นักวิเคราะห์ข้อมูลพบว่าโมเดลทำนายที่ฝึกในเดือนมกราคมมีความแม่นยำ 92% แต่พอใช้งานในเดือนกรกฎาคมของปีเดียวกัน ความแม่นยำลดลงเหลือ 74% ทั้งที่ไม่มีการเปลี่ยนแปลงโมเดล ปรากฏการณ์นี้เรียกว่าอะไร
กData Drift หรือ Model Drift เพราะการกระจายตัวของข้อมูลในโลกจริงเปลี่ยนแปลงไปจากเวลาที่ฝึกโมเดล
ขBias-Variance Tradeoff เพราะโมเดลมีความแปรปรวนสูงเกินไป
คOverfitting เพราะโมเดลเรียนรู้จากข้อมูลฝึกมากเกินไป
งUnderfitting เพราะโมเดลไม่ซับซ้อนพอที่จะจับรูปแบบของข้อมูล
เฉลยอธิบาย
Data Drift (หรือ Concept Drift/Model Drift) เกิดขึ้นเมื่อการกระจายตัวของข้อมูลในโลกจริงเปลี่ยนแปลงไปจากข้อมูลที่ใช้ฝึกโมเดล เช่น พฤติกรรมผู้บริโภคเปลี่ยนตามฤดูกาล หรือสภาพเศรษฐกิจที่แตกต่างกัน ทำให้โมเดลเดิมไม่สามารถทำนายได้แม่นยำอีกต่อไป วิธีแก้คือ Monitoring, Retraining และการอัปเดตโมเดลอย่างสม่ำเสมอ ตัวเลือก A Overfitting เกิดระหว่างการฝึกไม่ใช่หลังจาก Deploy ตัวเลือก B Underfitting ความแม่นยำต่ำตั้งแต่ต้น และตัวเลือก D Bias-Variance Tradeoff เป็นแนวคิดการออกแบบโมเดลไม่ใช่สาเหตุประสิทธิภาพลดลงในภายหลัง