（本記事は「AI運用の成否を分ける「ドリフト監視」：リスク分析からポリシー策定までの実践ガイド」シリーズの第2回です。前回の記事では、社会的文脈やビジネス上のリスクを考慮したドリフトのリスク分析と、重大な影響を及ぼす脆弱性の特定方法について解説しました。今回は、これらのリスクに基づく過去のデータの遡及的な診断プロセスに焦点を当てます。）目次ステップ②：遡及的ドリフト検知Step 1でリスクの優先順位が決まったら、過去のデータ（ログ）を分析し、「実際に何が起きていたか」を診断します。これは、次ステップの「監視ポリシー」を設計するための重要な証拠となります。具体的には、過去のログ、入力、出力、およびパフォーマンスの推移を詳細に調査し、以下の項目を判定します。ドリフトが発生したかいつ始まったのかどのドリフト・タイプが、その変化を最も適切に説明できるかどのシステム・コンポーネントが影響を受けたのか前述の通り、このセクションはStep 1のリスク分析と直結しています。しかし、ここでのアウトプットは単に「ドリフトの有無」を確認するだけのものではありません。「ドリフトのタイプ」と「システム・コンポーネント」を紐付けた、構造化された診断を行うことが、このステップの真の目的です。ここからは、遡及的ドリフト検知を実践するための「ドリフト診断アンケート」のサンプルをご紹介します。ガイド1：遡及的ドリフト診断（例）この例は、高リスクコンポーネントをイエス・ノー形式の診断ツールに変換する方法を示しています。ガイド2：ドリフト・タイプ別の詳細診断診断をさらに精緻化するために、以下の質問も活用してください。1．データ・ドリフトの確認期間間で入力分布に変化があったのか？複数の入力特徴量が連動してシフトしたのか？利用コンテキスト（季節性、ユーザー行動）がシフトしたのか？2．特徴量・ドリフトの確認目立って変化した特徴量は一つだけなのか？特定の次元でサブグループの性能が低下したのか？キャリブレーション（較正）やメタデータが独立してシフトしたのか？3．コンセプト・ドリフトの確認入力が安定しているのに、出力結果が誤りになっていないか？ドメインのルールやラベルの定義が歴史的に進化（変化）したのか？出力とラベルの関係性に、これまでにない不整合が見られるのか？4．OOD（分布外）ドリフトの確認新しいカテゴリやパターンが出現したのか？異常検知（アノマリー・ディテクター）が急上昇したのか？以前は「容易に正解できていた例」にモデルが苦戦し始めたのか？Step 2 のまとめこの遡及的な診断プロセスを完了することで、以下の重要な情報が揃います。ドリフト発生の証拠ドリフトの具体的な原因の分類影響を受けたシステム・コンポーネント発生開始時期の推定深刻度の兆候これらの診断結果こそが、次ステップで「どの信号を監視し、どの閾値を設定すべきか」を決定する揺るぎない土台となります。正確な診断なくして、実効性のある監視ポリシーを築くことはできません。本シリーズ最終回となる次回は、構築した監視パイプラインを本番運用するための実践戦略に踏み込みます。デプロイメントの最適パターン、コスト効率を最大化する運用戦略、そして真のMLOps成熟度を達成するためのベストプラクティスを詳述します。参考文献[1] Naveed, H., et al. (2025). Monitoring Machine Learning Systems: A Multivocal Literature Review. arXiv preprint arXiv:2509.14294. (Link)[2] EU AI Act, Article 72: Post-Market Monitoring by Providers and Post-Market Monitoring Plan for High-Risk AI Systems (Link) [3] American Society for Quality (ASQ). What is FMEA? Failure Mode & Effects Analysis. (Link) [4]Your AI Passed Testing. But Will It Survive Drift? (Link)