Modelldrift (EN)

Modelldrift

Model drift occurs when the data distribution in the production environment differs from the training data, leading to a deterioration in model performance. This phenomenon is one of the most common problems when scaling ML systems in production. The detection and treatment of model drift is an essential part of the MLOps approach to maintain the reliability and accuracy of ML models.

Lebenszyklus der Modelldrift

stateDiagram-v2     [*] --> Initialisierung     Initialisierung --> Training: Trainingsdaten     Training --> Produktion: Modell部署     Produzione --> Überwachung: Performance-Metriken     Überwachung --> Erkennung: Drift erkannt     Erkennung --> Bewertung: Drift-Schweregrad     Bewertung --> Retraining: Drift signifikant     Retraining --> Training: Neue Daten     Bewertung --> Produktion: Drift akzeptabel     Überwachung --> [*]: Modellende 

Im Kontext

• Wird typischerweise zusammen mit Konzepten wie Data Drift, Concept Drift und Model Monitoring verwendet
• Verwandt zu: MLOps, Data Quality, Model Validation, A/B Testing
• Beispiel-Einsatz: Ein E-Commerce-Empfehlungssystem zeigt plötzlich eine geringere Klickrate, da sich die Kundenpräferenzen geändert haben (Concept Drift)