Value Drift – zmiana wartości modelu w miarę jego douczania.

Zjawisko polegające na stopniowej zmianie wartości parametrów modelu sztucznej inteligencji w trakcie jego ciągłego douczania lub aktualizacji danych. Proces ten może prowadzić do przesunięcia pierwotnych założeń modelu, co ma bezpośredni wpływ na jego działanie oraz przewidywania. Zmiana ta wynika z adaptacji do nowych informacji, które mogą odbiegać od pierwotnego rozkładu danych lub celów, dla których model został pierwotnie wytrenowany.

W praktyce może to skutkować poprawą efektywności modelu na nowych danych, lecz równocześnie niesie ryzyko pogorszenia jakości wyników na danych historycznych lub w kontekście pierwotnych zadań. Zjawisko to wymaga monitorowania i odpowiedniego zarządzania, aby zapewnić stabilność i wiarygodność modelu w dłuższym okresie, szczególnie w systemach krytycznych lub stosowanych w dynamicznie zmieniających się środowiskach.