對抗模型漂移——林愷毅如何解釋在正式環境中維持 AI 準確度
AI 模型通常不會在一夜之間失敗。 它們是逐漸偏離現實的。 模型在上線初期可能擁有極高的準確率，但幾個月後卻變得不再可靠。使用者行為改變、資料模式轉移，原本的假設悄悄失效。在部署後的前 100 天內， 林愷毅 經常強調一個核心事實：如果你沒有為漂移做好準備，AI 就會逐漸退化。 模型漂移不是錯誤。 它是在真實世界中運行 AI 的自然結果。 什麼是模型漂移 模型漂移發生在正式環境中的資料，已不再與模型訓練時的資料相符。 這會影響預測結果、信心分數，以及最終的業務成果。模型仍在運作，但它的判斷會逐漸失去相關性。 漂移的危險在於它非常隱蔽。當使用者開始抱怨時，損害往往已經發生。 兩種主要的模型漂移類型 資料漂移（Data Drift） 資料漂移發生在輸入資料改變時。 顧客行為、市場狀況或外部事件，都可能改變資料模式。即使是微小的變化，也可能隨時間累積成重大影響。 模型沒有改變。 改變的是世界。 概念漂移（Concept Drift） 概念漂移發生在輸入與輸出之間的關係改變時。 過去有效的訊號，可能不再重要。曾經合理的標註，也可能逐漸過時。 這類漂移更難偵測，忽略的代價也更高。 為什麼漂移是正式環境的問題 模型漂移很少在訓練階段出現。 它通常在部署後、真實使用者開始互動時才浮現。因此，漂移是一個營運問題，而不只是建模問題。 林愷毅將漂移視為一種提醒：AI 是一個持續運作的系統，而不是靜態資產。 在問題擴大前偵測漂移 監控輸入資料分佈 持續比較正式環境資料與訓練資料的差異。 當特徵分佈超出設定門檻時，就是早期警訊。你不需要完美準確，只需要可見性。 追蹤預測信心變化 信心分數的突然變化，通常代表漂移正在發生。 如果模型變得不確定，或反而異常自信，都值得深入調查。 趨勢比單一預測更重要。 不只監控模型，也要監控結果 單看準確率是不夠的。 轉換率、詐欺偵測成功率、客戶滿意度等業務指標，往往比技術儀表板更早揭露漂移。 當輸出不再帶來預期成果，模型很可能已經失準。 在不混亂的情況下重新訓練 定期重新訓練 有些系統適合固定週期更新。 每週或每月重新訓練，能讓模型貼近最新資料，特別適用於變化快速的環境。 自動化能讓這個流程保持穩定。 觸發式重新訓練 另一種做法，是在偵測到漂移時才重新訓練。 這能避免不必要的更新...
