資料漂移怎麼偵測？
某電商平台開發的顧客流失預測模型在上線數月後，預測準確率明顯下降。專案團隊懷疑顧客行為模式改變，導致模型輸入特徵的分佈與原始訓練資料不同，出現典型的資料漂移（Data Drift）問題。為了偵測並確認資料分佈是否發生變化，下列哪一種作法最合適？
一家電商的 AI 模型剛上線時很準，幾個月後準確率越來越低。團隊懷疑是「資料漂移」（Data Drift）造成的，也就是現在進來的顧客資料，跟當初訓練模型的資料，分佈已經不一樣了。
問你：如果你想確認「資料分佈到底有沒有改變」，應該用哪一種方法？
一句話總結
偵測資料漂移的直接方法是：計算訓練資料與現在進來的資料之間的 KL 散度（KL Divergence），數值越大代表分佈差越多，漂移越嚴重。
先感受問題：模型變笨了，但原因在哪？
假設你在「購物王」電商平台負責一個顧客流失預測模型，模型去年上線時準確率 88%，今年剩 71%。
你有兩個可能原因：
可能 2：模型本身就有問題，需要重新設計
在動手重訓模型之前，你要先搞清楚：到底有沒有漂移？漂移有多嚴重？哪個特徵漂移最多？
舉個例子。你的模型用了「每月平均消費金額」這個特徵。訓練資料是 2023 年的，平均消費大概落在 1,200 元，分佈集中在 800~1,600 元。
但 2024 年通膨加上促銷策略改變，現在顧客平均消費變成 2,800 元，分佈拉到 1,800~3,600 元。
模型完全沒看過這個範圍的資料，當然亂猜。
不量分佈差距，你根本不知道問題出在哪
直覺上你可能想到幾個「反應」：模型不準就重訓、讓模型更複雜、多收點測試資料。這些做法都沒有回答「分佈有沒有變」這個問題：
- 重新訓練（選項 A）是應對措施，不是偵測工具：你根本不知道漂移在哪裡就重訓，結果可能一樣糟。而且重訓成本高，要先確認真的需要才做。
- 讓模型更複雜（選項 B）解決不了問題根源：如果是資料分佈變了，更複雜的模型只是在新的錯誤分佈上過擬合，準確率可能短暫回升但根本沒解決。
- 增加測試資料量（選項 C）是評估模型，不是偵測分佈：你在測更多，但測的是什麼？如果測試集和訓練集的分佈本來就一樣，準確率可能看起來還行，但你會誤判「資料沒有漂移」。
- 沒有量化指標，不知道嚴不嚴重：感覺「好像不一樣」不夠。你需要一個數字來決定「值不值得重訓」。
- 不知道哪個特徵在漂移：模型可能有 50 個輸入特徵，你要知道是「消費金額」在漂還是「瀏覽頻率」在漂，才能針對性處理。
KL 散度：直接量「兩個分佈差多遠」
KL 散度（Kullback-Leibler Divergence，KL Divergence）是一個數學工具，可以直接計算「兩個分佈之間的距離」。
回到「購物王」的例子。你把訓練資料的「每月消費金額」分佈，和最近三個月線上資料的分佈，各自畫出來：
現在資料分佈 Q：集中在 1,800~3,600 元，峰值 2,800 元
KL(P || Q) = 0.87（數值高 → 漂移嚴重）
你同時也算了「瀏覽頻率」的 KL 散度：
結論很清楚：消費金額這個特徵嚴重漂移，瀏覽頻率幾乎沒變。你知道問題出在哪了，才能決定下一步（重新收集新資料、更新特徵工程、還是重訓模型）。
這就是選項 D 講的：計算輸入特徵分佈間的 KL 散度（KL Divergence）。
技術版：KL 散度的公式與實作
中級考試大概率會考程式碼跟公式，所以這部分你還是要學。但如果現在學起來很痛苦，可以先跳過，等讀完其他題目回頭再來。
KL 散度的公式（離散版本）：
KL(P || Q) = Σ P(x) × log( P(x) / Q(x) )P 是參考分佈（訓練時的資料），Q 是當前分佈（線上進來的資料）。
