資料漂移（Data Drift）指的是模型輸入資料 X 的機率分布改變；概念漂移（Concept Drift）則是輸入 X 與答案 Y 之間的對應關係改變。這是 iPAS AI應用規劃師考試中最容易搞混的一組名詞，也是實務上 AI 模型準確率下滑最常見的兩大原因。這篇用漫畫圖解＋生活化例子，帶你 3 分鐘徹底分清楚。
資料漂移 vs 概念漂移
兩個都叫「漂移」，但到底是誰變了？
🎬 第一幕：AI 模型原本過得好好的……
「我很會判斷！」
📊 正常資料
資料怎麼不一樣了？
以前的規則失效了！
預測變差
🕵️ 先搞懂：到底是哪裡「漂」了？
🌊 資料漂移 Data Drift
AI 收到的輸入資料 X，和以前的分布不一樣。例如以前大樓平均每天用電 10,000 度，現在因為營運型態改變，大量大樓變成 15,000 度。
X 變了 輸入分布變了 P(X) 改變🌊 概念漂移 Concept Drift
AI 輸入的資料可能沒有明顯改變，但輸入 X 與答案 Y 之間的關係變了。例如以前「高溫 → 冷氣用電增加」，後來建築導入節能控制後，同樣高溫可能不再代表同樣的耗電量。
X→Y 關係變了 規則變了 P(Y|X) 改變🎭 第二幕：用「考試成績」秒懂
現在改考 50 題！
「題目資料的分布變了」
老師改評分規則！
「答案規則變了」
資料漂移：
「題目變了」
概念漂移：
「評分規則變了」
🏢 第三幕：套進「能源管理 AI」
案例 A｜資料漂移
AI 原本用歷史大樓資料預測耗電量。後來大量新資料來自「疫情後恢復營運」的大樓，使用人數、空調時數、設備運轉狀況都跟過去不同。
👉 AI 可能發現：「咦？現在的資料跟我以前學的不一樣。」
案例 B｜概念漂移
AI 過去學到「室外溫度越高 → 大樓耗電越高」。後來大樓全面導入智慧空調控制、變頻器與能源管理系統。同樣的高溫條件下，耗電量不再像以前那麼高。
👉 AI 可能發現：「以前的規則，現在不準了。」
🧠 iPAS 考試記憶法：只問自己一句話！
🔵 資料漂移 Data Drift： 輸入資料 X 的分布改變 → 想成「資料長相變了」。
🔴 概念漂移 Concept Drift： X 和 Y 的關係改變 → 想成「判斷規則變了」。
⭐ 超短口訣：
「Data Drift 看 X；Concept Drift 看 X → Y。」
🎯 小測驗：iPAS 看到這種題目怎麼判斷？
因為「輸入資料的分布」改變了——從辦公大樓變成大量醫院、商場。重點在 X 變了。
因為「X 與 Y 的關係」變了——同樣的溫度 X，對應的耗電量 Y 已經不同。
📌 最後一張考前小抄
| 比較 | 資料漂移 | 概念漂移 |
|---|---|---|
| 英文 | Data Drift | Concept Drift |
| 變什麼？ | 輸入資料 X 的分布 | X → Y 的關係 |
| 公式直覺 | P(X) 改變 | P(Y|X) 改變 |
| 記憶 | 📦 資料長相變了 | 🧠 判斷規則變了 |
常見問題 FAQ
資料漂移（Data Drift）是什麼？
資料漂移是指模型的輸入資料 X 的分布隨時間改變，例如原本大多是辦公大樓的用電資料，後來變成大量醫院、商場的用電資料。模型看到的「資料長相」變了，即使 X 與 Y 之間的關係沒有改變，模型的預測效果也可能因此下降。
概念漂移（Concept Drift）是什麼？
概念漂移是指輸入 X 與答案 Y 之間的對應關係改變。例如過去「室外溫度越高、耗電量越高」，但導入節能設備後，同樣的溫度卻對應不同的耗電量。資料本身可能沒有明顯變化，但背後的規則已經不同。
資料漂移和概念漂移要怎麼快速分辨？
只要問自己一句話：「是資料長相變了，還是資料與答案的關係變了？」資料漂移看的是 P(X) 有沒有改變；概念漂移看的是 P(Y|X) 有沒有改變。口訣：Data Drift 看 X；Concept Drift 看 X → Y。
iPAS AI應用規劃師考試會怎麼考這個觀念？
常見題型會給一段情境描述，要求判斷是資料漂移還是概念漂移。判斷關鍵在於：情境只提到「輸入資料組成改變」通常是資料漂移；情境提到「同樣的輸入，結果卻不同」則是概念漂移。
想進一步掌握機器學習的完整概念，可以搭配 機器學習是什麼？監督式、非監督式、強化學習差在哪裡？ 與 EDA和CDA差在哪裡？資料分析的統計基礎整理 一起複習，建立完整的人工智慧基礎概論知識體系，為 iPAS AI應用規劃師初級考試做好準備。
