Ce este deriva datelor?

Deplasarea datelor este o schimbare în distribuția sau caracteristicile datelor de intrare în timp, ceea ce poate afecta negativ calitatea performanței modelului de învățare automată.

De exemplu, dacă un model este antrenat pe date cu anumite proprietăți, iar în utilizarea reală datele încep să se schimbe (de exemplu, comportamentul utilizatorilor, condițiile de mediu, formatul datelor), modelul poate începe să funcționeze mai slab.

Tipuri de deplasare a datelor:

• Deplasare de concept (concept drift): dependența dintre datele de intrare și variabila țintă se schimbă.
• Deplasare a distribuției datelor (data distribution drift): distribuția datelor de intrare se schimbă fără a modifica dependența față de variabila țintă.

Pentru a combate deplasarea datelor, se aplică monitorizarea calității modelului, logarea datelor de intrare și a rezultatelor, precum și reantrenarea regulată a modelului cu date noi.

Exemplu: un model de scorare a creditului antrenat pe datele clienților din 2019, dar în 2023 situația economică s-a schimbat, iar comportamentul clienților a devenit diferit — acesta este un deplasament de date care necesită adaptarea modelului.