漂移（Drift）在机器学习领域特指模型性能随时间推移而逐渐下降的现象，通常由于输入数据分布与训练数据分布发生偏离所致。这种偏离可能源自外部环境变化（如用户行为模式改变）、系统配置更新或数据采集方式调整等。漂移可分为概念漂移（目标变量统计特性变化）和数据漂移（输入特征分布变化）两类，是AI系统在长期部署中面临的核心挑战。
在产品落地层面，漂移监测已成为AI运维的关键环节。通过统计检验（如KS检验）、模型置信度分析或专用漂移检测算法，团队能够及时发现性能衰减征兆。成熟的解决方案往往结合增量学习、在线模型更新等机制，例如金融风控系统会定期用新样本微调模型参数，电商推荐系统则采用实时特征工程保持预测相关性。值得注意的是，漂移处理需要平衡模型稳定性与适应性，过度频繁的调整可能导致系统波动。