Waarom is dit belangrijk?
Het bijhouden van modeldrift maakt het mogelijk een model op tijd te controleren, zodat de voorspellingen bruikbaar blijven. In de zorg ondersteunen voorspellende modellen de klinische zorg en de volksgezondheid, maar hun nauwkeurigheid kan na verloop van tijd dalen. Voor patiënten en zorgverleners betekent dat een risico op foute inschattingen, omdat die daling in de praktijk vaak niet wordt gemeten.
Zo werkt het in de praktijk
In de ICT-beveiliging volgen teams modeldrift bij spamfilters, fraudeopsporing en malwareherkenning. Aanvallers veranderen hun gedrag, dus oude modellen raken minder goed. De University of Glasgow bouwt een model voor de energiemarkt dat meebeweegt met verschuivende prijsgegevens, om stiekeme prijsvervalsing te herkennen.
Onderzoek naar beveiliging vraagt of een model blijft kloppen als aanvallen veranderen. Een overzicht van dertig systemen laat zien dat een korte test te gunstig kan zijn. Onderzoekers vragen tests die de tijdvolgorde bewaren.
Professionals koppelen modeldrift aan DDM (volgt het foutpercentage) en ADWIN (vergelijkt recente en oudere gegevens). Bij een signaal trainen teams het model opnieuw, soms met regelkaarten uit de statistische procesbewaking.




