โมเดลดริฟท์ (หรือเรียกอีกอย่างว่าแนวคิดดริฟท์ การเปลี่ยนแปลง หรือการเปลี่ยนแปลงแนวคิด) เป็นปรากฏการณ์ในแมชชีนเลิร์นนิงที่เกิดขึ้นเมื่อแบบจำลองการคาดการณ์ที่ใช้ในการอนุมานหรือการคาดการณ์บางอย่างล้าสมัยหรือล้าสมัยเนื่องจากปัจจัยภายนอก ตัวอย่างเช่น ตัวอย่างทั่วไปของแบบจำลองดริฟท์คือแบบจำลองเชิงคาดการณ์ที่ทำนายแนวโน้มบางอย่าง หากข้อมูลที่ใช้ในการฝึกโมเดลเปลี่ยนแปลงอย่างมีนัยสำคัญเมื่อเวลาผ่านไป การคาดการณ์ของโมเดลอาจเริ่มแตกต่างจากแนวโน้มจริง ด้วยเหตุนี้ การเปลี่ยนแปลงข้อมูลเมื่อเวลาผ่านไปอาจนำไปสู่การเบี่ยงเบนของโมเดลได้
โมเดลดริฟท์สามารถเกิดขึ้นได้จากหลายสาเหตุ ตัวอย่างเช่น การเปลี่ยนแปลงในการกระจายข้อมูล การเปลี่ยนแปลงในกระบวนการพื้นฐานที่สร้างข้อมูล หรือการเปลี่ยนแปลงในสภาวะแวดล้อม ล้วนสามารถนำไปสู่การเบี่ยงเบนของโมเดลได้ อีกเหตุผลหนึ่งที่โมเดลดริฟท์สามารถเกิดขึ้นได้เนื่องมาจากความซับซ้อนที่เพิ่มมากขึ้นของข้อมูลที่ใช้ในการฝึกโมเดลการคาดการณ์ เนื่องจากข้อมูลที่ใช้ในการฝึกโมเดลมีความซับซ้อนมากขึ้น โมเดลการคาดการณ์อาจมีความแม่นยำน้อยลงเมื่อเวลาผ่านไป
เพื่อต่อสู้กับการดริฟท์โมเดล มีเทคนิคและแนวคิดต่างๆ ที่ได้รับการพัฒนา ซึ่งรวมถึงการใช้อัลกอริธึมการเรียนรู้แบบไดนามิกที่สามารถปรับให้เข้ากับสภาพแวดล้อมของข้อมูลที่เปลี่ยนแปลง และการใช้แบบจำลองทั้งมวลเพื่อสร้างแบบจำลองที่แข็งแกร่งและเชื่อถือได้มากขึ้น นอกจากนี้ การบำรุงรักษาโมเดลเป็นประจำ การตรวจสอบประสิทธิภาพของโมเดล และการตรวจสอบความถูกต้องของข้อมูลใหม่ ล้วนสามารถช่วยลดการเคลื่อนตัวของโมเดลได้
โดยรวมแล้ว โมเดลดริฟท์เป็นแนวคิดสำคัญในแมชชีนเลิร์นนิงที่ควรทราบ และเป็นแนวคิดที่ควรนำมาพิจารณาเมื่อสร้างโมเดลเชิงคาดการณ์ ด้วยการทำความเข้าใจปัญหาที่อาจเกิดขึ้นของการเคลื่อนตัวของโมเดลและดำเนินการเชิงรุกเพื่อลดปัญหาดังกล่าว โมเดลการเรียนรู้ของเครื่องจักรจะยังคงมีความแม่นยำในระยะยาว
