Was ist Model Drift in der Mode?

Kurz erklärt

Model Drift ist der schleichende Rückgang der Genauigkeit eines Modells, wenn sich reale Daten oder Verhaltensweisen von dem entfernen, womit es trainiert wurde. Die Mode ist besonders betroffen, weil sich Trends, Kanäle und Kundenverhalten jede Saison verschieben.

Wie funktioniert es in der Praxis?

Ein Modell lernt Muster aus historischen Daten. Verändert sich die Welt, passen diese Muster nicht mehr zur Realität. Drift kann aus Veränderungen der Eingabedaten entstehen, etwa durch eine neue Produktkategorie oder einen neuen Vertriebskanal, oder aus Veränderungen im Zusammenhang zwischen Eingaben und Ergebnissen, etwa wenn Konsumenten anders auf Rabatte reagieren.

Beispiele aus der Mode sind leicht zu finden:

• Ein Modell für Grössenempfehlungen, das trainiert wurde, bevor eine Marke ihren Passformgrundschnitt geändert hat, gibt plötzlich schlechte Ratschläge.
• Ein Nachfragemodell, das überwiegend mit Wholesale-Daten trainiert wurde, kommt nicht mehr zurecht, sobald das Direct-to-Consumer-Geschäft wächst.
• Ein Modell für Bild-Tagging deutet eine neue Silhouette falsch, die in seinem Trainingsdatensatz nicht vorkam.
• Ein Modell zur Retourenprognose übersieht eine Veränderung im Rückgabeverhalten der Kunden.

Warum ist das wichtig?

Drift verläuft oft unbemerkt. Das Modell liefert weiterhin selbstbewusste Antworten, während die Genauigkeit nachlässt, und Teams merken es womöglich erst, wenn Ware am falschen Ort liegt oder Kunden sich beschweren. Da KI-Ergebnisse in Einkauf, Allokation und Kundenerlebnis einfliessen, kann unentdeckter Drift Marge und Vertrauen still aushöhlen.

Wie nutzt KI es?

Monitoring-Tools vergleichen Live-Daten und Vorhersagen mit erwarteten Mustern und mit den tatsächlichen Ergebnissen, sobald diese vorliegen. Manche nutzen Anomalieerkennung, um plötzliche Veränderungen in den Eingabedaten zu melden. Wird Drift festgestellt, besteht die übliche Abhilfe darin, das Modell mit aktuellen Daten neu zu trainieren, manchmal mit angepassten Features.

Typische Fallstricke

Viele Teams bringen ein Modell live und überprüfen es nie wieder. Andere trainieren automatisch neu, ohne zu prüfen, ob die neue Version tatsächlich besser ist. Ein solider Ansatz definiert Genauigkeitskennzahlen, setzt Prüfpunkte rund um jede Saison, dokumentiert bekannte geschäftliche Veränderungen wie neue Passformgrundschnitte oder Kanäle und hält eine Rückfalllösung bereit, falls ein Modell nachlässt. Das ist ein Kernbestandteil von MLOps.

Häufige Fragen

Wie erkennt man Model Drift?

Teams vergleichen die Vorhersagen eines Modells über die Zeit mit den tatsächlichen Ergebnissen und achten auf Veränderungen in den Eingabedaten. Ein anhaltender Rückgang der Genauigkeit oder eine Verschiebung in den Datenmustern ist ein Signal, der Sache nachzugehen und gegebenenfalls neu zu trainieren.

Wie oft sollten KI-Modelle in der Mode neu trainiert werden?

Eine allgemeingültige Regel gibt es nicht, doch viele Modeteams überprüfen Modelle mindestens zu jeder Saison. Ein neues Training sollte zudem auf grössere Veränderungen folgen, etwa neue Passformgrundschnitte, Kategorien oder Vertriebskanäle.

Alle Begriffe