تشير مراقبة نموذج التعلم الآلي إلى التحكم في أداء النموذج وتقييمه لتحديد ما إذا كان يعمل بكفاءة أم لا، حيث يعاني نموذج التعلم الآلي من عدة مشكلات في الأداء بسبب انحراف البيانات ما يستوجب إجراء الصيانة المناسبة لاستعادة الأداء الجيد.
تقدّم نماذج التعلم الآلي استنتاجات حول البيانات المتغيرة باستمرار، إذ تبدأ حتى النماذج التي دُربت على مجموعات من البيانات الضخمة ذات البيانات الأكثر دقة تبدأ بالتحلل بمرور الوقت، بسبب انحراف البيانات ما يؤدي إلى تنبؤات غير دقيقة تعرض الشركات لمخاطر جسيمة وتحبط ثقة المستخدم النهائي في التطبيقات النهائية.
يعتبر تغيير بيانات الإدخال هو السبب الرئيسي وراء تدهور نماذج التعلم الآلي بمرور الوقت، وقد تتغير بيانات المدخلات بسبب:
تتنبأ خوارزميات التعلم الآلي بالمستقبل بناء على البيانات الموجودة وقت بناء النموذج. وبالتالي، تحل مشكلات العمل وفقاً لبيانات تلك الفترة الزمنية. ومع ذلك، فإن البيئة تتغير باستمرار وكذلك البيانات، ما يتطلب تحديث النماذج وفقاً للتغيرات في البيئة.
قد يتم تغيير البيانات التشغيلية المدخلة، ويعد خطأ شائعاً جداً لأن فريق هندسة البيانات لديه سيطرة محدودة على مصدر بيانات الإدخال، وقد يحدث ذلك بسبب ديناميكيات الأعمال أو قرارات الأعمال الجديدة للشركة.
من أجل ضمان فعالية نماذج التعلم الآلي يجب مراقبة عدة متغيرات:
