● Риск / Уровень: продвинутый / Q2 · 2026 / 145 из 147

Дрейф модели.

постепенное снижение качества ответов модели из-за изменения данных

Короткий
ответ ↳

Дрейф модели — постепенное снижение качества её ответов, которое происходит из-за того, что реальные данные и запросы со временем меняются, а сама модель по-прежнему опирается на данные, на которых её обучили или настроили изначально. Дрейф касается любых моделей машинного обучения, включая классификаторы, системы скоринга и рекомендательные алгоритмы, а большие языковые модели — лишь частный случай.

01 Простыми словами

Похоже на карту города, которая перестаёт совпадать с реальностью: разметка дорог осталась прежней, а в городе уже построили новые кварталы и закрыли старые проезды. Модель работает по тому же принципу — она отвечает на основе данных определённого момента времени, а мир вокруг постепенно меняется.

В одной фразе — дрейф модели — это постепенное расхождение между тем, чему модель научилась, и тем, как всё устроено на самом деле сейчас.

02 Как это работает

Дрейф обычно проявляется по одному из двух сценариев, и различать их полезно, потому что каждый требует своего способа диагностики.

Дрейф данных — характеристики входящих запросов меняются: новые товары в каталоге, новые формулировки вопросов клиентов, сезонные изменения спроса и поведения покупателей.
Дрейф понятия — сама связь между вопросом и правильным ответом со временем меняется: то, что раньше считалось мошенничеством или спамом, теперь определяется по совсем новым признакам.
Оба сценария постепенно снижают точность модели, даже если её код и настройки остаются без изменений.
Заметить дрейф помогает регулярный мониторинг: сравнение качества текущих ответов модели с эталонным датасетом и отслеживание доли ответов, которые пришлось скорректировать вручную.

Когда дрейф обнаружен, модель дообучают на свежих данных или настраивают заново — эта процедура входит в регулярный цикл работы с любой моделью, которая работает на реальных данных.

03 Где применяется

Служба поддержки. Классификатор обращений постепенно хуже распознаёт новые формулировки жалоб клиентов при долгом отсутствии переобучения.
Финансы. Модель скоринга клиентов теряет точность, если структура заявок или поведение заёмщиков со временем меняются под влиянием экономической ситуации.
Электронная коммерция. Рекомендательная система начинает предлагать неактуальные товары, если каталог обновляется быстрее, чем модель успевает под него подстроиться.
Антифрод. Модель обнаружения мошенничества теряет чувствительность к новым схемам обмана, которые появились уже после последнего обучения на исторических данных.
HR. Модель отбора резюме может начать хуже находить релевантных кандидатов, если формулировки вакансий или требования рынка заметно поменялись за последние месяцы.
Руководство. Регулярный мониторинг дрейфа помогает заметить проблему по метрикам раньше, чем это станет заметно клиентам.

04 Строки лога мониторинга модели

Фрагмент еженедельного отчёта мониторинга модели, которая классифицирует обращения в поддержку, — разберём строки по одной.

точность за неделю: 91% (было 96%) — ключевая метрика: доля обращений, которые модель определила верно; падение за одну неделю уже заметно.
доля ручных исправлений: 14% (было 6%) — как часто оператору приходится вручную менять категорию, которую предложила модель; рост этой доли — прямой сигнал дрейфа.
новые категории обращений: 3 — за неделю появилось три новых типа вопроса клиентов, отсутствовавших в обучающей выборке модели.
последнее переобучение: 4 месяца назад — чем больше времени прошло с последнего обновления модели на свежих данных, тем выше риск, что она отстала от реальности.

По совокупности этих четырёх строк аналитик делает вывод: пора запускать переобучение модели на свежей выборке обращений, включая три новые категории, вместо того чтобы ждать более резкого падения точности.

05 Ограничения и ошибки

Дрейф происходит постепенно и почти незаметно — без регулярного мониторинга падение точности можно заметить только тогда, когда клиенты уже столкнулись с откровенно плохими ответами.
Слишком частое переобучение дорого и рискованно — каждое обновление модели стоит проверять на тестовой выборке, прежде чем разворачивать в проде.
Метрики точности без разбивки по категориям могут выглядеть стабильными в среднем, пока одна конкретная категория уже деградировала заметно, — общий показатель маскирует локальную проблему.
Дрейф понятия — например, изменение признаков мошенничества — сложнее заметить по обычным метрикам, чем дрейф данных, и требует отдельного анализа новых случаев вручную.
Полностью автоматический мониторинг дрейфа без периодической проверки живым человеком рискует пропустить нестандартный редкий случай, который по формальной метрике выглядит несущественным отклонением.

Правило — сравнивайте метрики модели по неделям вместо разового взгляда раз в квартал: дрейф часто нарастает быстрее, чем кажется на длинном интервале.

Мониторинг похожей природы — в статье про ИИ для антифрод-мониторинга транзакций. Регулярный мониторинг моделей проще выстроить сразу при внедрении — с этим справляется ИИ-консалтинг.

// 06 · от практики

Как мы применяем Дрейф модели в работе с клиентами

В практике «Зинин × Штурбин» мы закрываем Дрейф модели на вашем проекте — это часть формата стратегический совет. На реальных задачах это падение точности классификатора, рост доли ошибочных ответов и подобное. Рядом разбираем Fine-tuning — термины в словаре связаны так же, как в работе.

Не консультируем абстрактно: команда уходит с навыком и рабочим процессом, который применяет сама. Посмотреть программы и цены →

// 08

Частые вопросы

01 Чем дрейф модели отличается от обычной ошибки в коде?

Ошибка в коде — это баг, который можно найти и исправить один раз. Дрейф — постепенный процесс: код и настройки остаются прежними, а качество ответов снижается из-за изменения реальных данных.

02 Как часто нужно проверять модель на дрейф?

Регулярно, обычно еженедельно или ежемесячно в зависимости от того, как быстро меняются данные в конкретной задаче, — для быстро меняющихся сфер вроде антифрода интервал короче.

03 Можно ли полностью предотвратить дрейф модели?

Полностью убрать риск сложно, потому что реальные данные меняются постоянно. Регулярный мониторинг и переобучение позволяют вовремя заметить проблему и обновить модель.

04 Кто в компании обычно следит за дрейфом модели?

Обычно специалист по данным или разработчик, который отвечает за конкретную модель, — он следит за метриками и принимает решение о переобучении.

05 Влияет ли дрейф на большие языковые модели вроде GPT?

Да, хотя чаще это заметно у специализированных моделей — классификаторов и систем скоринга. У больших языковых моделей дрейф проявляется в основном как устаревание фактов о мире.

06 Что делать при обнаружении дрейфа модели?

Собрать свежую выборку данных, включая новые категории или сценарии, дообучить или настроить модель заново и проверить результат на тестовой выборке перед запуском.

Понимаем — учим
работать с Дрейф модели
внутри команды.

Час бесплатной диагностики: разбираем 2–3 ваших процесса и говорим прямо, где AI окупится за квартал, а где брать рано. Знания остаются у вашей команды.

Discovery call · 1 час @Aleksei_Shturbin