Model drift

Vad är model drift?

Model drift, på svenska modelldrift, innebär att en AI-modells träffsäkerhet gradvis försämras över tid – inte för att modellen förändras, utan för att verkligheten gör det. En modell inom maskininlärning tränas på historiska data och speglar världen som den såg ut då. När kundbeteenden, marknader, processer eller datakällor förändras stämmer modellens inlärda mönster allt sämre med verkligheten, och prediktionerna blir successivt mindre tillförlitliga.

Betydelsen av model drift

Model drift är en av de vanligaste orsakerna till att AI-investeringar tappar värde efter driftsättning. En modell som presterade utmärkt vid lansering kan ett år senare fatta systematiskt sämre beslut – ofta utan att någon märker det, eftersom modellen fortsätter leverera svar med samma självsäkerhet. Riskerna är konkreta: felaktiga kreditbedömningar, missade bedrägerier, felprognoser i lager och bemanning. Drift är därmed inte bara en teknisk fråga utan en styrningsfråga: regelverk och ramverk för AI governance ställer i ökande grad krav på kontinuerlig övervakning av modellers prestanda.

Så fungerar model drift

Drift uppstår på flera sätt, och begreppen är värda att hålla isär:

• Data drift: indata förändras – kundernas demografi skiftar, nya produkter tillkommer, ett sensorbyte ändrar mätvärdenas karaktär. Modellen möter data som skiljer sig från träningsunderlaget.
• Concept drift: själva sambandet mellan indata och utfall förändras. Ett tydligt exempel är bedrägerimönster: när bedragarna byter metoder gäller inte längre de mönster modellen lärt sig, även om indata ser likadana ut.
• Plötslig eller gradvis drift: drift kan ske abrupt – som vid en pandemi, en lagändring eller ett systembyte – eller smygande över månader och år, vilket är svårare att upptäcka.
• Tysta fel: det lömska med drift är att modellen sällan slutar fungera synligt. Den fortsätter leverera prediktioner – de blir bara gradvis sämre.

Motmedlet är systematisk övervakning: att löpande mäta modellens träffsäkerhet mot verkliga utfall, bevaka statistiska förändringar i indata och definiera tröskelvärden som larmar när prestandan sjunker. Detta är en kärnuppgift inom MLOps – disciplinen för att utveckla, driftsätta och förvalta maskininlärningsmodeller på ett industrialiserat sätt. När drift konstateras är åtgärden oftast omträning på färskare data, ibland en omkonstruktion av modellen.

Användningsområden för kunskap om model drift

Förståelse för drift behövs överallt där modeller fattar eller stödjer beslut över tid: kreditriskmodeller som möter nya ekonomiska lägen, prognosmodeller efter förändringar i efterfrågan, underhållsmodeller när maskinparken byts ut, och säkerhetsmodeller när hotbilden skiftar. Kunskapen är också central vid upphandling och styrning av AI: den som beställer en modell bör samtidigt beställa en plan för hur dess prestanda övervakas och underhålls. En AI-modell är inte ett färdigt projekt utan en förvaltningsprodukt som kräver kontinuerlig tillsyn.

Model drift och en hållbar AI-förvaltning

Att hantera modelldrift kräver både teknisk infrastruktur för övervakning och en organisation med tydligt ägarskap för modellernas livscykel. Advania hjälper verksamheter att etablera MLOps-förmågor, bygga övervakning och larm kring produktionssatta modeller samt utforma styrningsprocesser som säkerställer att AI-lösningar behåller sin träffsäkerhet och regelefterlevnad över tid.

Vanliga frågor och svar om model drift

Vad är skillnaden mellan data drift och concept drift?

Data drift betyder att indata förändras – modellen möter en annan sorts data än den tränades på. Concept drift betyder att sambandet mellan indata och utfall förändras, även om indata ser likadana ut. Båda försämrar träffsäkerheten, men kräver delvis olika åtgärder.

Hur upptäcker man model drift?

Genom kontinuerlig övervakning: jämför modellens prediktioner med verkliga utfall, bevaka statistiska förändringar i indata och sätt tröskelvärden som larmar vid avvikelser. Utan mätning upptäcks drift ofta först när affärskonsekvenserna blivit kännbara.

Hur ofta behöver en modell tränas om?

Det beror på hur snabbt verksamhetens omvärld förändras. Vissa modeller står sig i åratal, andra behöver omträning varje månad. Bäst praxis är att låta övervakningsdata styra – träna om när uppmätt prestanda sjunker under definierade nivåer, inte enligt godtycklig kalender.

Drabbas även språkmodeller och generativ AI av drift?

Ja, i bemärkelsen att deras kunskap åldras – en modell tränad vid en viss tidpunkt saknar kännedom om senare händelser. Dessutom kan användningsmönstren förändras så att modellen presterar sämre på nya typer av frågor. Övervakning av kvalitet över tid är relevant även här.

Viktiga punkter att ta med sig om model drift

• Verkligheten förändras: modellen står still medan världen rör sig – det är kärnan i drift.
• Tysta fel: drift märks sällan direkt; modellen fortsätter svara, bara allt sämre.
• Två huvudtyper: data drift (indata förändras) och concept drift (sambanden förändras).
• Övervakning är obligatorisk: kontinuerlig mätning mot verkliga utfall är enda sättet att upptäcka drift i tid.
• Förvaltning, inte projekt: en AI-modell kräver livscykelhantering med omträning som naturlig del.