Data Drift

Data Drift (auch Feature Drift oder Covariate Shift) ist ein schleichendes Phänomen, bei dem sich die statistischen Eigenschaften der Daten in der realen Welt im Laufe der Zeit ändern und sich somit von den Daten unterscheiden, mit denen das KI-Modell ursprünglich trainiert wurde. Dies führt dazu, dass die Vorhersagequalität des Modells (Performance) langsam aber stetig abnimmt ('Rotting').

Ein Beispiel: Ein Modell zur Erkennung von betrügerischen E-Mails, das 2020 trainiert wurde, kennt die Betrugsmaschen und Schlagwörter von 2026 nicht. Oder ein Modell zur Vorhersage von Mode-Trends verliert seine Gültigkeit, wenn sich der Geschmack ändert. Data Drift ist einer der Hauptgründe, warum MLOps (Machine Learning Operations) so wichtig ist: Modelle müssen ständig überwacht (Monitoring) und regelmäßig mit frischen Daten nach-trainiert werden, um relevant zu bleiben.