搜尋意圖： 如果你在找「模型監控 是什麼」或「模型監控 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 模型監控是持續追蹤機器學習模型在生產環境中的效能和行為，以確保其準確性、可靠性和公平性。及時發現並解決問題。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有想過，模型上線後不是放著就好，而是要持續看它有沒有變差？
你可以把模型監控想成，持續觀察輸入資料、輸出結果、延遲和錯誤率，看看模型還正不正常。 它重要在於，模型會隨著資料漂移、業務變動和系統壓力慢慢失準。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
模型監控 vs 系統監控
模型監控：看預測品質、資料漂移和模型行為。 系統監控：看 CPU、記憶體、延遲和錯誤率。 最關鍵的區別：前者關心模型有沒有變笨，後者關心服務有沒有壞。
模型監控 vs 模型部署
模型部署：把模型送上線。 模型監控：上線後持續看它有沒有出問題。 最關鍵的區別：前者是上線，後者是觀察。
記住這句就好
上線不是結束，還要持續盯表現。
實際案例
詐欺模型監控
如果交易量突然暴增，但模型命中率下降，就要檢查是不是資料型態變了。
推薦模型監控
當使用者興趣改變時，點擊率會慢慢下滑，監控可以提早發現這種漂移。
算法與應用
常看指標包括延遲、錯誤率、輸入分布、預測分布和業務 KPI。 很多問題不是立刻壞掉，而是慢慢漂移，這也是監控最有價值的地方。 若系統能自動告警和回滾，維運成本會低很多。
情境判斷
Q1（情境題）： 如果模型表面上還能回應，但命中率一路下降，這算正常嗎？
→ 不正常。模型可能已經漂移，只是服務還沒壞。
Q2（情境題）： 如果流量很低，模型監控還有必要嗎？
→ 有必要，但可簡化。流量低不代表不會資料漂移或版本失配。
常見問題
模型監控一定要即時嗎？
不一定。看任務風險，有些場景即時，有些日更或週更就夠。
它和 A/B 測試有關嗎？
有關，但不是同一件事。A/B 測試比較兩個版本，監控是持續看單一版本狀態。
沒有標籤資料也能監控嗎？
可以先看輸入分布、輸出分布和系統指標，只是要評估模型品質會比較難。