Concept Drift 概念漂移
概念漂移指数据分布随时间变化，导致模型预测准确率下降。它解释了为何AI模型上线后性能会逐渐退化，需要持续监控更新。
一句话解释
概念漂移（Concept Drift）是指机器学习模型所依赖的数据分布随时间发生不可预测的变化，导致模型预测性能逐渐下降的现象。它提醒我们，静态模型无法适应动态环境，需要定期或实时更新。
为什么会被关注
在工业级AI应用中，模型上线后往往因业务环境、用户行为或外部条件变化而失效。概念漂移是模型性能衰减的核心原因之一。若不及时检测并应对，预测偏差可能引发业务损失、错误决策甚至安全风险，因此成为MLOps和模型监控领域的关键议题。
核心逻辑
概念漂移的本质是输入特征与目标变量之间的联合分布发生改变。常见类型包括：虚拟漂移（特征分布改变但关系不变）、真实漂移（特征与标签的映射关系变化）和先验概率漂移（类别分布改变）。检测方法有DDM、ADWIN等统计检验，应对策略包括定期重训练、增量学习或部署自适应模型。
常见场景
电商推荐系统中用户兴趣随季节或促销活动变化、金融风控里欺诈模式不断演变、工业传感器因老化产生读数偏移、自然语言处理中舆情话题的迁移等，都典型体现概念漂移。这些场景要求模型具备持续适应能力，否则预测效果会迅速退化。
容易混淆的点
概念漂移常与数据漂移（Data Drift）混淆。数据漂移仅指输入特征分布变化，而概念漂移强调特征与标签之间关系的变化。此外，概念漂移不同于迁移学习中的域适应，后者通常已知目标域分布并做一次性调整，而概念漂移是未知且持续发生的，需要在线监控与迭代。
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。
相关热词营销生成是指利用大语言模型、图像生成模型等AI技术，自动创作广告文案、社交媒体帖子、产品描述、短视频脚本甚至营销海报的过程。它帮助企业快速生产大批量、个性化的营销内容，降低人力成本，同时保持品牌调性统一。
运营助手是一种基于大语言模型和自动化流程的AI工具，能辅助运营人员完成内容创作、用户分层、活动配置、数据监控等重复性工作，同时提供策略建议和异常预警，显著降低人力成本并提升响应速度。
BI助手是将自然语言处理能力与商业智能（BI）结合的工具，用户通过日常对话提问，即可自动生成数据查询、图表和洞察报告，大幅降低数据分析门槛。
SQL生成是一种利用大语言模型将用户自然语言描述（如“找出上月销售额前10的产品”）自动转换为可执行的SQL查询语句的技术，帮助非技术人员零基础查数据库，大幅提升数据分析效率。
文档生成AI是指利用大语言模型自动生成各类书面内容（如工作报告、方案、邮件、文章等）的技术。它通过理解用户简短指令，快速输出结构清晰、逻辑连贯的文本，大幅提升写作效率。本文用通俗语言解释其原理、使用场景和常见误区。