Dryft modelu
Dryft modelu to stopniowy spadek dokładności wdrożonego modelu uczenia maszynowego, gdy rzeczywiste dane, które widzi, odbiegają od danych, na których został wytrenowany. Starzenie się urządzeń, zmiany procesów i nowe warunki — wszystko to go powoduje.
Model przemysłowy wytrenowany na dotychczasowym zachowaniu zakłada, że przyszłość przypomina przeszłość, ale zakłady się zmieniają: zasoby ulegają degradacji, surowce się różnią, nastawy się przesuwają, a pory roku się zmieniają. W miarę jak rozkład danych na żywo oddala się od rozkładu uczącego, prognozy stają się mniej wiarygodne — zjawisko znane jako dryft. Jego wykrywanie wymaga monitorowania wydajności modelu i statystyk danych wejściowych w czasie, a środki zaradcze obejmują od okresowego ponownego trenowania po w pełni zautomatyzowane potoki retreningu w ramach MLOps.