docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,290 @@
|
||||
---
|
||||
id: wiki-2026-0508-concept-drift
|
||||
title: Concept Drift
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [개념 드리프트, data drift, distribution shift, model decay, MLOps monitoring, retraining]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.93
|
||||
verification_status: applied
|
||||
tags: [mlops, concept-drift, data-drift, model-monitoring, retraining, distribution-shift, kl-divergence, evidently]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: Evidently / Alibi Detect / Whylogs / scikit-multiflow
|
||||
---
|
||||
|
||||
# Concept Drift
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 어제 의 정답 의 매 오늘 의 오답"**. 매 train-time data 의 distribution 의 deviate over time. 매 ML 의 silent killer. 매 monitoring + 매 retraining 의 essential. 매 modern: 매 LLM 의 knowledge cutoff 의 same problem.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 4 type
|
||||
1. **Sudden / Concept**: 매 abrupt change (COVID).
|
||||
2. **Gradual**: 매 slow shift (inflation, language).
|
||||
3. **Seasonal / Recurring**: 매 cyclic.
|
||||
4. **Incremental**: 매 transition period.
|
||||
|
||||
### 매 distinction
|
||||
- **Concept drift**: P(y|X) 변화 — 매 same input 의 다른 output.
|
||||
- **Data drift / Covariate**: P(X) 변화 — 매 input distribution.
|
||||
- **Label drift**: P(y) 변화 — 매 target frequency.
|
||||
- **Prior probability shift**.
|
||||
|
||||
### 매 detection
|
||||
|
||||
#### Statistical
|
||||
- **KS test** (Kolmogorov-Smirnov): 매 univariate.
|
||||
- **Chi-square**: 매 categorical.
|
||||
- **PSI** (Population Stability Index): 매 industry standard.
|
||||
- **KL / JS divergence**: 매 distribution distance.
|
||||
- **Wasserstein**.
|
||||
|
||||
#### ML-based
|
||||
- **Domain classifier**: 매 train vs current 의 separability.
|
||||
- **DDM** (Drift Detection Method).
|
||||
- **EDDM** (Early DDM).
|
||||
- **Page-Hinkley**.
|
||||
- **ADWIN** (Adaptive Windowing).
|
||||
|
||||
#### Performance-based
|
||||
- 매 accuracy / loss 의 monitor.
|
||||
- 매 lag (label availability).
|
||||
|
||||
### 매 adaptation
|
||||
1. **Periodic retrain**: 매 cron schedule.
|
||||
2. **Trigger-based**: 매 drift detect → train.
|
||||
3. **Online learning**: 매 streaming.
|
||||
4. **Ensemble** with weight update.
|
||||
5. **Sliding window**.
|
||||
6. **Active learning**: 매 critical sample 의 label.
|
||||
|
||||
### 매 modern MLOps stack
|
||||
- **Evidently**: 매 drift report.
|
||||
- **Alibi Detect** (Seldon): 매 detection algo.
|
||||
- **Whylogs / WhyLabs**: 매 data profiling.
|
||||
- **NannyML**: 매 model performance estimation.
|
||||
- **Arize / Fiddler / Aporia**: 매 observability platform.
|
||||
|
||||
### 매 LLM 의 drift
|
||||
- **Knowledge cutoff**: 매 train date 후의 사실 X.
|
||||
- **Skill drift**: 매 fine-tune 의 base capability lose ([[Catastrophic-Forgetting]]).
|
||||
- **User distribution drift**: 매 new use case 의 emerge.
|
||||
- **Prompt drift**: 매 prompt template 의 stale.
|
||||
|
||||
### 매 응용
|
||||
1. **Fraud detection**: 매 fraud pattern evolve.
|
||||
2. **Recommendation**: 매 trend shift.
|
||||
3. **Pricing**: 매 market dynamic.
|
||||
4. **Spam**: 매 evasion technique.
|
||||
5. **Medical**: 매 disease pattern.
