[G1-Sync] Manual knowledge update

10_Wiki/Topics/AI_and_ML/Concept Drift (개념 드리프트, 모델 지식의 부패).md

@@ -2,65 +2,33 @@
 id: wiki-2026-0508-concept-drift-개념-드리프트-모델-지식의-부패
 title: "Concept Drift (개념 드리프트, 모델 지식의 부패)"
 category: 10_Wiki/Topics
-status: needs_review
-canonical_id: self
-aliases: [P-Reinforce-AI-047]
-duplicate_of: none
+status: duplicate
+canonical_id: wiki-2026-0508-concept-drift
+duplicate_of: "[[Concept-Drift]]"
+aliases: [개념 드리프트, model decay, 데이터 드리프트]
 source_trust_level: A
-confidence_score: 0.96
-tags: [ai, machine learning, mlops, data science]
-raw_sources: []
-last_reinforced: 2026-06-XX
-github_commit: "[P-Reinforce] Processed Concept Drift (개념 드리프트)."
-inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
+confidence_score: 0.93
+verification_status: redirected
+tags: [duplicate, concept-drift, mlops]
+last_reinforced: 2026-05-10
+github_commit: pending
 ---
 
-# [[Concept Drift (개념 드리프트)]]
+# Concept Drift (개념 드리프트)
 
-## 📌 한 줄 통찰 (The Karpathy Summary)
-> 시간이 지남에 따라 데이터의 통계적 특성이나 생성 메커니즘 자체가 변화하여, 이전에 학습된 AI 모델의 예측 정확도와 신뢰도가 점진적으로 떨어지는 현상이다.
+> **이 문서는 [[Concept-Drift]] 의 중복본입니다.** Canonical 문서로 redirect.
 
-## 📖 구조화된 지식 (Synthesized Content)
-- **정의:** 머신러닝 시스템이 배포되고 운영되는 환경에서 발생하는 데이터 분포의 변화를 의미한다. 이는 단순한 '데이터 부족' 이상의 근본적인 모델 성능 저하 문제다.
-- **유형 및 원인:**
-    1. **Covariate [[Shift]] (공변량 드리프트):** 입력 데이터 $P(X)$가 변하는 경우. (예: 특정 계절에만 발생하는 트래픽 패턴 변화).
-    2. **Concept Drift (개념 드리프트):** 실제 데이터 생성 과정 자체가 변하여, 같은 입력 $X$에 대한 레이블 $Y$의 조건부 확률 $P(Y|X)$가 변하는 경우. (예: 사용자의 구매 행동 패턴이 시대에 따라 근본적으로 변화).
-- **탐지 및 대응:** 
-    1. **모니터링:** 모델 예측 결과와 실제 데이터 분포 간의 KL Divergence, JS Divergence 등을 주기적으로 측정하여 이상 징후를 포착한다.
-    2. **재학습 (Retraining):** 드리프트가 감지되면 최신 데이터를 반영하여 모델을 재학습하거나(Online Learning), 모델 자체를 업데이트해야 한다.
+## 핵심 요약
+- 매 어제 의 정답 = 매 오늘 의 오답.
+- 매 4 type: sudden, gradual, seasonal, incremental.
+- 매 detect: KS, PSI, domain classifier, Page-Hinkley.
+- 매 modern MLOps: Evidently, Alibi Detect, NannyML.
 
-## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
-- **과거 데이터와의 충돌:** 개념 드리프트는 '일회성 문제'가 아니라, AI/MLOps 운영의 *지속적인* 관리 영역임을 인식해야 하며, 이를 위한 자동화 파이프라인(Monitoring Pipeline) 구축이 필수적이다.
-- **정책 변화:** 최근에는 설명 가능한 AI (XAI) 기법을 결합하여, 모델이 왜 성능 저하를 겪고 있는지 '어떤 개념'에서 벗어났는지 진단하는 것이 중요해지고 있다.
+## 🔗 Graph
+- 부모: [[Concept-Drift]] (canonical)
 
-## 🔗 지식 연결 (Graph)
-- Parent: Model Collapse (모델 붕괴 현상)
-- Related: [[MLOps]] , Data Science in UX , Continuous Monitoring
-
----
-
-## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
-
-**언제 이 지식을 쓰는가:**
-- *(TODO)*
-
-**언제 쓰면 안 되는가:**
-- *(TODO)*
-
-## 🧪 검증 상태 (Validation)
-
-- **정보 상태:** needs_review
-- **출처 신뢰도:** A
-- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
-
-## 🧬 중복 검사 (Duplicate Check)
-
-- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
-- **처리 방식:** UPDATE (자동 정규화)
-- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
-
-## 🕓 변경 이력 (Changelog)
-
-| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
-|------|-----------|-----------|--------|
-| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
+## 🕓 변경 이력
+| 날짜 | 변경 |
+|---|---|
+| 2026-05-08 | Phase 1 |
+| 2026-05-10 | 중복 처리 |