Kayma Tespiti (Drift Detection)

Diger adlari: Drift Detection, Data Drift Monitoring, Distribution Shift Detection

Kisa Tanim

Drift detection, uretim ortaminda deploy edilen bir ML modelinin girdi verisinin (data drift / covariate shift) veya girdi-cikti iliskisinin (concept drift) zaman icinde degistigini istatistiksel testlerle otomatik olarak tespit eden izleme mekanizmasidir.

Teknik Mantik

Iki temel drift tipi izlenir: (1) Data drift (covariate shift) — girdi ozniteliklerinin dagilimlari degisir; PSI (Population Stability Index), KS-test (Kolmogorov-Smirnov), chi-kare testi ile olculur. (2) Concept drift — girdi-cikti iliskisi degisir; ADWIN pencere yontemi, DDM (Drift Detection Method), Page-Hinkley testi kullanilir. Evidently AI, WhyLabs ve Prometheus+Grafana kombinasyonu yaygin izleme araclaridir. Drift tespit edildiginde otomatik yeniden egitim tetikleyicileri devreye girer.

Kullanim Baglami

Uretim ortaminda calisan tum ML modellerinde zorunlu bir MLOps bilesidir. Drift izleme olmadan model performansi sessizce duser ve yanlis kararlar uretir — buna "silent model failure" denir.

Tarimsal Baglam

Tarimda drift uc ana kaynaktan gelir: (1) Sensor sureklenmesi — kapasitif nem sensorleri aylar icinde kalibrasyonunu kaybeder, bu girdi dagiliminimi sistematik olarak kaydirir. (2) Mevsimsel degisim — kis ve yaz aylarinda ayni tarlada bitki ortusu radikali bicimde degisir. (3) Yeni hastalik suslari — modelin egitiminde gormedigi belirtiler ortaya cikar. Kalman filtresi inovasyon istatistigi ile sensor drift'i, Evidently AI ile oznitelik dagilimlari otomatik izlenebilir. Minimum izleme sikligi: haftalik oznitelik dagilimlari, mevsimlik performans degerlendirmesi.

Sik Karistirilan Nokta

Tum drift'ler performans dususune neden olmaz. Ornegin girdi dagilimi kaydiysa ama model hala dogru tahminler yapiyorsa bu "benign drift"tir. Onemli olan performans metriklerinin (RMSE, F1, mAP) drift'le birlikte izlenmesidir.

Dr. Mehmet Solak — Siirt Universitesi, Biyosistem Muhendisligi