解析：
使用者行為模式隨時間改變，導致訓練資料的統計特徵不再反映當前情況，這是典型的資料漂移（Data Drift）現象，會影響模型推論效果。
你有沒有在模型上線後，表現突然開始掉分時，還在想這件事到底該怎麼看？
把它想成考卷內容換了，模型學過的答案不太管用了。 訓練資料和上線資料分布不同，模型就可能越用越不準。 它是 MLOps 裡很重要的監控指標，因為環境真的會變。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
overfitting vs 模型過擬合：模型過擬合像學生死記硬背課本，考卷稍微變形就不會；資料漂移則像考卷內容完全換了，學生學的知識根本用不上，是外部環境變化導致的問題。 常見混淆：資料漂移 vs overfitting 過擬合是模型背太熟，資料漂移是外部資料分布變了。
記住這句就好
資料分布變了，模型就可能跟著失準。
實際案例
電商推薦 節日、季節和商品組合一變，使用者行為分布也跟著變。 風控模型 詐欺手法更新後，原本的特徵可能不再有效。
算法與應用
- 資料漂移看的是輸入分布變化，不一定等於模型本身壞掉。
- 常用指標有 KS 檢定、KL 散度和 Wasserstein 距離。
- 發現漂移後，常見做法是重新訓練、調整特徵或改監控策略。
情境判斷
Q1： 模型訓練時很好，上線後突然變差，先懷疑什麼？
先懷疑資料漂移或資料管線出了變化。
Q2： 如果只是模型自己參數不穩，還算資料漂移嗎？
不算，那比較像模型問題；漂移重點是輸入資料分布變了。
常見問題
如何量化資料漂移的程度？
量化資料漂移程度可以使用多種統計指標，例如 Kolmogorov-Smirnov 檢驗的 D 值、KL 散度、Wasserstein 距離等。這些指標可以衡量訓練資料和實際應用資料分布之間的差異程度，數值越大表示漂移程度越高。選擇哪種指標取決於資料的類型和分布特性。
有哪些常用的資料漂移檢測工具？
常用的資料漂移檢測工具包括 TensorFlow Data Validation (TFDV)、Evidently AI、NannyML 等。這些工具可以自動計算資料的統計特性，並檢測是否存在資料漂移。它們通常提供可視化界面，方便使用者分析和理解資料漂移的原因。
如何有效地處理資料漂移？
處理資料漂移的方法包括重新訓練模型、調整模型參數、使用線上學習算法、以及進行資料增強等。重新訓練模型是常見的方法，但需要注意避免過擬合。線上學習算法可以不斷學習新的資料，以適應資料分布的變化。資料增強可以通過合成新的資料來擴充訓練集，以減少資料漂移的影響。
範例考題
某企業將機器學習模型部署於線上推薦系統。模型在測試階段表現良好，但上線數月後，點擊率與預測準確度逐漸下降。經分析發現，近期使用者行為模式與模型訓練期間的資料特徵出現顯著變化。此現象最可能屬於下列何者？
- A. 模型過度擬合訓練資料，無法泛化至未知樣本
- B. 特徵工程設計不佳，導致輸入資訊不足
- C. 資料統計特徵隨時間改變，影響模型推論效果 ✓ 正確答案
- D. 系統資料結構調整，造成特徵欄位錯置