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.
Виды
- Дрейф данных: входные данные со временем меняются — новые продукты, клиенты, формулировки.
- Дрейф понятий: меняется сама связь между данными и правильным ответом.
Почему важен
Модель, точная при запуске, постепенно ошибается чаще, хотя её никто не менял.
Что делать
Отслеживать качество на свежих данных и регулярно обновлять модель.
Рядом
AI/ML Lifecycle, MLOps, Оценка качества ответов
Материал обновлён 3 октября 2026
Материал оказался полезным?
Спасибо. Это влияет на то, что мы разберём дальше.