[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-drift-detection::ru":3,"gloss-cluster-drift-detection::ru":26,"gloss-next-drift-detection::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"drift-detection","mlops","Обнаружение дрейфа (Drift Detection)","Обнаружение дрейфа — это практика отслеживания статистических изменений между данными, на которых модель обучалась, и данными, которые она видит в продакшене. Дрейф данных означает, что сдвинулось распределение входов: новые сегменты пользователей, сезонное поведение, изменившееся вышестоящее поле. Дрейф концепции означает, что выученная моделью зависимость больше не работает, и вчерашний правильный ответ сегодня становится ошибкой. В обоих случаях модель тихо деградирует, хотя её код остаётся нетронутым. Поскольку модель заморожена, а мир продолжает меняться, дрейф — главная причина незаметно гниющих предсказаний. Команды фиксируют обучающее распределение как эталон, а затем сравнивают живой трафик с помощью метрик вроде индекса стабильности популяции (PSI) или KL-дивергенции и поднимают тревогу, когда признак пересекает порог. Для LLM- и RAG-продуктов аналог — отслеживание качества ответов, меняющихся пользовательских запросов и дрейфа эмбеддингов со временем. Практическая заметка: свяжите автоматические тревоги о дрейфе с запланированным прогоном оценки, чтобы всплеск запускал реальную проверку качества, а не просто мигал на дашборде.","Обнаружение дрейфа следит за статистическими сдвигами между обучающими и живыми данными: дрейф данных меняет входы, дрейф концепции — смысл целевой метки.",null,[11,14,17,20,23],{"slug":12,"name":13},"embedding-drift","Дрейф эмбеддингов (Embedding Drift)",{"slug":15,"name":16},"eval-harness","Испытательный стенд оценки (Eval Harness)",{"slug":18,"name":19},"model-calibration","Калибровка модели (Model Calibration)",{"slug":21,"name":22},"observability","Наблюдаемость (Observability)",{"slug":24,"name":25},"prompt-drift","Дрейф промпта (Prompt Drift)",[27,31,35,38,41,45,48,51,54,57,58,61],{"slug":28,"category":5,"name":29,"updated_at":30},"annotation-guidelines","Инструкции по разметке","2026-08-24T03:30:02+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"baseline-model","Базовая модель (baseline)","2026-08-24T02:46:38+00:00",{"slug":36,"category":5,"name":37,"updated_at":34},"batch-inference","Батч-инференс",{"slug":39,"category":5,"name":40,"updated_at":34},"canary-prompt","Канареечный промпт",{"slug":42,"category":5,"name":43,"updated_at":44},"champion-challenger","Чемпион–претендент (A\u002FB-тестирование моделей)","2026-08-24T02:46:37+00:00",{"slug":46,"category":5,"name":47,"updated_at":34},"class-imbalance","Дисбаланс классов",{"slug":49,"category":5,"name":50,"updated_at":34},"continuous-batching","Continuous Batching (непрерывная пакетная обработка)",{"slug":52,"category":5,"name":53,"updated_at":34},"cross-validation","Перекрёстная проверка",{"slug":55,"category":5,"name":56,"updated_at":34},"data-labeling","Разметка данных",{"slug":15,"category":5,"name":16,"updated_at":44},{"slug":59,"category":5,"name":60,"updated_at":44},"experiment-tracking","Трекинг экспериментов (Experiment Tracking)",{"slug":62,"category":5,"name":63,"updated_at":34},"explainability","Объяснимость"]