Modeldrift
Modeldrift is de geleidelijke daling van de nauwkeurigheid van een uitgerold machine-learning-model naarmate de real-world data die het ziet afwijkt van de data waarop het is getraind. Verouderende apparatuur, procesveranderingen en nieuwe condities veroorzaken het allemaal.
Een industrieel model getraind op gedrag uit het verleden gaat ervan uit dat de toekomst op het verleden lijkt, maar fabrieken veranderen: installaties verslechteren, grondstoffen variëren, instelpunten verschuiven en seizoenen draaien. Naarmate de live dataverdeling weg beweegt van de trainingsverdeling, worden voorspellingen minder betrouwbaar — een fenomeen bekend als drift. Het detecteren ervan vereist het bewaken van modelprestaties en inputstatistieken in de tijd, en remedies lopen van periodieke hertraining tot volledig geautomatiseerde hertrainingspipelines binnen MLOps.