Архитектура Архитектура
Модели Модели
Обучение Обучение
Инструменты Инструменты
Применение Применение
Исследования Исследования
Глоссарий Глоссарий
глоссарий

Data drift

Data drift

Когда говорят о data drift, речь о том, что статистические свойства данных, на которых обучалась модель, перестают соответствовать реальным данным на входе. Распределения смещаются: средние, дисперсии, корреляции уже не те, хотя глазом это незаметно.

Это критично, потому что модель — слепок прошлого. Она применяет выученные закономерности к новым данным, а если реальность изменилась, точность падает. В финансах это плохие кредиты, в медицине — ложные диагнозы, в логистике — срывы. Следить за дрейфом важно, как за двигателем самолета, хотя данные не шумят.

Принцип прост: вы научились искать зеленые яблоки, а осенью они красные — и вы их не видите. Так и модель: предсказывала спрос по температуре, но изменились вкусы или демография. Это не поломка кода, а эволюция реальности, которую надо отслеживать.

Пример: банк обучил скоринговую модель на налоговых доходах. Началась пандемия, многие стали самозанятыми, распределение доходов сместилось. Модель начала отклонять хороших клиентов и принимать рискованных. Классический data drift: переменные изменились, бизнес понес убытки из-за отсутствия обновлений.

Итог: data drift — сигнал, что модель устарела. Нужно регулярно сравнивать распределения входящих данных с эталоном. Тогда модель останется точной, а не превратится в бесполезный артефакт прошлого.