Drift Detection 漂移检测：AI模型性能下降的预警雷达
漂移检测是监控机器学习模型输入或输出分布变化的自动预警技术，帮助团队在模型性能明显下跌之前定位原因并触发更新，是AI可靠性工程的关键环节。
一句话解释
Drift Detection（漂移检测）是一种用于识别机器学习模型输入数据或预测分布随时间发生变化的技术，相当于给模型装了一个“异常感知器”。
为什么会被关注
模型部署后往往面临性能逐渐下降的问题，但工程师很难手动察觉微小变化。漂移检测能自动发现数据分布或概念关系的变化，及时触发重训练或回滚操作。
在金融、医疗等高敏感场景中，模型无声退化可能导致严重决策偏差。引入漂移检测已成为AI运维（MLOps）的标准实践，也是保障模型长期可靠性的关键防线。
核心逻辑
漂移检测通常从两个维度切入：输入特征分布（数据漂移）和预测结果与标签的关系（概念漂移）。算法会持续收集新数据，与训练时或上一阶段的参考分布进行统计对比。
常用方法包括计算PSI（种群稳定性指数）、KL散度或JS散度，并设定动态阈值。一旦超过阈值即触发告警，提示团队检查数据源、更新样本或重建模型。
常见场景
推荐系统中用户兴趣随时间迁移，商品特征的有效性会变化。漂移检测能识别点击率降低背后的分布偏移，帮助调整推荐策略。
金融风控模型常因经济环境或用户群体变化出现特征漂移，及时检测可避免坏账率上升。此外，物联网传感器数据的质量波动也依赖漂移检测来维护设备预测的准确性。
容易混淆的点
很多人把数据漂移和概念漂移混为一谈。数据漂移指输入特征分布变化（比如用户年龄结构变了），概念漂移指输入与输出的映射关系变了（比如老用户的喜好规则失效）。两者检测方法和应对方案不同。
也要注意区分模型性能下降是否由漂移导致。有时模型精度降低是因为数据量不足或特征工程出错，而非分布偏移，误判漂移会导致无效的重训练成本。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词法院AI应用是指人工智能技术在司法领域的落地实践，包括智能辅助办案、类案自动推送、裁判文书生成、庭审语音识别等，旨在提升审判效率与公平性，减轻法官事务性负担。
法院AI部署是指将语音识别、文书生成、类案推送等人工智能技术集成到法院办案流程中，旨在提升审判效率、降低人为差错，并推动司法透明化。近年来，各地智慧法院试点加速，AI从辅助工具逐渐嵌入核心业务环节。
法院AI训练指利用裁判文书、法律法规等数据，训练机器学习模型以辅助司法工作，如案件分类、证据分析、量刑建议等。它并非替代法官，而是通过技术手段提升效率与一致性，正成为智慧法院建设的核心环节。
法院AI仿真利用人工智能技术对法庭场景、审判程序、辩论逻辑进行数字化模拟，用于法律教学、案件预演、证据推演等场景，帮助法官、律师和法学院学生更直观地理解司法过程。
法院AI建模是指运用人工智能技术，尤其是大语言模型和机器学习算法，对案件的事实要素、法律条文和历史判例进行结构化建模，辅助法官完成证据审查、量刑参考和文书生成的技术方案。