.svg){kind=icon}
.svg){kind=icon}
Was ist Model Drift?
Model Drift (auch Concept Drift oder Data Drift) ist das Phänomen, dass die Vorhersagequalität eines KI-Modells im Betrieb nachlässt, obwohl das Modell selbst nicht verändert wurde. Ursache ist meist, dass sich die Eingangsdaten oder die zugrunde liegenden Zusammenhänge ändern.
Vier Drift-Typen: Data Drift (Input-Verteilung ändert sich — z. B. neue Produkte, andere Kundengruppen), Concept Drift (Beziehung zwischen Input und Output ändert sich — z. B. neue Kaufmuster), Label Drift (Zielverteilung ändert sich — z. B. Betrug wird häufiger), Prediction Drift (Modell-Vorhersagen ändern sich — Symptom, nicht Ursache).
Typische Ursachen: Zeitlicher Wandel (Trends, Saisonalität), Verhaltensänderungen (Kunden anders unterwegs), System-Änderungen (neue Erfassungssysteme, andere Metriken), Externe Ereignisse (Corona, Krisen), Business-Änderungen (neue Produkte, geänderte Prozesse).
Für den Mittelstand ist Drift ein praktisches Problem: Wer heute ein Modell einsetzt, muss morgen wissen, dass es noch funktioniert. Ohne Drift-Monitoring wird KI-Betrieb zur Blackbox — und Vertrauen erodiert schleichend.
Best Practices gegen Model Drift
Diese sechs Prinzipien haben sich bewährt:
- Von Anfang mitdenken: Drift-Monitoring ist Teil des Modells — nicht Add-on.
- Passende Metriken: Nicht eine Metrik für alles — passend zur Datenart und Aufgabe.
- Sinnvolle Schwellenwerte: Zu eng erzeugt Alarm-Müdigkeit, zu weit verschleiert Probleme.
- Auto-Retraining einrichten: Bei stabilen Prozessen automatisiertes Retraining bei Drift.
- Ground Truth sichern: Wo möglich echte Ergebnisse sammeln — Modell-Qualität objektiv messen.
- Zusammenspiel mit Business: Business-KPIs mit Drift-Metriken verknüpfen — echte Auswirkungen sichtbar.
Häufige Fehler bei Drift-Management
Diese Fallstricke sehen wir häufig:
- Nur Modell-Qualität, kein Drift: Nur wenn Vorhersagen schlechter werden, wird reagiert — Drift wird verpasst.
- Zu enge Schwellenwerte: Ständige Alarme — Team ignoriert bald alle.
- Keine Reaktion: Drift wird gemessen, aber nichts unternommen — Monitoring wird nutzlos.
- Falsche Referenzdaten: Baseline ist selbst schon verzerrt — Drift-Erkennung liefert falsche Signale.
- Nur globale Metriken: Feature-spezifische Drift bleibt unentdeckt — Probleme in Subgruppen unsichtbar.
Data Drift vs. Concept Drift vs. Model Decay
Drei ähnliche, aber unterschiedliche Konzepte:
- Data Drift: Eingangsdaten ändern sich — z. B. neue Kundengruppen. Häufigster Fall.
- Concept Drift: Beziehung zwischen Input und Output ändert sich — z. B. neues Käuferverhalten.
- Model Decay: Oberbegriff für alle Formen der Qualitätsminderung im Betrieb.
Model Drift in den Griff bekommen
In einem kostenlosen Erstgespräch schauen wir uns Ihre produktiven KI-Modelle an und skizzieren ein Drift-Monitoring — pragmatisch und wirksam.
Als KI-Partner für den Mittelstand bauen wir Drift-Monitoring passgenau — mit sinnvollen Metriken, klarer Reaktion und automatisiertem Retraining wo möglich.
Was wir dazu anbieten
- KI-Beratung — Drift-Konzept und Aufbau.
- KI-Monitoring als Service — Drift als integraler Bestandteil.
- MLOps im Glossar — Retraining als Teil des Betriebs.
- KI-Audit im Glossar — Drift ist zentraler Audit-Punkt.