- 把訓練資料和現在資料各自「統計成直方圖」
- 對每個 bin（區間），計算「訓練資料的比例」和「現在資料的比例」
- 用公式把每個 bin 的差距加總
- KL 散度是 0 代表完全一樣，越大代表差越多
| 故事 | 程式碼 |
|---|---|
| 計算兩個分佈的 KL 散度 | from scipy.special import kl_div |
| 訓練資料直方圖（頻率） | p = np.histogram(train_data, bins=50, density=True)[0] |
| 現在資料直方圖（頻率） | q = np.histogram(live_data, bins=50, density=True)[0] |
| 加一個小值避免 log(0) | p += 1e-10; q += 1e-10 |
| 計算 KL 散度總和 | kl_score = np.sum(kl_div(p, q)) |
- P(x)
- 訓練資料在 x 這個值出現的機率。是你的「參考基準」。
- Q(x)
- 現在線上資料在 x 這個值出現的機率。要和 P 比較的對象。
- log( P(x) / Q(x) )
- 兩個機率的比值取 log。比值越大（Q 比 P 小很多）代表這個區間的差距越大。
- Σ（求和）
- 把所有 x 值的差距加起來，得到整體的漂移程度。
- KL = 0
- P 和 Q 完全一樣，沒有漂移。
- KL > 閾值
- 超過預設門檻（例如 0.1 或 0.5）就觸發漂移警報，通知團隊重新評估模型。
KL 散度是「非對稱的」：KL(P||Q) 和 KL(Q||P) 結果不同。通常用 P 是訓練分佈，Q 是線上分佈，表示「現在的資料偏離訓練資料多遠」。
若要對稱版本，可以用 JS 散度（Jensen-Shannon Divergence）：
M = (P + Q) / 2
JS(P, Q) = (KL(P||M) + KL(Q||M)) / 2JS 散度有界（0 到 1 之間），更適合設定固定閾值來觸發警報。
蓋住公式，說出偵測資料漂移的步驟：
- 取訓練資料和現在線上資料，各自統計成分佈
- 對每個特徵計算 KL 散度
- KL 散度越大代表漂移越嚴重
- 設定閾值，超過就觸發警報或重新評估
為什麼其他選項是錯的
A定期重新訓練模型以應對外部變化
設定一個排程，例如每個月重新拿新資料訓練一次，讓模型跟上資料的變化。
重新訓練是「應對漂移的手段」，不是「偵測漂移的方法」。題目問的是怎麼確認分佈有沒有變，而不是確認之後怎麼辦。而且盲目定期重訓有代價：計算資源、時間、可能的模型退化風險，應該在確認有漂移後才執行，不是無條件定期跑。
直覺認為「模型不準就重訓」的考生。記住：偵測和應對是兩件事。先量清楚有沒有漂移、漂移在哪，再決定要不要重訓。
B提升模型複雜度以捕捉更多資料變異性
讓模型從簡單的（例如線性迴歸）換成更複雜的（例如深度神經網路），希望更複雜的模型可以處理更多樣的資料。
複雜度解決的是「模型能力不足（underfitting）」的問題，不是資料分佈改變的問題。如果現在的資料分佈已經偏移到訓練時從未見過的範圍，再複雜的模型也是對著錯誤的分佈過擬合，治標不治本。更複雜的模型還可能加重過擬合。
把「模型不準」直接歸因於「模型太簡單」的考生。要先排除資料問題，才能考慮模型本身的問題。資料漂移和模型容量是兩個獨立的診斷維度。
C增加測試資料量以提高評估準確度
蒐集更多測試資料來跑評估，讓準確率數字更穩定、更可信。
