---
id: P-REINFORCE-AI-047
category: "10_Wiki/💡 Topics/AI & ML MLOps"
confidence_score: 0.96
tags: [ai, machine learning, mlops, data science]
last_reinforced: 2026-06-XX
github_commit: "[P-Reinforce] Processed Concept Drift (개념 드리프트)."
---

# [[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.

## 📖 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.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **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.

## 🔗 지식 연결 (Graph)
- Parent: [[Model Collapse (모델 붕괴 현상)|Model Collapse (모델 붕괴 현상)]]
- Related: [[MLOps|MLOps]] , [[Data-Science-in-UX|Data Science in UX]] , Continuous Monitoring
- Raw Source: 00_Raw/Concept Drift (개념 드리프트).md
---