|
||||
6. **Demand forecasting**: 매 seasonality + 매 black swan.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Evidently drift report
|
||||
```python
|
||||
from evidently.report import Report
|
||||
from evidently.metric_preset import DataDriftPreset, TargetDriftPreset
|
||||
|
||||
reference = X_train.copy()
|
||||
current = X_prod_recent.copy()
|
||||
|
||||
report = Report(metrics=[
|
||||
DataDriftPreset(),
|
||||
TargetDriftPreset(),
|
||||
])
|
||||
report.run(reference_data=reference, current_data=current)
|
||||
report.save_html('drift_report.html')
|
||||
```
|
||||
|
||||
### PSI (Population Stability Index)
|
||||
```python
|
||||
import numpy as np
|
||||
|
||||
def psi(reference, current, n_bins=10):
|
||||
"""매 < 0.1: stable. 0.1-0.25: moderate drift. > 0.25: significant."""
|
||||
breaks = np.percentile(reference, np.linspace(0, 100, n_bins + 1))
|
||||
breaks[0] = -np.inf
|
||||
breaks[-1] = np.inf
|
||||
|
||||
ref_pct = np.histogram(reference, breaks)[0] / len(reference)
|
||||
cur_pct = np.histogram(current, breaks)[0] / len(current)
|
||||
|
||||
# 매 avoid log(0)
|
||||
ref_pct = np.where(ref_pct == 0, 0.0001, ref_pct)
|
||||
cur_pct = np.where(cur_pct == 0, 0.0001, cur_pct)
|
||||
|
||||
return np.sum((cur_pct - ref_pct) * np.log(cur_pct / ref_pct))
|
||||
```
|
||||
|
||||
### KS test
|
||||
```python
|
||||
from scipy.stats import ks_2samp
|
||||
|
||||
def detect_drift_ks(reference, current, threshold=0.05):
|
||||
stat, p_value = ks_2samp(reference, current)
|
||||
drifted = p_value < threshold
|
||||
return {'statistic': stat, 'p_value': p_value, 'drifted': drifted}
|
||||
```
|
||||
|
||||
### Domain classifier
|
||||
```python
|
||||
from sklearn.linear_model import LogisticRegression
|
||||
from sklearn.model_selection import cross_val_score
|
||||
import numpy as np
|
||||
|
||||
def domain_classifier_drift(X_ref, X_cur):
|
||||
"""매 ref vs current 의 separability."""
|
||||
X = np.vstack([X_ref, X_cur])
|
||||
y = np.array([0]*len(X_ref) + [1]*len(X_cur))
|
||||
|
||||
auc = cross_val_score(LogisticRegression(max_iter=1000), X, y, scoring='roc_auc', cv=5).mean()
|
||||
|
||||
# 매 0.5: no drift. 0.7+: significant.
|
||||
return {'auc': auc, 'drifted': auc > 0.7}
|
||||
```
|
||||
|
||||
### Page-Hinkley (online)
|
||||
```python
|
||||
class PageHinkley:
|
||||
"""매 streaming drift detection."""
|
||||
def __init__(self, delta=0.005, threshold=50):
|
||||
self.delta = delta
|
||||
self.threshold = threshold
|
||||
self.cumsum = 0
|
||||
self.min_cumsum = 0
|
||||
self.n = 0
|
||||
self.mean = 0
|
||||
|
||||
def update(self, x):
|
||||
self.n += 1
|
||||
self.mean += (x - self.mean) / self.n
|
||||
self.cumsum += x - self.mean - self.delta
|
||||
self.min_cumsum = min(self.min_cumsum, self.cumsum)
|
||||
|
||||
ph = self.cumsum - self.min_cumsum
|
||||
return ph > self.threshold # 매 drift detected
|
||||
```
|
||||
|
||||
### Sliding window retrain
|
||||
```python
|
||||
class SlidingWindowModel:
|
||||
def __init__(self, base_model, window_size=10000):
|
||||
self.base = base_model
|
||||
self.window_size = window_size
|
||||
self.X_window = []
|
||||
self.y_window = []
|
||||
|
||||
def add(self, X, y):
|
||||
self.X_window.extend(X)
|
||||
self.y_window.extend(y)
|
||||
if len(self.X_window) > self.window_size:
|
||||
self.X_window = self.X_window[-self.window_size:]
|
||||
self.y_window = self.y_window[-self.window_size:]
|
||||
|
||||
def retrain(self):
|
||||
self.base.fit(self.X_window, self.y_window)
|
||||
```
|
||||
|
||||
### Online learning (river)
|
||||
