Model Drift, atau pergeseran model, adalah fenomena menurunnya performa dan akurasi model AI secara bertahap seiring berjalannya waktu, yang terjadi karena pola data dunia nyata yang dihadapi model dalam penggunaan sehari-hari mulai bergeser dan tidak lagi sesuai dengan pola data yang dipelajari model saat proses pelatihan.
Model AI, khususnya model machine learning tradisional, pada dasarnya belajar pola statistik dari data historis pada periode waktu tertentu. Namun dunia nyata bersifat dinamis—perilaku konsumen berubah, tren pasar bergeser, bahasa dan istilah baru bermunculan, dan kondisi yang mendasari suatu masalah dapat berevolusi dari waktu ke waktu. Ketika perubahan ini terjadi, asumsi yang mendasari pelatihan model menjadi semakin tidak relevan, menyebabkan performa model menurun meski tidak ada perubahan apa pun pada model itu sendiri.
Model drift umumnya dibedakan menjadi dua jenis utama. Data drift terjadi ketika distribusi statistik dari data input berubah—misalnya, sebuah model deteksi penipuan kartu kredit yang dilatih sebelum pandemi mungkin kesulitan mendeteksi pola transaksi baru yang muncul akibat perubahan kebiasaan belanja pasca-pandemi. Concept drift terjadi ketika hubungan antara input dan output yang benar itu sendiri berubah—misalnya, definisi "spam" pada email terus berevolusi seiring taktik baru yang digunakan pengirim spam untuk menghindari deteksi.
Mendeteksi model drift membutuhkan pemantauan berkelanjutan terhadap performa model dalam produksi, membandingkan prediksi model dengan hasil aktual dari waktu ke waktu, serta memantau perubahan statistik pada data input yang diterima model. Ketika drift signifikan terdeteksi, solusinya biasanya melibatkan pelatihan ulang (retraining) model menggunakan data terbaru yang lebih mencerminkan kondisi terkini.
Model drift menjadi salah satu alasan utama mengapa penerapan AI di lingkungan produksi bukanlah proses satu kali selesai, melainkan memerlukan siklus pemantauan dan pembaruan berkelanjutan (MLOps) untuk memastikan model tetap akurat dan relevan sepanjang waktu penggunaannya.