学習済み機械学習モデルを用いたAIシステムの運用において，コンセプトドリフトとも呼ばれる時間経過に伴うデータ分布の変化は，システムの性能低下を引き起こす主な原因の一つである．しかしながら，システム運用前に，運用中のデータ（運用データ）の分布変化を事前に予期することは困難であることに加え，取得した運用データに正解ラベルを手動で付与することは高コストな作業である．従って，AIシステムが運用中においても長期間に渡ってモデル学習時と同等の性能を維持するためには，ラベルなし運用データに対しても，コンセプトドリフトを含む分布変化をリアルアイムで検知し，その変化に対してシステムを適応させる必要がある．そこで本稿では，上記のコンセプトドリフトの検知および適応手法に関して，これまで発表された代表的な手法から最新の手法までの調査結果について述べる．特に，検知・適応時において，運用データの正解ラベルを用いない（または少数の正解ラベルのみ限定的に用いる）各手法について，その特徴に基づいて整理し，紹介する．
