MLOps Academy · 강의

데이터 드리프트와 개념 드리프트

입력의 변화와 목표값의 변화를 구분하세요.

데이터 드리프트와 개념 드리프트은(는) CoddyKit의 무료 MLOps Academy 강의입니다. 이것은 4개 중 1번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 MLOps Academy 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. MLOps Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.

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. 🎯

자주 묻는 질문

“데이터 드리프트와 개념 드리프트” 강의는 무료인가요?

네 — “데이터 드리프트와 개념 드리프트” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 MLOps Academy 강의 전체를 잠금 해제할 수 있습니다. MLOps Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

“데이터 드리프트와 개념 드리프트”에서 뭘 배우나요?

입력의 변화와 목표값의 변화를 구분하세요. 브라우저에서 직접 실행하는 실습 코드로 MLOps Academy을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

MLOps Academy을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 MLOps Academy은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 1번째 강의입니다.

“데이터 드리프트와 개념 드리프트” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 MLOps Academy 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 MLOps Academy 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← MLOps Academy(으)로 돌아가기