Modelle für maschinelles Lernen (ML), die sich in einem dynamischen Umfeld bewegen, unabhängig davon, wie gut sie konzipiert oder trainiert sind, neigen dazu, im Laufe der Zeit ihre Qualität zu verlieren. ML-Modelle befassen sich mit der Beziehung zwischen einer Reihe beobachtbarer Ereignisse (dem Input) und dem Ereignis, das vorhergesagt werden soll (dem Output). Da sich aber die Ereignisse ändern, beeinflusst das auch die Beziehung zwischen ihnen. Ein Modell, das sich nicht weiterentwickelt, kann irgendwann unbrauchbar werden.