---
title: "模型監控（Model Monitoring）"
slug: model-monitoring
language: zh-TW
source: https://aiterms.tw/terms/model-monitoring
updated_at: 2026-04-29
tags: [模型部署, 模型評估, MLOps, 異常偵測, AI應用]
ipas_term: false
---

# 模型監控（Model Monitoring）

> **你有沒有想過，模型上線後不是放著就好，而是要持續看它有沒有變差？**
>
> 你可以把模型監控想成，持續觀察輸入資料、輸出結果、延遲和錯誤率，看看模型還正不正常。
> 它重要在於，模型會隨著資料漂移、業務變動和系統壓力慢慢失準。
>
> 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

> **模型監控 vs 系統監控**
>
> 模型監控：看預測品質、資料漂移和模型行為。
> 系統監控：看 CPU、記憶體、延遲和錯誤率。
> 最關鍵的區別：前者關心模型有沒有變笨，後者關心服務有沒有壞。

> **模型監控 vs 模型部署**
>
> 模型部署：把模型送上線。
> 模型監控：上線後持續看它有沒有出問題。
> 最關鍵的區別：前者是上線，後者是觀察。

### 記住這句就好

> 上線不是結束，還要持續盯表現。

### 實際案例

> **詐欺模型監控**
>
> 如果交易量突然暴增，但模型命中率下降，就要檢查是不是資料型態變了。

> **推薦模型監控**
>
> 當使用者興趣改變時，點擊率會慢慢下滑，監控可以提早發現這種漂移。

### 算法與應用

> 常看指標包括延遲、錯誤率、輸入分布、預測分布和業務 KPI。
> 很多問題不是立刻壞掉，而是慢慢漂移，這也是監控最有價值的地方。
> 若系統能自動告警和回滾，維運成本會低很多。

### 情境判斷

> **Q1（情境題）：** 如果模型表面上還能回應，但命中率一路下降，這算正常嗎？
>
> → 不正常。模型可能已經漂移，只是服務還沒壞。

> **Q2（情境題）：** 如果流量很低，模型監控還有必要嗎？
>
> → 有必要，但可簡化。流量低不代表不會資料漂移或版本失配。

### 常見問題

> **Q：模型監控一定要即時嗎？**
>
> 不一定。看任務風險，有些場景即時，有些日更或週更就夠。

> **Q：它和 A/B 測試有關嗎？**
>
> 有關，但不是同一件事。A/B 測試比較兩個版本，監控是持續看單一版本狀態。

> **Q：沒有標籤資料也能監控嗎？**
>
> 可以先看輸入分布、輸出分布和系統指標，只是要評估模型品質會比較難。

### 相關術語

> - **資料漂移**：模型監控最常抓的異常之一。
> - **模型部署**：監控是部署後必須接上的環節。
> - **模型登錄庫**：版本對不上時要靠它追查。
> - **機器學習維運**：監控是維運的核心工作。

---

來源：https://aiterms.tw/terms/model-monitoring
快查頁：https://aiterms.tw/terms/model-monitoring
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-model-monitoring