# Wykrywanie dryfu danych i pojęć

EN: **Data and concept drift detection** · id `driftdetection` · aliases: data drift, concept drift, dryf danych, dryf pojęć, model drift

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Ewaluacja i interpretowalność](https://aiatlasgraph.com/t/evaluation.md) › [Monitoring produkcyjny](https://aiatlasgraph.com/t/monitoring.md) › Wykrywanie dryfu danych i pojęć

## Description

- PL: Wykrywanie, że rozkład danych produkcyjnych albo zależność między wejściem a poprawną odpowiedzią zmieniły się względem danych treningowych, co może wymagać diagnozy lub adaptacji modelu.
- EN: Detecting that the production-data distribution or the relationship between inputs and correct outputs has changed relative to training data, which may require diagnosis or model adaptation.

## In one sentence

- PL: To wykrywanie, że dane lub zależności stojące za przewidywaniami zmieniły się od czasu nauki modelu.
- EN: This detects changes in data or predictive relationships since the model was trained.

## Problem it solves

- PL: Model oparty na dawnych przykładach może gorzej działać, gdy zmieniają się zachowania ludzi lub warunki zadania.
- EN: A model built from earlier examples may perform worse when people's behaviour or task conditions change.

## What it does

- PL: Porównuje cechy bieżących danych i, gdy dostępne, poprawne wyniki z wcześniejszymi wzorcami, wskazując zmiany do diagnozy.
- EN: It compares current data features and, when available, correct outcomes with earlier patterns, flagging changes for diagnosis.

## Everyday example

- PL: Po zmianie sposobu wysyłki model częściej myli terminy; obserwujesz nowe czasy dostaw i sprawdzasz, które dawne zależności przestały pasować.
- EN: After shipping changes, a model mispredicts deadlines more often; you examine new delivery times and which earlier relationships no longer fit.

## This concerns you if you…

- PL: twoje dane zmieniają się po wdrożeniu modelu
- PL: chcesz zauważać, kiedy wcześniejsze wzorce przestają działać
- EN: have data changing after model deployment
- EN: want to notice when earlier patterns stop working

## Keywords

ADWIN · Page-Hinkley test · Kolmogorov-Smirnov test · Population Stability Index · covariate shift · label shift

## How it works

- PL: Bieżące okna danych porównuje się z rozkładami referencyjnymi testami lub detektorami zmian. Gdy pojawiają się prawdziwe etykiety, analiza jakości predykcji bada również zmianę zależności między wejściem a celem.
- EN: Current data windows are compared with reference distributions through tests or change detectors. When ground-truth labels arrive, prediction-quality analysis also examines shifts in the input–target relationship.

## Limits

- PL: Dryf wejść nie musi pogarszać modelu, a dryf pojęć wymaga etykiet lub innych dowodów. Sezonowość, małe próbki i częste testowanie zwiększają fałszywe alarmy.
- EN: Input drift need not harm a model, while concept drift requires labels or other evidence. Seasonality, small samples and repeated testing increase false alarms.

## Key terms

- PL: **data drift**: Zmiana rozkładu wejść względem danych referencyjnych.
- PL: **concept drift**: Zmiana zależności między wejściami a właściwymi odpowiedziami.
- EN: **data drift**: A change in input distribution relative to reference data.
- EN: **concept drift**: A change in the relationship between inputs and correct outputs.

## Know first

- [Walidacja i testy danych (Data validation and testing)](https://aiatlasgraph.com/t/datavalidation.md)
- [Metryki klasyfikacji i regresji (Classification and regression metrics)](https://aiatlasgraph.com/t/classmetrics.md)

## Examples

- PL: dryf rozkładu danych · dryf pojęć · monitorowanie w czasie · adaptacja po wykryciu
- EN: data-distribution drift · concept drift · monitoring over time · adaptation after detection

## Related topics

Untyped, symmetric "see also" links.

- [Automatyczne retrenowanie i CI/CD dla ML (Continuous training and CI/CD for ML)](https://aiatlasgraph.com/t/continuoustraining.md)
- [Czujniki wirtualne (soft sensors) (Data-driven soft sensors)](https://aiatlasgraph.com/t/softsensors.md)
- [Nadzór nad modelem po wdrożeniu w szpitalu (Post-deployment monitoring of clinical AI)](https://aiatlasgraph.com/t/postdeploymonitoring.md)
- [Niezależna walidacja i monitoring modeli finansowych (Independent validation and ongoing monitoring of financial models)](https://aiatlasgraph.com/t/finmodelvalidation.md)
- [Ocena i walidacja modeli antyfraudowych (Evaluating and validating fraud models)](https://aiatlasgraph.com/t/fraudmetrics.md)
- [Starzenie się detektorów i realistyczna ocena w czasie (Concept drift and time-aware evaluation of malware detectors)](https://aiatlasgraph.com/t/malwaredrift.md)
- [Uczenie ciągłe i transfer (Continual and transfer learning)](https://aiatlasgraph.com/t/continual.md)
- [Uczenie przyrostowe (online) na strumieniach danych (Online and incremental learning on data streams)](https://aiatlasgraph.com/t/onlinelearning.md)
- [Wykrywanie przykładów spoza rozkładu (OOD) (Out-of-distribution detection)](https://aiatlasgraph.com/t/ooddetection.md)

## Sources

- [Learning under Concept Drift: A Review](<https://arxiv.org/abs/2004.05785>) `concept-drift-review-2020` · by Jie Lu, Anjin Liu, Fan Dong, Feng Gu, João Gama, Guangquan Zhang

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/driftdetection · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30