Model Drift ist die Verschlechterung oder Veränderung der Modellleistung im Zeitverlauf, wenn reale Daten, Nutzerverhalten oder Betriebsbedingungen von den Daten abweichen, die während Training oder Evaluation verwendet wurden. Drift zu erkennen ist wichtig, um zu entscheiden, wann ein Modell neu trainiert, rekalibriert oder ersetzt werden sollte.
A side-by-side comparison of Data Drift and Model Drift. Understand how changes in input-data distribution differ from changes or degradation in model performance over time.
A side-by-side comparison of Model Drift and Concept Drift. It explains how performance degradation over time differs from a changing statistical relationship between inputs and target outcomes.