KI-Drift-Erkennung ist die Praxis, KI-Systeme kontinuierlich zu überwachen, um zu erkennen, wann ihre Leistung aufgrund von Veränderungen in den zugrunde liegenden Daten, der Umgebung oder den Nutzungsmustern nachlässt. Drift ist eine der häufigsten Ursachen für Ausfälle von KI-Systemen im Produktivbetrieb und kann Sicherheits-, Fairness- und Compliance-Risiken einführen.
Zu den Arten der KI-Drift gehören: Datendrift (die statistischen Eigenschaften der Eingabedaten weichen von denen ab, mit denen das Modell trainiert wurde), Konzeptdrift (die Beziehung zwischen Eingaben und Ausgaben ändert sich, z. B. wenn sich das Nutzerverhalten weiterentwickelt), Modelldrift (allmähliche Verschlechterung der Modellleistung im Zeitverlauf), Merkmalsdrift (Veränderungen in der Verfügbarkeit oder Qualität der Eingabemerkmale) und Labeldrift (Veränderungen in der Verteilung der Zielvariablen).
Die Auswirkung unerkannter Drift auf Unternehmen ist erheblich: sinkende Genauigkeit bei KI-gestützten Entscheidungen, aufkommende Verzerrungen, wenn die Modellleistung über Gruppen hinweg ungleichmäßig nachlässt, Compliance-Verstöße, wenn das Modellverhalten von dokumentierten Spezifikationen abweicht, eine Verschlechterung der Kundenerfahrung sowie Sicherheitsrisiken durch unerwartetes Modellverhalten.
Zu den Methoden der Drift-Erkennung gehören: statistische Tests, die aktuelle Datenverteilungen mit Trainings-Baselines vergleichen, Leistungsüberwachung anhand etablierter Kennzahlen, automatische Alarme, wenn die Drift definierte Schwellenwerte überschreitet, regelmäßige Zeitpläne zur Modell-Revalidierung, A/B-Tests zwischen aktuellen und neu trainierten Modellen sowie die Integration mit KI-Observability-Plattformen zur kontinuierlichen Überwachung. Organisationen sollten die Drift-Überwachung als Teil ihres Modell-Governance-Lebenszyklus etablieren.