Model Drift
MLOpsWenn sich Eingabedaten oder Zielvariablen im Laufe der Zeit verändern, verliert ein KI-Modell an Genauigkeit — ohne aktives Monitoring bleibt dies oft unbemerkt.
Was ist Model Drift?
Ein KI-Modell lernt aus historischen Daten. Sobald sich die Realität verändert — Kundenverhalten, Marktbedingungen, Produktionsprozesse — kann das Modell zunehmend ungenaue Vorhersagen liefern, ohne offensichtlich zu „brechen”. Dieses Phänomen nennt sich Model Drift.
Man unterscheidet zwei Hauptformen: Data Drift (auch Covariate Shift) bezeichnet Veränderungen in der Verteilung der Eingabedaten; Concept Drift bezeichnet Veränderungen in der Beziehung zwischen Eingaben und Zielgröße. Ein Beispiel für Concept Drift: Ein Kreditrisikomodell, das vor einer Wirtschaftskrise trainiert wurde, bewertet Kreditwürdigkeit nach alten Mustern.
Erkennung und Gegenmaßnahmen
Ein systematisches Drift-Monitoring umfasst mehrere Ebenen:
- Statistische Tests auf Eingabedaten (z. B. Population Stability Index, KL-Divergenz)
- Überwachung der Modellperformance-Metriken im Produktivbetrieb
- Regelmäßige Vergleiche von Vorhersageverteilungen mit einer Referenzperiode
- Automatische Alerts bei Unterschreitung definierter Qualitätsschwellen
- Periodisches Retraining mit aktuellen Daten als Standardprozess
Praxisbeispiel
Ein Nachfrageprognosemodell im Handel verlor während und nach der Pandemie massiv an Genauigkeit, weil Kaufmuster sich grundlegend verändert hatten — ein klassischer Concept Drift, der manuell nicht zeitnah bemerkt wurde.
Relevanz für den Mittelstand
Unternehmen, die KI-Modelle im operativen Betrieb einsetzen, unterschätzen häufig den Aufwand für laufende Modellpflege. Ein Modell ohne Monitoring ist kein Asset, sondern ein wachsendes Risiko. MLOps-Plattformen und einfache Monitoring-Skripte sind auch für KMU erschwinglich und sollten Teil jedes KI-Deployments sein. Der EU AI Act verlangt für Hochrisiko-Systeme explizit eine fortlaufende Überwachung der Systemleistung nach dem Inverkehrbringen.
← Zurück zum Glossar