---
id: DRIFT-001
category: Dev
confidence_score: 1.0
tags: [ai, machine-learning, [[MLOps|MLOps]], concept-drift, model-monitoring]
last_reinforced: 2026-04-26
---

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

## 📌 한 줄 통찰 (The Karpathy Summary)
> "어제의 정답이 오늘의 오답이 될 수 있음을 경계하라" — 시간이 흐름에 따라 입력 데이터와 타겟 변수 사이의 통계적 관계가 변하여, 잘 작동하던 AI 모델의 성능이 점진적으로 저하되는 현상.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 고정된 데이터셋으로 학습된 모델이 변화하는 현실 세계의 동역학(Dynamics)을 따라잡지 못해 예측 정밀도가 떨어지는 성능 열화 패턴.
- **주요 유형:**
    - **Sudden Drift:** 외부 요인으로 인해 갑자기 분포가 변함 (예: 팬데믹 발생 후 소비 패턴 변화).
    - **Gradual Drift:** 시간이 지나며 서서히 변함 (예: 기술 발전에 따른 단어 의미 변화).
    - **Incremental Drift:** 작은 변화들이 축적되어 큰 변화를 이룸.
    - **Recurring Drift:** 계절적 요인처럼 주기적으로 나타나는 변화.
- **대응 전략:** 실시간 모델 성능 모니터링, 데이터 분포 차이(K-S test 등) 측정, 주기적인 모델 재학습(Retraining), 온라인 학습(Online Learning) 도입.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 한 번 배포된 모델은 영원히 작동할 것이라는 안일한 가정에서 벗어나, 모델의 '유효 기간'을 관리해야 하는 MLOps적 관점으로 전환.
- **정책 변화:** Antigravity 프로젝트는 위키 지식의 최신성을 유지하기 위해, 새로운 정보가 유입될 때 기존 지식과의 정합성을 체크하고 개념 드리프트가 감지되면 해당 지식을 업데이트 목록으로 자동 분류함.

## 🔗 지식 연결 (Graph)
- [[MLOps|MLOps]], [[Statistical-Learning-Theory|Statistical-Learning-Theory]], [[Data-Flywheel-Effect|Data-Flywheel-Effect]], [[Uncertainty-Quantification|Uncertainty-Quantification]]
- **Raw Source:** 10_Wiki/Topics/AI/Concept-Drift.md