本次查询：Model Drift
中文解释：模型漂移
常见场景：当你在使用推荐系统 / 风控模型或预测工具时 / 发现结果越来越不准确 / 很可能就是模型漂移在作怪。
一句话解释
模型漂移指的是已部署的机器学习模型，由于训练时使用的历史数据与当前生产环境的数据分布产生差异，导致模型预测准确率逐步下降的现象。
为什么会被关注
因为一个曾经表现优秀的模型可能在几个月甚至几周后突然失效，这种“悄无声息”的退化会直接影响业务决策质量，比如推荐不准、信用评分偏差、智能客服答非所问。
企业投入大量资源训练模型，如果不监控漂移，模型会逐渐变成“废物”，造成更大的经济损失。大模型和 AI 应用日益普及，模型漂移已经成为 MLOps 运维的核心问题之一。
核心逻辑
模型本质上是捕捉训练数据中的统计规律。当现实世界发生变化——比如用户行为、市场趋势、政策法规或传感器环境改变——训练时的规律就不再适用。这种数据分布的变化就叫做“漂移”。
漂移主要分为两种：数据漂移（输入特征分布改变）和概念漂移（输入与输出的映射关系改变）。前者例如用户年龄分布变了，后者例如用户对某个功能的喜好方向发生了逆转。
检测漂移的常用方法包括 PSI（群体稳定性指标）、KS 检验或监控模型输出的统计量。一旦检测到漂移，就需要触发模型重训练、在线学习或人工干预来恢复性能。
常见场景
电商推荐系统：用户季节性购物习惯变化（夏季买空调、冬季买羽绒服），若不重新训练，推荐结果会滞后。
金融风控模型：经济周期或信贷政策调整后，欺诈模式变化，旧模型无法识别新型欺诈手法。
工业预测维护：设备磨损、环境温湿度变化导致传感器数据分布偏移，异常检测模型误报率升高。
自然语言处理：网络流行语、新术语不断出现，语言模型对最新表达的理解能力下降。
容易混淆的点
模型漂移与过拟合：过拟合是模型过度记忆训练集噪声，而模型漂移是在部署后由于外部数据变化导致的失效，两者成因不同。
模型漂移与数据质量差：数据质量差（如缺失值、异常值）可能直接导致当前预测不准，但模型漂移强调的是“随时间推移”的分布变化，需要对比历史基线。
不要以为定期重新训练就能完全避免漂移：如果重新训练使用的数据本身也存在漂移特征，模型可能依然无法适应真实分布，还需要配合特征工程和模型架构升级。