Modeldrift is het geleidelijke verlies aan nauwkeurigheid dat optreedt wanneer de wereld waarin een model werkt niet meer past bij de data waarop het is getraind. Het model zelf verandert niet, maar de werkelijkheid wel, en een systeem dat bij de lancering scherp was kan maanden later stilletjes onbetrouwbaar worden zonder dat iemand de code aanraakt.
Stel je een kaart voor van een snelgroeiende stad. Op de dag van het drukken klopt hij, maar er komen nieuwe wegen bij, straten krijgen andere namen en binnen een paar jaar stuurt hij je de verkeerde kant op. De kaart ging niet kapot. De stad bewoog. Een AI-model drift op dezelfde manier naarmate de trainingsdata veroudert en de patronen die het leerde niet meer kloppen.
Het helpt om drift in twee soorten te splitsen. Datadrift betekent dat de invoer van vorm verandert: een fraudemodel ziet ineens transactiebedragen die het in de training nauwelijks zag. Conceptdrift betekent dat de relatie zelf verschuift: hetzelfde klantgedrag dat vorig jaar op opzeggen wees, doet dat nu niet meer. Het eerste is vaak makkelijker te zien, het tweede gevaarlijker, want de cijfers kunnen normaal lijken terwijl de betekenis is verschoven.
Drift is juist gevaarlijk omdat het stil is. Er is geen foutmelding, alleen langzaam slechtere voorspellingen. Daarom is doorlopende modelmonitoring zo belangrijk: het vangt de daling vroeg op en geeft aan wanneer een nieuwe ronde model training nodig is voordat het bedrijf het merkt.
Bij TopDevs bouwen we driftcontroles vanaf dag een in de AI van een klant, zodat een model op tijd opnieuw wordt getraind in plaats van vertrouwd te worden lang nadat het is opgehouden te kloppen.
