数据漂移
机器学习系统中，线上真实数据的统计特性偏离训练集分布的现象，导致模型性能在无任何报错情况下持续下滑，是MLOps需要重点监控和应对的核心挑战之一。
核心事实
时间轴 (近 90 天)
模型性能骤降的常见诱因包括数据模式变更、特征管道故障、上游数据分布漂移、标签错误、部署配置失误。
Reddit讨论表明，数据模式变更、特征管道故障和分布漂移是模型突然变差的主要元凶，排查时间从数小时到一周不等。
回帖中提及的排查耗时：数据模式变更2-5天，特征管道中断1天，标签错误3天，部署配置错误数小时，上游数据分布漂移5-7天。
多数“突然变差”是数据漂移累积到模型决策边界附近后集中暴露的结果，监控应同时覆盖特征分布与预测分布，仅看准确率会滞后数天甚至数周。
数据漂移通常可通过监控输入分布与训练分布的统计距离（如PSI、KL散度）来发现，概念漂移则必须借助带标签的线上评估才能捕捉。
数据漂移指输入特征P(X)的分布发生变化，而特征与标签之间的关系P(Y|X)保持不变；概念漂移则是P(Y|X)本身发生改变。
在声明式模型下，数据漂移（上游 schema 或分布变化）表现为框架层面的契约校验失败，而非过程代码中的隐蔽错误。
AI代理的软性质量回归往往由模型版本更新、提示词微调、工具接口变动或检索数据漂移触发。
模型漂移（Model Drift）是AI交易系统必须持续应对的核心问题，指模型在生产环境中表现随时间下降的现象，通常分为数据漂移和概念漂移两类。
State-drift不同于数据漂移或概念漂移，后者关注模型输入分布或输入-输出映射的变化，可通过可观测性工具检测；而state-drift关乎存储信念的过期，即使输入完全在分布内也可能失效。
还有 12 条时间轴事件
全部知识事实 (20)
概念漂移是指输入数据与目标标签之间的映射关系随时间发生变化，不同于仅输入分布改变的数据漂移。
75%已验证分布偏移是指训练环境与部署环境之间的统计分布差异，是虚假相关性导致性能崩溃的直接机制
75%已验证漂移检测存在权衡：阈值设置过于敏感会导致频繁误报和不必要的重训，设置过于宽松则可能让模型性能在无感知中持续退化
75%已验证数据漂移（Data Drift）指线上真实数据的统计特性偏离训练集时，模型性能在无报错情况下持续下滑
70%已验证数据漂移或概念漂移指真实世界数据分布发生变化而模型仍基于旧数据训练时性能会显著下降，业界采用持续学习和主动学习策略应对
65%已验证模型漂移通常分为数据漂移和概念漂移两类，数据漂移指输入数据统计分布随时间变化，概念漂移指输入与输出关系本身发生变化
65%已验证MLOps的核心挑战在于模型漂移问题：随着现实数据分布随时间变化，模型预测准确率会逐渐下降
65%待验证性能漂移是指模型输出质量随时间缓慢退化的现象，可能来自模型提供商静默更新、上下文数据分布变化以及RAG系统知识库内容更新
60%待验证Reddit讨论表明，数据模式变更、特征管道故障和分布漂移是模型突然变差的主要元凶，排查时间从数小时到一周不等。
50%待验证模型性能骤降的常见诱因包括数据模式变更、特征管道故障、上游数据分布漂移、标签错误、部署配置失误。
50%待验证数据漂移指输入特征P(X)的分布发生变化，而特征与标签之间的关系P(Y|X)保持不变；概念漂移则是P(Y|X)本身发生改变。
50%待验证数据漂移通常可通过监控输入分布与训练分布的统计距离（如PSI、KL散度）来发现，概念漂移则必须借助带标签的线上评估才能捕捉。
50%待验证多数“突然变差”是数据漂移累积到模型决策边界附近后集中暴露的结果，监控应同时覆盖特征分布与预测分布，仅看准确率会滞后数天甚至数周。
50%待验证回帖中提及的排查耗时：数据模式变更2-5天，特征管道中断1天，标签错误3天，部署配置错误数小时，上游数据分布漂移5-7天。
50%待验证在声明式模型下，数据漂移（上游 schema 或分布变化）表现为框架层面的契约校验失败，而非过程代码中的隐蔽错误。
50%待验证AI代理的软性质量回归往往由模型版本更新、提示词微调、工具接口变动或检索数据漂移触发。
50%待验证模型漂移（Model Drift）是AI交易系统必须持续应对的核心问题，指模型在生产环境中表现随时间下降的现象，通常分为数据漂移和概念漂移两类。
50%待验证State-drift不同于数据漂移或概念漂移，后者关注模型输入分布或输入-输出映射的变化，可通过可观测性工具检测；而state-drift关乎存储信念的过期，即使输入完全在分布内也可能失效。
50%待验证数据漂移不会触发明显报错，只会在业务指标上缓慢体现
50%待验证需要定期监控生产环境中的置信度分布，防止因数据漂移导致原本校准良好的模型在新数据上重新失准
50%