是的，AutoML 系统可以检测数据集中的概念漂移，尽管实现和效果取决于所使用的具体工具和框架。概念漂移发生在输入数据的统计属性或特征与目标变量之间的关系随时间变化时，导致模型性能下降。许多现代 AutoML 平台都包含内置机制来监测此类变化，通常通过跟踪模型准确性、预测置信度或数据分布变化等指标。例如，像 Google 的 Vertex AI 或 H2O.ai 的 Driverless AI 这样的工具可能会自动标记传入数据与训练数据相比的显着偏差，从而提示重新训练或发出警报。
AutoML 系统通常通过统计测试、模型性能跟踪或数据分布分析来检测概念漂移。例如，一些框架使用 Kolmogorov-Smirnov 检验（针对数值特征）或卡方检验（针对分类变量）等方法，将新数据的分布与训练数据进行比较。其他框架会监控预测置信度分数——如果模型的置信度持续下降，则可能表明存在漂移。一个实际的例子是欺诈检测模型：如果交易模式因新的欺诈策略而发生变化，AutoML 工具可能会注意到错误分类的突然增加，并触发重新训练管道。一些平台还使用基于时间的窗口，其中数据按时间分块进行分析，以识别逐渐或突然的变化。
然而，AutoML 有效处理概念漂移的能力取决于配置和工具限制。虽然许多平台都提供基本的漂移检测，但复杂的场景（例如，多变量漂移或细微的时间变化）可能需要手动调整。例如，如果 AutoML 系统仅监控聚合指标，则可能会错过稀有类别中的漂移。开发人员应验证他们选择的工具是否支持自定义阈值、自适应重新训练计划或与外部监控系统集成。像 Amazon SageMaker 的 Model Monitor 这样的工具允许用户定义自定义指标，但这仍然需要预先设置。总而言之，AutoML 可以检测概念漂移，但其成功取决于工具的功能以及开发人员对其数据独特漂移模式的理解。