特徴量ドリフト

特徴量ドリフトとは、機械学習モデルの訓練時に用いた入力データの確率分布と、モデルが運用段階で実際に受け取る入力データの確率分布との間に、時間経過や環境変化に伴って生じる乖離現象のことです。データの背景にある現実世界の社会動向やユーザーの嗜好、センサーの特性などが変化することによって発生し、モデルが学習時点では想定していなかった入力パターンが増加します。この現象は、モデルの出力する予測値の信頼性を徐々に低下させ、最終的にはビジネス上の重大な損失やシステムの誤作動を招く要因となります。そのため、人工知能や機械学習システムを長期安定運用する上で、データ分布の変化を継続的に監視し、適切な対策を講じることが極めて重要な課題として認識されています。モデルの構築だけでなく、実運用における変化に対応するデータガバナンスの観点からも、その概念の理解は欠かせないものとなっています。