データドリフト (Data Drift)
用語名をコピー
MLOps約1分で読めます
AIモデルの学習に使用したデータの統計的特性と、実際の運用段階で入力されるデータの分布が乖離し、モデルの予測精度が低下する現象を指します。
別名
コンセプトドリフト (concept drift)モデルの劣化 (model decay)
詳しい説明
データドリフトは、時間の経過や外部環境の変化に伴い、実際の運用環境に入力されるデータの性質が変化する現象です。例えば、消費者の好みの変化や季節的な要因によって、過去の学習データと現在の入力データとの間に乖離が生じると、モデルの精度は急激に低下します。AIツールを選択する際は、こうした変化をリアルタイムで検知し、パフォーマンス低下時に管理者に即座に通知し、迅速な再学習（Retraining）を支援するモニタリング機能が備わっているかを確認することが極めて重要です。
ツール選定において重要な理由
AIモデルは、デプロイ後の時間経過とともに性能が劣化する傾向があります。ドリフトを検知できないツールは、誤った予測結果を放置することになり、ビジネスの意思決定にリスクをもたらします。メンテナンスコストを削減し、モデルの信頼性を維持し続けるためには、自動化されたドリフト分析機能が組み込まれたソリューションを選択する必要があります。
確認すべきポイント
- 学習データと運用データの統計的分布の差異を数値で可視化してくれるか？
- パフォーマンス低下のしきい値設定およびリアルタイム通知システムをサポートしているか？
- ドリフト発生時に即時の再学習（Retraining）パイプラインとの連携が容易か？
例
ファッションECのレコメンドAIが過去の冬用衣類のデータを基に学習されていたものの、春になって軽いアウターの注文が急増した際に発生する、入力データの分布の変化が代表的な例です。
データドリフトとコンセプトドリフト
データドリフト
入力データの分布自体が時間の経過とともに変化する現象です。例：新規ユーザー層の流入による入力パターンの変化。
コンセプトドリフト
入力と正解（ターゲット変数）の関係が変化する現象です。例：同じ行動であっても、正常・異常の基準が変わることでモデルの判断が狂う。
関連用語
MLOps
機械学習モデルのライフサイクルを自動化・管理する体系であり、ソフトウェア工学のCI/CDに「継続的学習（CT）」を組み合わせることで、本番環境におけるモデルのパフォーマンスと安定性を維持するDevOpsの拡張版です。
機械学習データを通じて自ら学習し、パターンを発見して最適な予測や意思決定を行うAIの核心技術です。明示的なプログラミングがなくても膨大なデータから統計的な法則を抽出し、現代の人工知能が複雑な問題を解決するための最も一般的なメカニズムです。
ファインチューニング事前学習された人工知能モデルに特定のデータ셋を追加学習させ、特定のタスクやドメインに合わせて最適化するプロセスです。汎用モデルの一般的な知識を維持しつつ、特定の目的に必要な専門性や応答スタイルを精緻に調整する際に使用されます。
パイプラインデータの収集、加工、モデル学習、デプロイに至る一連の処理プロセスを自動化されたフローとして連結したシステムです。データの整合性の維持や、再現可能な実験環境の構築を通じて運用の効率性を高めます。