增加測試資料量可以讓評估結果更穩定，但它沒辦法告訴你「分佈有沒有變」。如果你的測試集也是舊資料，準確率看起來好看也不代表沒有漂移；如果測試集換成新資料，你只是在量「新資料上的表現」，還是沒有比較分佈的差異。
習慣用「多收資料」解決問題的考生。注意：測試資料量影響的是評估的統計信心，不是分佈差距的量化。偵測分佈是否改變需要「比較兩個分佈」，而不是「收更多同一批分佈的資料」。
同個考點下次怎麼變形
KL 散度等於 0 代表什麼？等於 ∞ 代表什麼？
KL = 0 完全沒漂移，KL 越大漂移越嚴重。那極端情況是什麼？
KL = 0 代表兩個分佈完全一致，沒有任何漂移。KL → ∞ 出現在「Q(x) = 0 但 P(x) > 0」的情況，也就是訓練資料裡某個值存在，但現在根本沒有出現過，公式裡 log(P/Q) 趨近無限大。實務上要加平滑項（+1e-10）避免除以零。
只看模型準確率能偵測到資料漂移嗎？
準確率下降不就代表有問題了？
不夠。有兩種漂移情況：「輸入特徵分佈改變（Covariate Drift）」和「標籤分佈改變（Label Drift）」。如果沒有即時的真實標籤（很多線上模型的真實答案要幾週後才知道），你根本算不出準確率，漂移就被延遲發現了。KL 散度只需要輸入特徵，不需要等標籤回來，偵測速度快得多。
除了 KL 散度，還有哪些常見的分佈漂移偵測方法？
KL 散度只是其中一種，考試可能問到其他的。
常見的有：(1) Population Stability Index（PSI，群體穩定性指標）：和 KL 散度類似但對稱，常用於金融風控；(2) Kolmogorov-Smirnov 檢定（KS Test）：統計假設檢定，判斷兩個分佈是否顯著不同；(3) Wasserstein 距離（推土機距離）：計算「把一個分佈變成另一個需要移動多少土」；(4) 直方圖比對：最直覺的視覺化方式。
資料漂移在醫療 AI 中有什麼特別的挑戰？
醫療 AI 用的資料（病歷、影像）也會漂移？
會，而且後果更嚴重。醫療漂移來源包括：設備升級（新版 MRI 機器拍出的影像分佈不同）、病患族群改變（疫情改變了哪種病人會來醫院）、診療標準更新（診斷定義改變導致標籤分佈偏移）。醫療 AI 漂移監控要求更嚴格，通常需要定期的臨床驗證，而不只是自動化的統計偵測。
怎麼設定 KL 散度的「漂移警報門檻」？
KL 散度多大才算「嚴重」？0.1？0.5？1.0？
沒有固定標準，門檻要根據業務情境設定。常見做法：(1) 在模型剛上線的前幾週（資料分佈最穩定時）計算 KL 散度當作基準值，之後超過基準的 2~3 倍就警報；(2) 對業務影響較大的特徵設較低門檻（例如 KL > 0.1 就警報），對影響較小的特徵設較高門檻；(3) 結合業務指標（如轉換率、流失率）一起監控，讓門檻有業務意義。
想再往下看，這 5 個
- 資料漂移（Data Drift）模型上線後輸入特徵分佈偏離訓練資料的現象，是本題電商模型效能下降的根本原因。
- KL散度（KL Divergence）衡量兩個機率分佈差異的指標，本題正解工具，數值越大代表分佈偏移越嚴重。
- 模型監控（Model Monitoring）上線後持續追蹤模型表現的系統，資料漂移偵測是其核心功能之一，KL 散度可作為監控觸發條件。
- 概念漂移（Concept Drift）輸入與輸出之間的關係隨時間改變，與特徵分佈漂移不同，兩者常被混淆但需要不同的偵測策略。
- 資料管線（Data Pipeline）持續將新資料輸入模型的工程基礎設施，漂移偵測需要在管線中嵌入分佈比對邏輯才能自動化監控。