最終更新日:
AIモデルの出力やパフォーマンス指標の経時的な変動を監視することで、ドリフトを検出し、潜在的な精度低下やリスクを推測します。
これは、主要な指標（予測分布、特徴量の重要度、パフォーマンススコア）の統計的分散を算出し、ローリングベースラインと比較するプロセスです。重大な逸脱が検出された場合はアラートが発信され、より詳細な調査が促されます。ガバナンスでは、モデルの安定性と信頼性を維持するために、許容可能な分散範囲、モニタリングの頻度、および自動対応手順（データパイプラインのチェック、モデルの再学習など）を定義します。
実際の導入事例：
オンライン広告AIは、ユーザーセグメント間におけるクリック率分布の週次分散を追跡しています。分散が過去の標準偏差の2倍を超えた場合、アラートがデータ管理チームへコードやデータの最近の変更を検査するよう促し、気付きにくいドリフトがキャンペーンのパフォーマンスに悪影響を及ぼすのを防ぎます。
