خطوات الاستخدام
الخطوة 1: فهم انحراف البيانات (Data Drift) انحراف البيانات هو تغير في التوزيع الإحصائي للبيانات مع مرور الوقت، مما يؤثر سلباً على أداء نماذج التعلم الآلي. يحدث غالباً عندما تختلف البيانات الحالية (Current Data) عن البيانات المرجعية (Reference Data) التي تم تدريب النموذج عليها. في هذه الحاسبة، نركز على انحراف المتوسط (Mean Drift) وهو أحد أكثر أنواع الانحراف شيوعاً. المتوسط (Mean) يمثل قيمة مركزية للبيانات، وعندما يتغير بشكل ملحوظ، فقد يشير إلى تغير في طبيعة البيانات. على سبيل المثال، نموذج للتنبؤ بأسعار المنازل تم تدريبه على بيانات متوسط سعرها 200,000 دولار، لكن في البيانات الحالية أصبح المتوسط 250,000 دولار، فهذا دليل على انحراف. الهدف من الحاسبة هو اكتشاف ما إذا كان الفرق بين المتوسط المرجعي والمتوسط الحالي يتجاوز عتبة (Threshold) محددة مسبقاً.
الخطوة 2: حساب مقدار الانحراف لقياس الانحراف، نقوم بحساب الفرق بين المتوسط الحالي والمتوسط المرجعي. يمكن أن يكون الفرق مطلقاً أو بالنسبة المئوية. في هذه الحاسبة، نفترض استخدام الفرق المطلق: Drift = |currentMean - referenceMean|. إذا كانت القيمة موجبة، فهذا يعني أن المتوسط الحالي أكبر من المرجعي، وإذا كانت سالبة (بعد أخذ القيمة المطلقة) فهي أقل. ثم نقارن هذا الفرق مع العتبة (Threshold) التي يدخلها المستخدم. على سبيل المثال، إذا كان المرجعي 100 والحالي 115، فالفرق = 15. إذا كانت العتبة 10، فإن الانحراف مكتشف. يمكن أيضاً استخدام النسبة المئوية للتغير: ((currentMean - referenceMean)/referenceMean)*100، ولكن في هذه الحاسبة نستخدم الفرق المطلق لتسهيل الفهم.