Mallin ajautuminen
Mallin ajautuminen on käyttöönotetun koneoppimismallin tarkkuuden asteittainen heikkeneminen, kun sen näkemä todellisen maailman data poikkeaa datasta, jolla se koulutettiin. Laitteiden ikääntyminen, prosessimuutokset ja uudet olosuhteet kaikki aiheuttavat sitä.
Menneeseen käyttäytymiseen koulutettu teollinen malli olettaa, että tulevaisuus muistuttaa menneisyyttä, mutta tehtaat muuttuvat: laitteet heikkenevät, raaka-aineet vaihtelevat, asetusarvot siirtyvät ja vuodenajat vaihtuvat. Kun reaaliaikadatan jakauma siirtyy pois koulutusjakaumasta, ennusteista tulee vähemmän luotettavia — ilmiö nimeltään ajautuminen. Sen havaitseminen vaatii mallin suorituskyvyn ja syötetilastojen valvontaa ajan myötä, ja korjaukset vaihtelevat ajoittaisesta uudelleenkoulutuksesta täysin automatisoituihin uudelleenkoulutusputkiin MLOps:n sisällä.