Plattform
Plattform-ÜbersichtAI Adoption & Multi-ModellSelbstbefüllendes KI-CRMSales & Branchen CRMSales CRM Use CasesRecruiting CRM Use CasesB2B Kontakt-SucheMulti-Channel-KampagnenProjekte & AufgabenTeam-MessengerSocial Media StudioFunnel & NewsletterMeetings & Terminbuchung
Beratung, Preise & Ressourcen
KI-Transformation & StrategieManaged ServicesAlexander Weltzsch · Executive AdvisoryDennis Hilger · B2B Growth AdvisoryPreise & LizenzrechnerÜber unsKI im UnternehmenTech und KI GlossarLeitfaden für erfolgreiche LandingpagesGeschäftsbedingungen und RichtlinienKontakt & Live-Demo
← Zurück zum Tech und KI Glossar (A–Z)
Tech und KI Glossar · Buchstabe · Buchstabe M

Modell-Drift

Modell-Drift

Definition

Modell-Drift (Model Drift) bezeichnet das Nachlassen der Vorhersagegüte eines produktiv eingesetzten Machine-Learning-Modells, weil sich reale Eingabedaten oder fachliche Zusammenhänge gegenüber dem Trainingszeitraum verändert haben.

Erklärung

Fachlich unterscheidet man zwei Hauptformen: Bei Data Drift (auch Covariate Shift) verschiebt sich die statistische Verteilung der Eingangsmerkmale, etwa wenn ein SaaS-Anbieter ein neues Kundensegment anspricht oder seine Preisstruktur umstellt. Bei Concept Drift ändert sich die Beziehung zwischen Eingabedaten und Zielgröße selbst, beispielsweise weil Einkäufer bei geänderten Marktbedingungen zusätzliche Budgetfreigaben einholen und dieselben Aktivitätssignale im CRM nicht mehr zur früheren Abschlussquote führen. Da reale Zielwerte wie Zahlungsausfälle oder Jahresverlängerungen oft erst Wochen oder Monate später feststehen, überwachen MLOps-Teams im Live-Betrieb vorlaufende Verteilungsmetriken wie den Population Stability Index (PSI) oder den Kolmogorov-Smirnov-Test auf Eingangs- und Prognosewerten. Überschreitet die Abweichung definierte Schwellenwerte, wird das Modell mit aktuellen Daten neu trainiert und vor dem Austausch gegen die laufende Produktionsversion geprüft.