Was ist Modell-Drift

Definition

Modell-Drift (auch Model Drift) bezeichnet die kontinuierliche Verschlechterung der Vorhersagegenauigkeit eines Machine-Learning-Modells im produktiven Einsatz. Sie entsteht dadurch, dass sich die Verteilung und die Eigenschaften der realen Daten im Laufe der Zeit verändern und sich somit von den ursprünglichen Trainingsdaten entfernen.

Erklärung

In den dynamischen B2B-Märkten ist Modell-Drift eine allgegenwärtige Herausforderung, da sich Einkaufsverhalten, wirtschaftliche Rahmenbedingungen oder Produktportfolios kontinuierlich verändern. Man unterscheidet dabei im Wesentlichen zwischen Concept Drift (die Beziehung zwischen Eingangsdaten und Zielvariable ändert sich) und Data Drift (die Verteilung der Eingangsdaten verschiebt sich). Wenn beispielsweise ein Vorhersagemodell für das Lead-Scoring vor einer unerwarteten Marktveränderung trainiert wurde, kann es danach drastisch an Präzision verlieren, weil sich die Kaufentscheidungskriterien verschoben haben. Um die Zuverlässigkeit von SaaS-Anwendungen langfristig abzusichern, müssen Data-Science-Teams fortlaufendes Monitoring implementieren, um Leistungseinbrüche der Modelle frühzeitig zu erkennen. Die wichtigste Gegenmaßnahme besteht darin, Modelle in regelmäßigen Zyklen mit frischen Echtzeitdaten neu zu trainieren oder adaptive Pipelines einzusetzen.