模型漂移（Model Drift）是指在机器学习模型部署后，随着时间推移，现实世界的数据分布或目标概念发生变化，导致模型在新数据上的预测性能逐渐下降的现象。这种漂移通常分为数据漂移（输入特征统计特性偏移）和概念漂移（特征与目标变量间关系演变），它源于外部环境动态性，如市场趋势、用户行为或数据采集方式的更新，使得原本训练有素的模型逐渐失效。
在AI产品开发的实际落地中，模型漂移是产品经理必须优先管理的风险，因为它直接影响产品稳定性和用户体验。产品经理需设计监控机制，如定期评估模型指标（如准确率或召回率），并集成漂移检测工具（如统计检验或异常检测算法），以便及时触发模型重新训练或调整。例如，在金融风控系统中，经济环境变化可能引发概念漂移，产品经理通过自动化管道实现模型迭代更新，确保预测精度持续可靠，从而提升产品长期竞争力。
免费模拟面试：试试能否通过大厂“AI产品经理”面试？