Modell-Drift

Modell-Drift bezeichnet den schleichenden Leistungsverlust eines KI-Modells, wenn sich die zugrunde liegenden Daten oder Bedingungen im Vergleich zur Trainingsphase ändern. Arten:

Daten-Drift (veränderte Eingabeverteilung), Konzept-Drift (veränderte Beziehung zwischen Eingaben und Ausgaben), Label-Drift (veränderte Klassifikationskriterien).

Ursachen: externe Veränderungen (Markt, Kundenverhalten), schlechte neue Datenqualität, Overfitting, zeitliche Veralterung der Trainingsdaten. Erkennung: regelmäßige Leistungsüberwachung (F1, AUC), Vergleich von Datenverteilungen, statistische Tests (Kolmogorov-Smirnov).

Gegenmaßnahmen: regelmäßiges Retraining mit aktuellen Daten, Monitoring-Systeme, kontinuierliches Lernen, automatisches Drift-Alerting. Modell-Drift ist ein zentrales Problem beim produktiven Einsatz von KI-Systemen in dynamischen Umgebungen.