解説:
AIや機械学習モデルが運用中に環境変化や新しい条件で精度劣化を起こす現象。
ロボットに取り付けたAIシステム(物体検出・異常検知など)でも、部品の汚れ・照明条件・季節的変化などにより学習時の状態と乖離が生じる場合がある。
定期的に再学習やオンライン学習を行い、モデルをアッ プデートするのが一般的。
例:
・工場内の照明や設置場所が変わって画像に違いが出た結果、ピッキング精度が落ちる。
・経年劣化した部品がAIモデルの認識対象から外れ、異常検知の誤報・見逃しが増える。
・定期的に追加データを収集してモデル再学習し、コンセプトドリフトに適応。