本次查询：Drift Detection
中文解释：漂移检测
常见场景：机器学习模型生产环境运维与持续监控
一句话解释
Drift Detection（漂移检测）是一种用于识别机器学习模型输入数据或预测分布随时间发生变化的技术，相当于给模型装了一个“异常感知器”。
为什么会被关注
模型部署后往往面临性能逐渐下降的问题，但工程师很难手动察觉微小变化。漂移检测能自动发现数据分布或概念关系的变化，及时触发重训练或回滚操作。
在金融、医疗等高敏感场景中，模型无声退化可能导致严重决策偏差。引入漂移检测已成为AI运维（MLOps）的标准实践，也是保障模型长期可靠性的关键防线。
核心逻辑
漂移检测通常从两个维度切入：输入特征分布（数据漂移）和预测结果与标签的关系（概念漂移）。算法会持续收集新数据，与训练时或上一阶段的参考分布进行统计对比。
常用方法包括计算PSI（种群稳定性指数）、KL散度或JS散度，并设定动态阈值。一旦超过阈值即触发告警，提示团队检查数据源、更新样本或重建模型。
常见场景
推荐系统中用户兴趣随时间迁移，商品特征的有效性会变化。漂移检测能识别点击率降低背后的分布偏移，帮助调整推荐策略。
金融风控模型常因经济环境或用户群体变化出现特征漂移，及时检测可避免坏账率上升。此外，物联网传感器数据的质量波动也依赖漂移检测来维护设备预测的准确性。
容易混淆的点
很多人把数据漂移和概念漂移混为一谈。数据漂移指输入特征分布变化（比如用户年龄结构变了），概念漂移指输入与输出的映射关系变了（比如老用户的喜好规则失效）。两者检测方法和应对方案不同。
也要注意区分模型性能下降是否由漂移导致。有时模型精度降低是因为数据量不足或特征工程出错，而非分布偏移，误判漂移会导致无效的重训练成本。