数据漂移与概念漂移（data and concept drift）
/ DAY-tuh and KON-sept drift /
漂移，是一个已部署的模型缓慢地、往往无声地变陈旧的方式——因为它训练时所依据的那个世界，已经往前走了。它有两种味道。数据漂移，指的是输入变了：模型见到的仍是同一类问题，可它被问及的那个群体却挪了位——一个在去年的购物者身上训练出来的模型，如今见到的是习惯不同、更年轻的一拨人。概念漂移则更深：输入与正确答案之间的关系本身变了——一场突如其来的经济冲击之后「正常」的消费模式，或是随着骗子翻新花样、「垃圾邮件」的定义。
一个能让人切身体会差别的法子：设想预测房价。数据漂移，是在售的房子变了（忽然公寓比从前多了许多）——规则照旧，输入的构成是新的。概念漂移，是规则变了（一项新政策让地段远比面积重要）——「一个好预测」的含义本身，已经挪了位。前者是「你看到的东西」变了；后者是「答案该是什么」变了。
为什么这很重要：漂移是「一个上线时表现出色的模型，随时间悄悄变差」最常见的单一原因，而它从不以错误的形式露面——预测照样源源不断地流出来，只是越来越不对了。一句实话是：漂移不是一个修一次就完的 bug，而是真实世界一种永久的状况；几乎每一个生产模型，最终都会退化。它没有根治之法，只有管理：监控着它，一旦它出现，就在新鲜数据上重训。模型是一张「流动世界」的快照，而世界不会停着不动。
一个标记欺诈交易的模型，本来用得好好的，直到骗子换了打法。输入（交易）表面上看仍旧正常——没有数据漂移的警报——可「什么让一笔交易算欺诈」却挪了位。这就是概念漂移：哪怕问题看上去一模一样，答案却变了。
概念漂移是阴险的那种——输入看着没事，可正确答案却悄悄变了。
漂移不是一个你能一劳永逸地工程掉的缺陷；它是任何一个面对变动世界的模型，默认的归宿。现实的目标，不是防住它，而是及早察觉它、再去重训——把模型维护当作一笔永久持续的成本，而非一次性的上线。