罗盘 / 部署后分布漂移监测
暗星档案 · 未点亮的星部署后分布漂移监测
本条为初评草案（AI 辅助编目）：T 阶为三问初评（撬动面 × 停滞度 × 临界性），双评过 σ 门并红蓝复核后才升"已建档"。查不到的字段留空不编。点亮者会进入亮星候选流程，其贡献与星阶按 HCF 独立重评，不从暗星自动继承。
部署后分布漂移监测T4 量级 · 亮星
模型上线之后，世界变了它却不知道
暗星编号DS-0766
轴A · 可及性与成员福祉
领域ai-computing
状态初评草案 · 待双评与红蓝复核
这是什么 · 为什么难
机器学习模型上线后，现实世界的数据分布会随时间漂移（用户行为、市场环境和季节性变化等），模型性能可能悄然下降。2025 年一项全球 91 名机器学习从业者调查中，77% 表示会监测生产系统，23% 表示不会监测；这个样本说明监测仍有缺口，但不能无条件外推到整个行业。攻破意味着建立可靠、低成本、尽量减少标注依赖的漂移与退化检测机制，让实际损失发生前就能告警或触发处置。
卡在哪 · 机制级卡点
现有统计检验方法（KS检验、JS散度、Hellinger距离）能检测输入数据分布变化，但「输入变了」不等于「模型性能真的下降了」，在缺乏及时标注反馈的场景（如信贷审批数周后才知道是否违约）中，如何仅凭特征分布或模型内部信号可靠推断性能退化仍是未解问题。
谁在攻
商业化工具厂商 Evidently、WhyLabs、Fiddler、Arize 等在此领域持续迭代产品，具体技术突破归属未逐一核实
怎么参与
用 Evidently 开源库为一个真实业务模型搭建漂移监测仪表盘，观察不同类型漂移的检测灵敏度