Embedding Drift
Model, veri kaynağı veya preprocessing değiştikçe üretilen embedding vektörlerinin önceki dağılımdan uzaklaşması ve mevcut eşik ya da indeks davranışını değiştirmesi.
Aynı benzerlik eşiği, embedding modeli veya preprocessing zinciri değiştiğinde aynı anlamı korumayabilir. Vektör normları, cluster yoğunluğu ve sınıflar arası mesafeler kayarsa daha önce kalibre edilmiş cosine/L2 eşikleri farklı false-positive ve false-negative oranları üretir.
Bu nedenle model güncellemesi yalnız inference çıktısının üretilebildiğiyle doğrulanmamalıdır. Sabit referans kümesi üzerinde dağılım, nearest-neighbor sıralaması ve karar eşikleri tekrar ölçülmelidir. Görüntüde öznitelik vektörleri ve eşleştirme ile seste öznitelik vektörleri ve eşleştirme bu karşılaştırmanın iki uygulama alanıdır.