詳細解釋
生產環境中 ML 模型性能隨時間下降的現象，因為真實數據分布與訓練數據漸行漸遠。
漂移類型：
- 數據漂移：輸入特徵分布變化（如年齡結構老化）
- 概念漂移：輸入-輸出關係變化（如「高端」定義改變）
- 標籤漂移：輸出分布變化（如欺詐率上升）
- 上游漂移：數據管道變化導致輸入改變
檢測方法：
- 統計檢驗：KL 散度、KS 檢驗、PSI
- 模型性能監控：準確率、F1、AUC 的時間序列
- 特徵監控：各特徵的分布變化
- 預測分布：輸出置信度分布變化
應對策略：
- 定期重訓練：固定週期（如每月）用新數據重訓
- 觸發重訓練：漂移檢測超閾值時自動觸發
- 在線學習：持續增量更新
- 集成方法：新舊模型組合，漸進過渡
行業例子：
- 推薦系統：用戶偏好季節性變化
- 欺詐檢測：騙子適應模型後改變策略
- 供應鏈預測：疫情後消費模式劇變
- 醫療診斷：疾病譜隨時間變化
與軟體 bug 的對比：
- Bug：確定性錯誤，可重現
- 漂移：概率性退化，漸進發生
這是「ML 運維」的核心挑戰—— 模型不是「部署就忘」，需要持續監護。