Data drift i erhvervslivet
For virksomheder, der har investeret i AI, er data drift ikke et teoretisk problem. Det er en operationel risiko, der direkte påvirker bundlinjen. En prismodel, der langsomt underpriser produkter, fordi markedsdata har forskudt sig, kan koste millioner, før nogen bemærker det. En kreditvurderingsmodel, der godkender flere risikable lån, fordi låntagerprofilerne har ændret sig, skaber reelle tab.
Inden for marketing og salg kan data drift betyde, at anbefalingsmotorer viser irrelevant indhold, at AI Lead Scoring mister sin præcision, eller at kundesegmenteringer bliver forældede. Resultatet er lavere konverteringsrater og spildte marketingbudgetter.
I produktion og supply chain kan drift i sensordata føre til, at forudsigelser om vedligeholdelse eller efterspørgsel bliver upålidelige. I sundhedssektoren kan skiftende patientdemografi påvirke diagnostiske modeller. Fælles for alle brancher er, at data drift ikke er et engangsscenario, men en permanent udfordring for enhver AI-model i produktion.
Den mest effektive tilgang er at integrere drift-monitoring i virksomhedens MLOps-praksis. Det betyder automatiserede overvågningsdashboards, der løbende sammenligner produktionsdata med træningsbaselinjen, klare tærskler for, hvornår modellen skal gentrænes, og en fast kadence for model-review. Virksomheder, der behandler deres AI-modeller som statiske systemer, vil uundgåeligt opleve performancetab.
Hvad data drift ikke er
Data drift forveksles ofte med dårlig datakvalitet, men de to er fundamentalt forskellige. Dårlig datakvalitet handler om fejl, manglende værdier eller inkonsistens i data. Data drift handler om, at korrekte data fra i dag ser anderledes ud end korrekte data fra i går. Begge er problematiske, men de kræver forskellige løsninger.
Data drift er heller ikke det samme som model drift, selvom begreberne bruges i flæng. Model drift er et overordnet begreb, der dækker enhver forringelse af modellens performance over tid. Data drift er en specifik årsag til model drift. En anden årsag er concept drift, hvor selve den virkelighed, modellen forsøger at forudsige, har ændret sig.
Endelig er data drift ikke et tegn på, at modellen var dårlig fra starten. Selv den bedst trænede model vil opleve drift, hvis den kører længe nok. Det afgørende er ikke at undgå drift, men at have systemer på plads til at opdage og reagere på den, før den påvirker forretningen.
