt die Verschiebung in der Verteilung des Temperaturmerkmals, löst ein erneutes Training mit aktuellen Daten aus und stellt die Prognosegenauigkeit wieder her, bevor es zu Bestandsengpässen kommt.
