Tag: monitoring-drift-detection
-
【AI 核心深度 M8-037】解释数据漂移与概念漂移的差异（Explain the Theoretical and Practical Distinctions Between Data Drift and Concept Drift）深度数理推导与工程落地解析
数据漂移：输入分布 P(X) 变化；概念漂移：条件分布 P(Y|X) 变化；两者对策不同。
-
【AI 核心深度 M8-038】列举漂移检测的常用方法（Enumerate and Compare Established Methodologies for Feature and Distribution Drift Detection）深度数理推导与工程落地解析
单变量（PSI/KL/KS/卡方）、多变量（分类器两样本检验）、性能监控、以及’不确定性/置信度’的监控。
-
【AI 核心深度 M8-039】解释监控体系的分层设计（Explain the Four-Layer Architecture for Machine Learning Production Monitoring）深度数理推导与工程落地解析
四层：基础设施（GPU/CPU/网络）→ 服务（延迟/错误/吞吐）→ 模型（输入分布/预测分布/性能）→ 业务（CTR/GMV）。
-
【AI 核心深度 M8-040】解释标签延迟对模型监控的影响（Explain the Impact of Delayed Ground-Truth Feedback on ML Monitoring and Mitigation Strategies）深度数理推导与工程落地解析
标签需时间到达（如’30 天复购’）→ 性能指标滞后；用代理指标、延迟反馈建模、以及’早期信号’缓解。
-
【AI 核心深度 M8-041】解释模型退化的根因分析方法（Explain the Root Cause Analysis (RCA) Methodology and Diagnostic Playbook for Model Degradation）深度数理推导与工程落地解析
分层排查：先确认’是否真退化’（指标/口径）→ 数据（漂移/管道）→ 模型（版本/特征）→ 服务（延迟/降级）→ 外部（季节/事件）。
-
【AI 核心深度 M8-042】解释监控告警的设计（阈值/异常检测/降噪）（Explain Production Alerting System Design: Static Thresholds, Dynamic Baselines, and Noise Reduction）深度数理推导与工程落地解析
静态阈值简单但僵化；动态基线（同比/环比）与异常检测更灵敏；关键是降噪（分级/聚合/抑制/静默）。
-
【AI 核心深度 M8-043】解释可观测性三支柱（指标/日志/链路追踪）如何与 ML 模型监控结合（Explain How the Three Pillars of Observability Integrate with Machine Learning Systems）深度数理推导与工程落地解析
可观测性三支柱覆盖基础设施与调用链；ML 监控在其上叠加数据/模型/业务指标，形成基础设施-数据-模型-业务四层闭环。