Wprowadzenie
Concept Drift (Dryf Koncepcji) to zjawisko, w którym zmienia się relacja między danymi wejściowymi a celem predykcjiw 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).
Powiązane pojęcia
Data Drift • Model Degradation • MLOps • Online Learning • Domain Adaptation • Covariate Shift • Model Monitoring
Dodano: 17 maja 2026