Data-drift is een fenomeen waarbij de verdeling van de inputgegevens voor een machine learning-model in de loop van de tijd verandert, wat kan leiden tot een afname van de modelprestaties. Data-drift kan worden veroorzaakt door factoren zoals veranderende gebruikersgedragingen, seizoensgebonden trends of verouderende gegevensbronnen. Het monitoren en aanpakken van data-drift is cruciaal voor het onderhouden van betrouwbare en nauwkeurige AI-systemen.