Modeldrift
Faldende kvalitet af en models forudsigelser, fordi data eller sammenhænge ændrer sig under brug.
Hvorfor kan en uændret model blive mindre egnet?
Modeldrift betegner faldende kvalitet af forudsigelser, når data eller sammenhænge ændrer sig under brug. Modellens gemte vægte behøver ikke at ændre sig for dette. Concept Drift beskriver mere præcist en ændring i forholdet mellem input og det mål, der skal forudsiges; datadrift vedrører fordelingen af input. Forskellene hjælper med at undersøge årsagerne. En ændret datasammensætning beviser ikke i sig selv faldende kvalitet af forudsigelserne.
I en fiktiv servicevirksomhed forkorter en ny vedligeholdelsesmetode den faktiske arbejdstid ved de samme hidtil registrerede arbejdsoplysninger. En ældre prognosemodel kan derfor i stigende grad forudsige for lange besøg. Ved gennemgangen sammenlignes aktuelle forudsigelser med fagligt kontrollerede faktiske varigheder, herunder de berørte arbejdstyper. Før en tilpasning undersøges også forkerte tidsenheder, ufuldstændige tilbagemeldinger og ændrede registreringsregler. Hvis en ny modelvariant trænes, vurderes den med aktuelle eksempler holdt ude af træningen og godkendes særskilt før ibrugtagning. Reaktionen afhænger af den fundne årsag.
Kilder
Relaterede begreber
- MaskinlæringModeller lærer mønstre fra data og bruger dem på nye input.
- PrognosemodelEn model, der bruger tilgængelige oplysninger til at estimere en fremtidig størrelse for en fastlagt periode.
- TræningsdataDe eksempler, som en model lærer sammenhænge eller parametre fra under træningen.
- Testdata i maskinlæringData til afsluttende vurdering, hvis resultater ikke er brugt til at vælge den vurderede modelvariant.
- Forklarlig AITilgange, der gør et AI-systems resultater eller virkemåde forståelige for de tiltænkte modtagere.
- DatadriftEn ændring i fordelingen af modelinput i forhold til en udtrykkeligt valgt reference.
Dit projekt med ASES
Beskriv dit projekt for os. Vi vender tilbage med en første vurdering.