Deriva del modello

Perché un modello invariato può diventare meno adatto?

La deriva del modello indica un calo della qualità predittiva quando dati o relazioni cambiano durante l’impiego. Perché ciò avvenga non devono necessariamente cambiare i pesi memorizzati del modello. La deriva di concetto descrive più precisamente una variazione del rapporto tra dati in ingresso e obiettivo da prevedere; la deriva dei dati riguarda la distribuzione degli ingressi. Queste distinzioni aiutano a ricercare le cause. Una diversa composizione dei dati non dimostra da sola un calo della qualità predittiva.

In un’impresa di assistenza fittizia, un nuovo metodo di manutenzione riduce la durata effettiva del lavoro a parità delle caratteristiche registrate fino ad allora. Un modello precedente potrebbe quindi prevedere sempre più spesso interventi troppo lunghi. La verifica confronta le previsioni attuali con durate effettive controllate sul piano operativo, considerando i tipi di lavoro interessati. Prima di un adeguamento si esaminano anche unità di tempo errate, rapporti incompleti e regole di registrazione modificate. Se viene addestrata una nuova variante, la si valuta con esempi attuali riservati alla valutazione e la si approva separatamente prima dell’adozione. La risposta dipende dalla causa individuata.

Fonti

• IBM · What is model drift?

• IBM · Data Science Best Practices: Monitoring

• Microsoft Learn · Azure Machine Learning model monitoring