在为机器学习系统监控打下基础之后，我们现在关注一种重要的故障模式：漂移。用历史数据训练的模型在遇到随时间变化的新数据时，可能会失去效用。对单个特征进行简单的统计检查，往往不足以识别生产环境中不易察觉或复杂的变动。

本章介绍更精密的检测这些变化的技术。您将学到：

• 基本漂移检测方法的局限性。
• 检测多变量数据漂移的方法，包括考虑特征之间的关系。
• 序列分析技术，用于可能更快地检测到分布变化。
• 专门用于识别概念漂移的策略，即输入和目标变量之间的关系发生变化的情况。
• 使用对抗性验证来量化分布差异。
• 监控非结构化数据（如嵌入）中漂移的方法。
• 如何设计和实现针对特定需求定制的自定义漂移检测逻辑。

我们将了解这些方法背后的理论，并提供实践指导，最后通过一个动手实践练习来实现多变量漂移检测机制。