El model drift ocurre cuando las relaciones entre las variables de entrada y el resultado que un modelo aprendió durante su entrenamiento dejan de ser válidas con el tiempo, porque el comportamiento del mundo real que el modelo intenta predecir cambió, degradando su precisión sin que el modelo en sí haya cambiado.
Un ejemplo cotidiano
Un modelo de recomendación entrenado antes de un cambio importante en los gustos o hábitos de los usuarios puede seguir funcionando técnicamente, pero sus recomendaciones se vuelven cada vez menos relevantes, ya que el patrón que aprendió ya no refleja el comportamiento actual de los usuarios.