---
id: [[P-Reinforce|P-Reinforce]]-AI-[[Concept-Drift|Concept-Drift]]
category: Dev
confidence_score: 0.94
tags: [[MLOps|[MLOps]], ConceptDrift, DataScience, Monitoring]
last_reinforced: 2026-04-20
---

# [[Concept Drift (개념 드리프트)|Concept Drift (개념 드리프트)]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "어제의 정답이 오늘의 오답이 되는 현상." 데이터의 통계적 특성이 시간이 지남에 따라 변하여, 과거에 학습된 모델의 예측 성능이 실시간으로 하락하는 리스크를 의미한다.

## 📖 구조화된 지식 (Synthesized Content)
- **Types of Drift**:
    - **Sudden Drift**: 갑작스러운 사회적 변화(예: 팬데믹)로 소비자 패턴이 급변함.
    - **Gradual Drift**: 시간이 흐르며 조금씩 변화함(예: 언어의 변화, 인플레이션).
    - **Seasonal Drift**: 특정 주기마다 반복되는 변화.
- **Detection Strategies**:
    - **Statistical Tests**: 데이터 분포의 차이를 측정(P-value, KL-divergence 등).
    - **Performance Monitoring**: 정확도, 정밀도 등의 지표가 임계값 아래로 떨어지는지 감시.
- **Adaptation**: 모델 지속적 재학습(Continuous Retraining), 온라인 학습(Online Learning), 앙상블 가중치 업데이트 등을 통해 대응한다.

## ⚠️ 모순 및 업데이트 (RL Update)
- 개념 드리프트와 데이터 드리프트(Data Drift)를 혼동해서는 안 된다. 데이터 드리프트는 입력 데이터($X$)의 분포 변화이고, 개념 드리프트는 입력과 출력의 관계($P(Y|X)$) 자체가 변하는 것이다. 개념 드리프트가 발생하면 모델의 '로직' 자체가 유효하지 않게 되므로 훨씬 더 위험하다.

## 🔗 지식 연결 (Graph)
- Related: [[MLOps|MLOps]] , Model Collapse (모델 붕괴 현상)
- Comparison: [[Data Distillation (데이터 증류)|Data [[Distillation]] (데이터 증류)]]