מה זה בעצם Data Drift - ואיך הוא משפיע על Inference?

כשמודל AI עולה לפרודקשן, אנחנו נוטים לחשוב שהעבודה נגמרה. אבל אז מתחיל האתגר האמיתי - המציאות משתנה, והמודל נשאר מאחור. כאן נכנס לתמונה המושג Data Drift.

מה זה Drift?

Drift הוא שינוי בסטטיסטיקה של הנתונים לאורך זמן. המודל אומן על “עולם” מסוים - אבל כשהעולם הזה משתנה, המודל כבר לא מתאים בדיוק למציאות החדשה.

יש שני סוגים עיקריים:

Data Drift (Feature Drift) - הנתונים עצמם משתנים. לדוגמה: שדות מסוימים פתאום מגיעים בטווחים אחרים, פורמטים משתנים, או התפלגות הערכים כבר לא דומה לאימון.

Concept Drift - היחס בין הנתונים לתוצאה משתנה. למשל, אותם נתונים כבר לא מנבאים את אותה התוצאה (כי ההתנהגות בעולם האמיתי השתנתה).

למה זה חשוב ל-Inference?

במערכות Inference אמיתיות, הדיוק לא נשמר לנצח. כשיש Drift, המודל ממשיך לחזות - אבל על סמך דפוסים שכבר לא רלוונטיים.

התוצאה:

• ירידה הדרגתית בדיוק.
• החלטות פחות עקביות.
• “הפתעות” בתוצאות שלא נראות הגיוניות.

איך מזהים Drift?

בדרך כלל משלבים ניטור רציף על:

• סטטיסטיקות של פיצ’רים (ממוצעים, סטיות תקן, התפלגויות).
• תוצאות המודל לעומת תוצאות אמת (אם זמינות).
• מדדים כמו KL Divergence או Population Stability Index (PSI).

יש גם כלים שמתריעים אוטומטית כשמשהו “זז” מעבר לסף שהוגדר.

איך מטפלים בזה?

• Re-Training - לאמן מחדש את המודל עם נתונים עדכניים.
• Fine-Tuning - התאמה עדינה בלי לבנות הכול מחדש.
• Feature Engineering דינמי - התאמת עיבוד הנתונים לפי שינויי עולם.
• Monitoring חכם - לזהות מוקדם לפני שהביצועים נפגעים בפועל.

בשורה התחתונה

Drift הוא לא באג - הוא סימן שהעולם השתנה. מודל חכם לא אמור רק “לנבא טוב”, אלא לדעת מתי המציאות שהוא מסתמך עליה כבר לא אותה מציאות.

ניהול נכון של Drift הוא מה שהופך מודל מדויק - למודל עמיד לאורך זמן.