Concept Drift – zmiana relacji między danymi wejściowymi a wynikiem.

Termin odnosi się do zjawiska występującego w systemach uczących się na danych strumieniowych lub adaptacyjnych modelach predykcyjnych, gdzie ulega zmianie zależność pomiędzy wejściowymi cechami danych a przewidywanymi wynikami. Oznacza to, że wzorce wykryte podczas trenowania modelu stają się mniej aktualne lub nieadekwatne w miarę upływu czasu, co prowadzi do pogorszenia skuteczności modelu. Jest to szczególnie istotne w zastosowaniach z dynamicznie zmieniającym się środowiskiem lub danych, np. w wykrywaniu oszustw, prognozowaniu finansowym czy analityce zachowań użytkowników.

Zjawisko to wymaga stosowania specjalistycznych technik adaptacyjnych, które umożliwiają modelowi dostosowanie się do nowych warunków i utrzymanie wysokiej jakości predykcji. Przykładowe metody to wykrywanie momentów wystąpienia zmiany, ważenie lub odświeżanie zbioru danych uczących, a także stosowanie algorytmów online uczących się na bieżąco. Rozpoznanie i zarządzanie zjawiskiem ma kluczowe znaczenie dla efektywności systemów sztucznej inteligencji działających w środowiskach zmiennych i nieprzewidywalnych.