Concept Drift

Wprowadzenie

Concept Drift (Dryf Koncepcji) to zjawisko, w którym zmienia się relacja między danymi wejściowymi a celem predykcji w czasie. Model wytrenowany na starych danych staje się coraz mniej dokładny, nawet jeśli dane technicznie wyglądają podobnie.

Rodzaje dryfu

• Concept Drift – zmienia się sam cel (np. zachowanie klientów, definicja oszustwa)

• Data Drift / Covariate Shift – zmienia się rozkład danych wejściowych

• Label Drift – zmienia się rozkład etykiet

• Real Concept Drift vs Virtual Drift

Przykłady z życia

• Model wykrywania oszustw kart kredytowych – po pandemii zachowanie klientów się zmieniło

• System rekomendacyjny Netflix – gusta widzów zmieniają się po premierach hitów

• Model predykcji kursów walut lub kryptowalut

• Systemy diagnostyczne w medycynie (nowe warianty wirusów)

Metody wykrywania Concept Drift

• Statistical tests – KS Test, ADWIN, Page-Hinkley Test

• Drift Detection Methods (DDM)

• Performance monitoring – spadek accuracy, F1, AUC w czasie

• Distribution monitoring (PSI, Wasserstein Distance)

Strategie radzenia sobie z dryfem

• Retrain modelu co określony czas

• Online / Incremental Learning

• Concept Drift Adaptation (np. Adaptive Random Forest)

• Ensemble methods + forgetting mechanisms

• Human-in-the-loop + alerty

Aktualny stan (2026)

Concept Drift jest jednym z największych wyzwań w produkcyjnych systemach ML. Coraz więcej firm wdraża dedykowane platformy do monitorowania dryfu (np. WhyLabs, Evidently AI, Arize, Fiddler).

Dodano: 17 maja 2026

office@freenetmedia.pl