数据漂移检测：比较当前输入的统计分布与训练数据分布。如果特征发生显著偏移（使用KS检验、PSI或Jensen-Shannon散度等测试），模型可能在其训练分布之外运行。例如：一个在25-55岁申请人上训练的信用评分模型开始收到18岁申请人的申请——一个它从未见过的人群。
概念漂移更难检测，因为输入看起来相同但正确输出发生了变化。在COVID期间，“正常”的购买模式发生了剧烈变化——购买100卷卫生纸从“可能是欺诈”变成了“周二日常”。模型的预测变得错误不是因为模型退化了，而是因为现实改变了。检测概念漂移需要将预测与真实标签进行比较，而真实标签通常有延迟。
LLM的漂移表现不同：用户查询模式变化（新话题出现）、提供者模型更新改变行为（API模型版本无声更改），以及世界变化（过时的训练数据）。监控策略包括：跟踪输出质量分数随时间的变化、检测查询主题分布的偏移、在用户报告问题增加时发出警报，以及定期在固定基准上重新评估以检测提供者端的变化。