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.