Model Drift

Wat is model drift?

Model drift is het verschijnsel dat een machine learning-model na verloop van tijd slechter gaat presteren, omdat de wereld waarin het wordt gebruikt verandert terwijl het model hetzelfde blijft. Het model is getraind op data van toen; de data van nu wijkt daar steeds verder van af. Drift is geen storing maar een natuurlijk proces, en een van de belangrijkste redenen waarom AI-systemen onderhoud nodig hebben.

Hoe werkt het?

Er zijn twee hoofdvormen. Bij data drift verandert de invoer: je klanten worden gemiddeld jonger, productnamen veranderen of een nieuwe markt komt erbij. Bij concept drift verandert de relatie tussen invoer en uitkomst zelf: fraudeurs verzinnen nieuwe trucs, dus de kenmerken die vroeger op fraude wezen, doen dat nu niet meer. Beide vormen herken je door de prestaties van het model continu te monitoren en de binnenkomende data te vergelijken met de trainingsdata. Zakt de nauwkeurigheid, dan train je het model opnieuw met recente data.

Wat heb je eraan als bedrijf?

Wie AI inzet voor voorspellingen, fraudedetectie of personalisatie, moet weten dat een model geen eenmalige aanschaf is. Vraag je leverancier hoe drift wordt gemonitord en hoe vaak het model wordt bijgetraind. Een verouderd voorspelmodel kan stilletjes geld kosten: verkeerde voorraadbeslissingen, gemiste fraude of irrelevante aanbevelingen, zonder dat iemand het opmerkt. De EU AI Act vraagt voor hoog-risicosystemen bovendien expliciet om monitoring na ingebruikname.

Gerelateerde begrippen

De variant waarbij alleen de invoerdata verschuift heet data drift. Drift raakt elk model dat met machine learning is gebouwd; bijtrainen valt onder tuning.