コンセプトドリフトとは、時間の経過や環境の変化に伴い、入力データと予測対象である正解ラベルの関係性が変化し、機械学習モデルの予測性能が低下する現象です。実運用中のモデルを監視し、適切なタイミングで再学習などの対処を行うことが重要視されています。
コンセプトドリフトとは
コンセプトドリフトとは、一言でいえば「時間の経過や社会環境の変化によって入力データと予測対象の関係性が変わり、機械学習モデルの予測精度が徐々に劣化していく現象」です。
詳しく解説
機械学習モデルは、過去の訓練データにおける特徴量と目的変数の統計的な関係性を学習して作られます。しかし、現実世界では人々の行動様式、トレンド、法制度、経済状況などが常に変動しています。これにより、モデルが学習した前提となる法則性（コンセプト）そのものが変化し、同じ入力値であっても正解となる結果が過去と異なってしまうことがあります。この変化をコンセプトドリフトと呼びます。ドリフトには、徐々に進行する緩やかな変化だけでなく、突発的な社会的イベントによる急激な変化や、季節性に伴う周期的な変化なども含まれます。モデルの品質を維持するためには、実運用環境での性能を継続的に監視し、ドリフトを検知した際に最新データで再学習を行うMLOpsの仕組みが不可欠です。
具体例・使われ方
例えば、電子商取引（EC）サイトの購買予測や不正検知システムが挙げられます。不正検知では、攻撃者が新たな手口を開発することで従来の不正パターンが通用しなくなり、正常と不正の判定基準が変化します。また、感染症の流行や法改正によって消費者の購買行動が一変した場合、過去のデータで訓練された推薦アルゴリズムが実態に合わなくなるケースもコンセプトドリフトの典型例です。
似た用語との違い
混同されやすい概念にデータドリフトがあります。データドリフトは入力データそのものの分布が変化する現象（例：利用者の年齢層が若年層から高齢層へシフトするなど）を指すのに対し、コンセプトドリフトは入力データと出力ラベルの「対応関係」自体が変化する現象を指します。また、教師あり学習において真のラベルが得られるまでに時間がかかる場合、コンセプトドリフトの早期検知はデータドリフトよりも難易度が高くなります。
注意点
コンセプトドリフトはモデル自体のバグや実装ミスではなく、外部環境の変化に起因して不可避に発生する点に注意が必要です。また、モデルの精度低下が見られた場合でも、それが単なる一時的な外れ値やデータ収集の不具合によるものなのか、構造的なドリフトなのかを切り分ける分析が求められます。単に頻繁に再学習を行えばよいわけではなく、過去の有用な知識を忘却してしまうリスクも考慮した運用設計が必要です。