Modellavvikelse (Model Drift)
Modellavvikelse är den gradvisa nedgången i en driftsatt maskininlärningsmodells noggrannhet när den verkliga data den ser avviker från den data den tränades på. Åldrande utrustning, processförändringar och nya förhållanden orsakar alla det.
En industriell modell tränad på tidigare beteende antar att framtiden liknar det förflutna, men anläggningar ändras: anläggningar försämras, råmaterial varierar, börvärden skiftar och årstider vänder. När livedatans fördelning flyttar sig bort från träningsfördelningen blir prognoser mindre tillförlitliga — ett fenomen känt som avvikelse. Att upptäcka den kräver övervakning av modellprestanda och indatastatistik över tid, och åtgärder sträcker sig från periodisk omträning till helt automatiserade omträningspipelines inom MLOps.