Terug naar begrippenlijst
Modeldrift
Modeldrift is het verschijnsel waarbij een AI-model na verloop van tijd minder goed gaat presteren, omdat de data, context of werkelijkheid verandert. Een model dat eerst prima voorspellingen deed, kan daardoor langzaam de aansluiting verliezen. Niet omdat het model ineens kapot is, maar omdat de wereld waarop het ooit is getraind intussen verder is gegaan.
Inhoudsopgave
Als de werkelijkheid het model inhaalt
Een AI-model leert op basis van data uit een bepaald moment of een bepaalde periode. Zolang die situatie redelijk stabiel blijft, werkt dat vaak prima. Maar in de praktijk verandert er van alles. Klantgedrag verschuift, markten bewegen, producten veranderen en seizoensinvloeden spelen mee.
Stel dat je een model hebt dat voorspelt welke leads waarschijnlijk converteren. Dan kan dat model jarenlang nuttig lijken, totdat je doelgroep ander gedrag gaat vertonen of je propositie verandert. Opeens herkent het systeem patronen die ooit waardevol waren, maar nu minder zeggen. Dan ontstaat modeldrift.
Geen grote klap, maar een stille verschuiving
Juist dat maakt modeldrift verraderlijk. Het komt vaak niet met veel lawaai binnen. Een model geeft nog steeds output, dashboards blijven gevuld en processen lopen door. Alleen worden de voorspellingen ondertussen nét wat minder scherp. En dan nog wat minder. Tot iemand merkt dat de resultaten achterblijven.
Dat sluipt er vaak langzaam in. Een aanbevelingssysteem dat minder relevante suggesties doet. Een fraudemodel dat nieuwe vormen van misbruik mist. Of een klantenservice-oplossing die vragen steeds minder goed classificeert. Het model draait nog wel, maar de werkelijkheid is intussen opgeschoven.
Waarom modeldrift ontstaat
Modeldrift ontstaat meestal doordat de inputdata of de onderliggende patronen veranderen. Soms verandert de doelgroep. Soms komen er nieuwe producten of diensten bij. Soms verandert simpelweg de manier waarop mensen zoeken, klikken, kopen of reageren.
Ook externe factoren kunnen invloed hebben. Denk aan een wetswijziging, een economische verschuiving of een plotselinge trend. Wat eerst een logisch patroon was, hoeft later helemaal niet meer logisch te zijn. Een model blijft dan rekenen met oude aannames, terwijl de praktijk nieuwe spelregels hanteert.
Meten, monitoren en niet blind vertrouwen
Modeldrift laat goed zien waarom AI niet iets is dat je één keer bouwt en daarna rustig laat draaien. Een model heeft onderhoud nodig. Niet omdat het lastig is, maar omdat de wereld gewoon beweegt. Wie dat negeert, loopt het risico beslissingen te baseren op output die steeds minder betrouwbaar wordt.
Daarom is monitoring zo belangrijk. Je wilt weten of een model nog presteert zoals bedoeld, waar afwijkingen ontstaan en wanneer bijsturen nodig is. Soms is een kleine update genoeg. Soms moet een model opnieuw worden getraind. Hoe dan ook geldt: AI is geen set-and-forget-technologie, maar iets dat aandacht blijft vragen.
Veelgestelde vragen
Vaak aan dalende prestaties, minder nauwkeurige voorspellingen of output die steeds minder goed aansluit op de praktijk.
Door veranderende data, nieuwe omstandigheden, verschuivend klantgedrag of externe invloeden die eerdere patronen minder bruikbaar maken.
Nee, meestal ontstaat het geleidelijk. Juist daardoor kan het lang onopgemerkt blijven.
Door modellen te monitoren, prestaties regelmatig te evalueren en ze waar nodig opnieuw te trainen of aan te passen.
Bo Pennings CEO & AI specialist
Gerelateerde begrippen
- AI-assistent
- AI-video
- Chatbot
- Conversational AI
- DALL·E
- Data Readiness Check
- Deep Learning
- Deepfake
- Embeddings
- Generatieve AI
- Generative Adversarial Network
- Grok
- Machine Learning Operations
- Metrics
- OpenAI
- Perplexity
- Reinforcement Learning
- Sora
- Speech-to-Text
- Stable Diffusion
- Symbolische AI
- Text-to-Speech
- Transformer
- Validatie
