時間偏移導致數據陳舊
運行與監控
風險描述
訓練數據反映的是過去的分佈特徵，但現實世界持續變化。例如 COVID-19 期間消費行為劇變，使基於疫情前數據訓練的信用風險模型和消費推薦系統表現大幅退化。金融領域中，市場結構的變化（如加密貨幣的興起）可能使歷史數據的預測價值歸零。
框架對照
iso 23894R5
nist ai rmfMEASURE 2.6
tw principle問責
tw risk type部署互動問題（Deployment Interaction）
控制措施
- 模型效能持續監控
- 數據新鮮度管理
處理步驟
- 建立模型效能持續監控 dashboard，追蹤 KPI 漂移
- 設定數據新鮮度指標（如訓練數據最長使用期限為 6 個月）
- 實施 A/B 測試比較新舊模型在近期數據上的表現
- 建立自動化再訓練觸發機制（效能低於閾值時自動啟動）