Дрейф данных и модели

Постепенное расхождение между тем, на чём модель училась, и тем, что приходит в работе. Качество падает незаметно.

Почему это важно здесь

Главная причина, по которой запуск модели — середина пути, а не конец. Без наблюдения ухудшение обнаруживают клиенты, а не команда.

Пример

Модель оценки заявок обучена на данных до смены сегмента. Через полгода она системно ошибается на новых клиентах, а каждая отдельная ошибка объясняется частной причиной.

Рядом

AI/ML Lifecycle, MLOps, Оценка качества ответов