Drift bezeichnet im ML-Kontext die schleichende Veränderung der statistischen Eigenschaften von Eingabedaten, Zielgrößen oder der zugrunde liegenden Realität, die dazu führt, dass ein einmal gut trainiertes Modell im Laufe der Zeit weniger genaue Vorhersagen macht. Drift ist unvermeidlich: Die Welt verändert sich, und ein Modell, das auf historischen Daten trainiert wurde, wird früher oder später mit einer Realität konfrontiert, die nicht mehr seiner Trainingsbasis entspricht.
Drift ist tückisch, weil er oft graduell und unmerklich entsteht: Das Modell degradiert nicht über Nacht, sondern verschlechtert sich langsam über Wochen oder Monate. Ohne aktives Monitoring bleibt Drift lange unentdeckt – und der Schaden akkumuliert sich still. In automatisierten Entscheidungsprozessen können falsch werdende Modelle über lange Zeit fehlerhafte Entscheidungen im großen Maßstab produzieren.
Drift-Typen und ihre Ursachen
Data Drift Eingabedaten verändern sich: Die Verteilung der Features (Alter, Einkommen, Produktkategorien) verschiebt sich gegenüber den Trainingsdaten – ohne dass sich der zugrundeliegende Zusammenhang ändert. Häufigste Drift-Form.
Concept Drift Zusammenhänge in der Realität ändern sich: Der Zusammenhang zwischen Features und Zielgröße verändert sich fundamental. Beispiel: Nach einer Wirtschaftskrise korrelieren andere Faktoren mit Kreditausfällen. Schwieriger zu erkennen.
Prediction Drift Modellausgaben verändern sich: Die Verteilung der Vorhersagen (z. B. mehr Ablehnungen, andere Konfidenzverteilung) ändert sich – erkennbar auch ohne Ground-Truth-Labels. Früher Hinweis auf Data oder Concept Drift.
Feature Drift Einzelne Features verändern sich stark: Spezifische Eingabemerkmale zeigen drastische Verteilungsverschiebungen – oft durch neue Produkte, geänderte Prozesse oder externe Ereignisse verursacht.
Drift erkennen
- PSI (Population Stability Index): Vergleicht Feature-Verteilungen zwischen Trainings- und Produktionsdaten. PSI unter 0,1 = stabil, 0,1–0,2 = moderate Veränderung, über 0,2 = kritischer Drift
- KL-Divergenz: Informationstheoretisches Maß für den Unterschied zwischen zwei Wahrscheinlichkeitsverteilungen – je höher, desto mehr Drift
- Kolmogorov-Smirnov-Test: Statistischer Test auf Verteilungsgleichheit zwischen zwei Datensätzen – gibt p-Wert für Signifikanz des Drifts
- Monitoring-Dashboards: Feature-Verteilungen visualisiert über Zeit – Drift wird als Verschiebung der Histogramme sichtbar, lange bevor die Qualitätsmetriken fallen
Praxisbeispiel
Ein Versicherungsunternehmen betreibt ein Schadensklassifikationsmodell. Im März 2020 – Beginn der Corona-Pandemie – tritt massiver Concept Drift auf: Das Modell wurde trainiert auf Schadensmuster von 2017–2019. Plötzlich entstehen völlig neue Schadenstypen (Betriebsunterbrechung durch Pandemie, Reiserücktrittsversicherung in nie gesehenem Volumen) und bisherige Muster verschwinden (Kfz-Schäden stark rückläufig wegen Lockdown). Feature-Drift-Dashboard zeigt massive PSI-Werte über 0,5 für Schadens-Kategorien und Volumina. Modellqualität fällt innerhalb von 3 Wochen von F1=0,89 auf F1=0,61. Reaktion: Notfall-Retraining mit aktuellen Daten, parallele manuelle Prüfung aller automatischen Entscheidungen während der Übergangsphase. Wichtige Lektion: Auch ein exzellentes Modell ist nicht immun gegen externe Schocks – Monitoring ist kein Nice-to-have.
