データドリフトと概念ドリフト
入力の変化と予測対象の変化を区別します。
「データドリフトと概念ドリフト」はCoddyKit上の無料MLOps Academyレッスンです。 これはレッスン1/4です。 下記で完全なレッスンを無料で読むことができます。その後、ブラウザ内の組み込みコードエディタと24時間対応のAIチューターでハンズオン演習できます。 これはMLOps Academy学習パスの一部であり、ウェブとCoddyKitアプリ全体で進捗が同期されます。 MLOps Academyコースには全4レッスンが含まれています。
このレッスンの一部はまだ翻訳されておらず、英語で表示されています。
Two Ways the World Shifts
Your model was trained on a snapshot of the past. When reality moves on, it can quietly go stale. There are two distinct ways this happens: data drift and concept drift. 🌍
What Data Drift Means
Data drift happens when the input data changes shape over time. The features your model sees now no longer look like the features it learned from.
A Data Drift Example
A loan model trained pre-pandemic suddenly sees very different incomes and balances. The inputs shifted, even though what they mean has not. That is pure data drift.
What Concept Drift Means
Concept drift is sneakier: the inputs may look the same, but the relationship between inputs and the target has changed under your feet.
A Concept Drift Example
A spam filter sees normal-looking emails, but spammers invent new tricks. The same words now mean something different, so the input-to-label mapping shifted. That is concept drift.
The Key Difference
Data drift changes P(X), the distribution of inputs. Concept drift changes P(y given X), the mapping from inputs to the label. Tell them apart by asking which part moved. 🔑
Why It Matters for You
Data drift can hurt accuracy, but sometimes the model still copes. Concept drift almost always hurts, because the truth itself has moved away from what you learned.
Detecting Each Type
You can spot data drift by watching input distributions, with no labels needed. Concept drift usually needs outcomes, since you must compare predictions against real results.
Naming Your Inputs
It helps to keep a clean reference of your training inputs versus current ones. A tiny config makes drift checks easy to wire up later.
reference = train_df[["income", "balance", "age"]]
current = live_df[["income", "balance", "age"]]
features = list(reference.columns)Label Drift Too
A close cousin is label drift: the mix of target classes changes, like fraud jumping from 1% to 5%. It can signal either data or concept drift behind the scenes.
Drift Is Normal, Not Rare
Drift is not a freak event; it is the default state of any live model. Your job is not to prevent it but to detect it early and respond on time. ✅
Quick Check
Let us make sure you can tell the two apart.
Recap
Two kinds of shift: data drift moves the inputs, concept drift moves the meaning. Ask which part changed, and remember drift is normal, so always be ready to detect it. 🎯
よくある質問
「データドリフトと概念ドリフト」レッスンは無料ですか？
はい。「データドリフトと概念ドリフト」の完全なテキストはこのウェブで無料で読めます。インタラクティブに演習し（組み込みコードエディタと24時間対応のAIチューター）、MLOps Academyコースの残りをアンロックするには、CoddyKit PROにアップグレードしてください。 MLOps Academyコースには全4レッスンが含まれています。
「データドリフトと概念ドリフト」で何を学びますか？
入力の変化と予測対象の変化を区別します。 ブラウザで直接実行するハンズオンコードでMLOps Academyを演習し、24時間対応のAIチューターがレッスンを進める中での質問に答えます。
MLOps Academyを始めるのに経験は必要ですか？
事前経験は必要ありません。CoddyKitのMLOps Academyは初級者から上級者向けに構成されているため、ここから始めるか最初から始めて、自分のペースで進むことができます。 これはレッスン1/4です。
「データドリフトと概念ドリフト」レッスンにはどのくらい時間がかかりますか？
ほとんどのCoddyKitレッスンは約5～10分かかります。各レッスンはコンパクトでインタラクティブなので、着実に進歩し、ウェブとアプリ全体で正確に前回の場所から再開できます。
このMLOps Academyレッスンでコードを書いて実行できますか？
はい。すべてのMLOps Academyレッスンに組み込みコードエディタが含まれているため、ブラウザでリアルコードを書いて実行し、即座のAIフィードバックを取得できます。ローカル設定は不要です。