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。
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。
数据漂移不会触发明显报错，只会在业务指标上缓慢体现
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
当线上数据分布偏离训练数据时，模型性能会退化（数据漂移与模型衰减），需要触发重新训练
人工复审的结果应回流用于持续校准模型和成本，否则系统会随数据漂移而失效
生产环境数据是动态变化的，新的编程语言、密钥格式和代码模式会不断涌现，导致数据漂移
数据漂移和概念漂移会导致模型性能退化，但在服务层健康指标（延迟、吞吐、错误率）上可能没有异常，需通过统计检测手段（如KL散度、PSI、KS检验）主动发现
商业数据科学项目需面对数据漂移、模型可解释性要求、A/B测试与因果推断、MLOps全生命周期管理等个人项目中几乎不会遇到的挑战
还有 5 条时间轴事件
全部知识事实 (17)
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。
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%待验证当线上数据分布偏离训练数据时，模型性能会退化（数据漂移与模型衰减），需要触发重新训练
50%待验证人工复审的结果应回流用于持续校准模型和成本，否则系统会随数据漂移而失效
50%待验证生产环境数据是动态变化的，新的编程语言、密钥格式和代码模式会不断涌现，导致数据漂移
50%待验证数据漂移和概念漂移会导致模型性能退化，但在服务层健康指标（延迟、吞吐、错误率）上可能没有异常，需通过统计检测手段（如KL散度、PSI、KS检验）主动发现
50%待验证商业数据科学项目需面对数据漂移、模型可解释性要求、A/B测试与因果推断、MLOps全生命周期管理等个人项目中几乎不会遇到的挑战
50%待验证数据漂移（Data Drift）指生产环境中输入数据的统计分布随时间发生变化，导致模型接收数据与训练时分布不匹配
50%