Wprowadzenie
<strong>Concept Drift</strong> (Dryf Koncepcji) to zjawisko, w którym <strong>zmienia się relacja między danymi wejściowymi a celem predykcji</strong> w czasie. Model wytrenowany na starych danych staje się coraz mniej dokładny, nawet jeśli dane technicznie wyglądają podobnie.
Rodzaje dryfu
- <strong>Concept Drift</strong> – zmienia się sam cel (np. zachowanie klientów, definicja oszustwa)
- <strong>Data Drift / Covariate Shift</strong> – zmienia się rozkład danych wejściowych
- <strong>Label Drift</strong> – zmienia się rozkład etykiet
- <strong>Real Concept Drift vs Virtual Drift</strong>
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
- <strong>Statistical tests</strong> – KS Test, ADWIN, Page-Hinkley Test
- <strong>Drift Detection Methods (DDM)</strong>
- <strong>Performance monitoring</strong> – spadek accuracy, F1, AUC w czasie
- <strong>Distribution monitoring</strong> (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).
Powiązane pojęcia
Data Concept Drift Monitor→Concept Mastery Detection→Concept Bottleneck Model→Data Drift Detection→Feature Drift Detection→Intelligent Drift Detection AI→Data Drift→Baseline Drift→Data Drift Alert→Kafka Drift AI→
Dodano: 17 maja 2026