資料漂移偵測：比較當前輸入的統計分佈與訓練資料分佈。如果特徵顯著偏移（使用 KS 檢定、PSI 或 Jensen-Shannon 散度等測試），模型可能正在其訓練分佈之外運作。例如：一個在 25-55 歲申請人上訓練的信用評分模型開始收到 18 歲青少年的申請——一個它從未見過的群體。
概念漂移更難偵測，因為輸入看起來相同，但正確的輸出改變了。在 COVID 期間，「正常」的購買模式發生了劇烈轉變——購買 100 卷衛生紙從「可能的詐欺」變成了「星期二的日常」。模型的預測變錯不是因為模型退化了，而是因為現實改變了。偵測概念漂移需要將預測與真實標籤進行比較，而真實標籤通常會延遲到達。
LLM 漂移的表現方式不同：使用者查詢模式轉變（新話題出現）、提供商模型更新改變行為（API 模型版本悄悄改變）、以及世界改變（過時的訓練資料）。監控策略包括：追蹤輸出品質分數隨時間的變化、偵測查詢主題分佈的轉變、在使用者回報問題增加時發出警報，以及定期在固定基準上重新評估以偵測提供商端的變更。