部署后分布漂移监测

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。

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。

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

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