```python
|
||||
from river import linear_model, preprocessing, metrics
|
||||
|
||||
model = (preprocessing.StandardScaler() | linear_model.LogisticRegression())
|
||||
metric = metrics.ROCAUC()
|
||||
|
||||
for x, y in stream:
|
||||
y_pred = model.predict_proba_one(x)[True]
|
||||
metric.update(y, y_pred)
|
||||
model.learn_one(x, y)
|
||||
|
||||
print(metric) # 매 streaming AUC
|
||||
```
|
||||
|
||||
### Trigger-based retrain pipeline
|
||||
```python
|
||||
def retrain_if_drift(model, monitoring_data, reference):
|
||||
drift_score = psi(reference['features'], monitoring_data['features'])
|
||||
perf = evaluate(model, monitoring_data)
|
||||
|
||||
if drift_score > 0.25 or perf < ACCEPTABLE_PERFORMANCE:
|
||||
log(f'Retrain triggered: drift={drift_score:.3f}, perf={perf:.3f}')
|
||||
new_model = train(combined(reference, monitoring_data))
|
||||
if shadow_test(new_model, model, validation_set) > 0:
|
||||
promote_to_prod(new_model)
|
||||
return new_model
|
||||
return model
|
||||
```
|
||||
|
||||
### Shadow deployment
|
||||
```python
|
||||
def shadow_serve(request):
|
||||
"""매 prod model + 매 candidate model 의 둘 다 의 inference."""
|
||||
prod_pred = prod_model.predict(request)
|
||||
candidate_pred = candidate_model.predict(request)
|
||||
|
||||
log_for_comparison(request, prod_pred, candidate_pred)
|
||||
|
||||
return prod_pred # 매 user 의 only prod 의 see
|
||||
```
|
||||
|
||||
### LLM knowledge cutoff handling
|
||||
```python
|
||||
def llm_with_freshness(query):
|
||||
# 매 1. detect freshness need
|
||||
if needs_recent_info(query):
|
||||
# 매 RAG with recent docs
|
||||
context = search_recent(query, after=cutoff_date)
|
||||
return llm.generate(query, context=context)
|
||||
return llm.generate(query)
|
||||
```
|
||||
|
||||
## 🤔 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Static domain | Periodic retrain (monthly) |
|
||||
| Fast-moving | Online + drift trigger |
|
||||
| High-stakes | Shadow + canary |
|
||||
| Streaming | Online learning (river) |
|
||||
| Univariate | KS / PSI |
|
||||
| Multivariate | Domain classifier |
|
||||
| LLM | RAG + retrieval |
|
||||
|
||||
**기본값**: PSI + KS + performance monitor. 매 trigger threshold 의 drift detect 시 retrain.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[MLOps]] · [[Distribution-Shift]]
|
||||
- 변형: [[Data-Drift]] · [[Concept-Drift]]
|
||||
- Detection: [[PSI]] · [[KL-Divergence]]
|
||||
- Tool: [[Evidently]]
|
||||
- Adjacent: [[Catastrophic-Forgetting]] · [[Continual-Learning]] · [[Bias vs Variance Trade-off]] · [[Antifragility]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 production ML monitoring. 매 drift detection. 매 retrain trigger design. 매 LLM RAG freshness.
|
||||
**언제 X**: 매 closed system (no real-world distribution).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **No monitoring**: 매 silent decay.
|
||||
- **Performance metric 만**: 매 label lag.
|
||||
- **Single threshold**: 매 false alarm.
|
||||
- **Retrain without test**: 매 worse model.
|
||||
- **No baseline / reference**: 매 drift 의 measure X.
|
||||
- **LLM 의 knowledge cutoff 의 ignore**: 매 stale answer.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Evidently docs, Webb concept drift survey, Gama drift detection).
|
||||
- 신뢰도 A.
|
||||
- Related: [[Catastrophic-Forgetting]] · [[Continual-Learning]] · [[Antifragility]] · [[Causal-Inference]] · [[Benchmarks]].
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — types + detection methods + 매 PSI / KS / domain classifier / Page-Hinkley / online code |
|
||||
Reference in New Issue
Block a user