🔑 名詞卡
數據漂移（Data Drift）
🎯 定義
指模型上線後，輸入數據的分佈隨時間發生變化的現象，特別是當業務場景或用戶行為改變時，數據漂移可能導致模型預測準確性降低，是生成式 AI 正式營運階段「模型監控與重新訓練」的重點監測項目。
重點
- 定期檢查數據漂移，分析輸入數據分佈變化
- 透過識別變化，企業可及時更新訓練數據集，確保模型能適應最新環境需求
- 與自動化重新訓練管道（Retraining Pipeline）搭配：當效能達到設定的警戒值時，自動觸發重新訓練流程，並將更新後的模型部署到生產環境
易混淆
- vs 模型效能監控指標（準確率、召回率、預測錯誤率）：效能監控指標是「結果」的量測，數據漂移是造成效能下降的「原因」之一（輸入分佈變了）。
📖 課文原文「其次，定期檢查數據漂移（Data Drift），分析輸入數據的分佈變化，特別是當業務場景或用戶行為改變時，數據漂移可能會導致模型預測準確性降低。」
CV 中的角色（中級科目一補充）
電腦視覺模型部署後，環境或攝影條件變動（光照、角度改變）會使輸入影像的資料分佈偏離訓練時的分佈，導致模型效能下降，屬於 CV 部署與維運風險的重要一環，須透過 MLOps 持續監控與再訓練因應。