詳細解釋
持續追踪生產環境中機器學習模型性能衰退的實踐，確保模型在數據分布變化時及時發現並警報。
漂移類型：
- 數據漂移（Data Drift）：輸入特徵分布變化（如消費者年齡結構改變）
- 概念漂移（Concept Drift）：輸入-輸出關係變化（如疫情後「通勤」概念改變）
- 標籤漂移（Label Drift）：輸出分布變化（如欺詐率上升）
監測指標：
- 統計檢驗：KL 散度、PSI（Population Stability Index）、Wasserstein 距離
- 模型性能：準確率、F1、AUC 的時間序列趨勢
- 業務指標：轉化率、點擊率的異常變動（可能由模型性能導致）
監測系統架構：
- 日誌收集：記錄每個預測的輸入、輸出、時間戳
- 特徵存儲：與訓練數據對比計算漂移
- 警報機制：閾值超標時通知 Slack/PagerDuty
- 儀表板：視覺化趨勢，支持切片分析（按地區、設備類型）
商業工具：
- Arize AI：ML 可觀測性平台
- Fiddler：模型監控和可解釋性
- WhyLabs：輕量級數據漂移檢測
- Evidently AI：開源 ML 監控
應對策略：
- 自動重訓練：漂移檢測觸發新數據重訓練
- 陰影模式：新模型並行運行，比較性能後切換
- 降級策略：模型不可靠時切換到規則基線
這是 MLOps 的核心組件，沒有監控的模型部署如同「盲飛」。