Modelldrift
Modelldrift ist der allmähliche Rückgang der Genauigkeit eines eingesetzten Modells des maschinellen Lernens, wenn die realen Daten, die es sieht, von den Daten abweichen, mit denen es trainiert wurde. Alterung von Ausrüstung, Prozessänderungen und neue Bedingungen verursachen sie alle.
Ein industrielles Modell, das auf vergangenem Verhalten trainiert wurde, nimmt an, dass die Zukunft der Vergangenheit ähnelt, doch Werke verändern sich: Anlagen verschleißen, Rohstoffe variieren, Sollwerte verschieben sich und die Jahreszeiten wechseln. Während sich die Verteilung der Live-Daten von der Trainingsverteilung entfernt, werden Vorhersagen weniger verlässlich — ein Phänomen, das als Drift bekannt ist. Sie zu erkennen erfordert das Überwachen der Modellleistung und der Eingangsstatistiken über die Zeit, und Abhilfen reichen von periodischem Neutraining bis zu vollautomatisierten Neutrainings-Pipelines im Rahmen von MLOps.