工业AI模型数据漂移监测实验进展

模型上线后性能衰减，往往并非算法问题，而是输入数据分布发生了漂移：原材料批次更换、季节变化、设备磨损都会缓慢改变数据特征。数据分析实验室近期围绕这一问题开展阶段性实验，目标是建立一套可在产线侧轻量运行的漂移监测流程。

· 在某工厂历史工艺数据集上，对压力、温度等12个关键特征按窗口计算PSI与KS统计量。结果显示，关键特征的PSI在模型准确率下降前约两周出现越限，早于以不良率回溯发现问题的节奏；
· 单一阈值易受窗口长度影响，对比固定窗口与滑动窗口两种设定后，滑动窗口在缓慢漂移场景下误报更少。

下一步将把监测流程与再训练触发机制联动，形成“漂移发现—样本回补—模型更新”的闭环，并在真实产线数据上验证阈值稳定性，为已上线模型提供低成本的生命周期维护手段。