TL;DR
・何を作ったか: モデル・データ・設定の整合性を数学的に固定する certificate-based audit engine
・何が出るか: 第三者が検証可能な Audit Certificate / Hash-chain Ledger / Verification Bundle
・どう試すか: リポジトリをクローンして python ai-drift-detector.py を実行（GitHub）

1. Why: ドリフト検知が信用されない“運用上の理由”
多くのMLOps現場において、真に致命的なのは「精度の低下」そのものではなく、**「その判定の正当性が証明できないこと」**です。
以下のような状況に心当たりはありませんか？
・アラートがオオカミ少年化: ドリフト検知のアラートが出るたびに、場当たり的な閾値調整で黙らせてしまう。
・変更履歴の消失: 誰が、いつ、どの設定でモデルを回したのか、PRにもチケットにも残っていない。
・再現不能なデバッグ: 事故後に過去の特定の時点（データ×ロジック×設定）を復元できず、検証が詰む。
「再現できない＝デバッグできない＝運用が死ぬ」という連鎖を断ち切るために、当研究所は判定の責任を数学的に固定するアプローチを提案します。

2. Protocol
当プロジェクト ai-drift-detector は、AI運用の決定プロセスを以下の数理的フローへ落とし込みます。

Raw data → deterministic audit → certificate → PASS/FAIL

ここで扱う「ドリフト」は、統計的な分布変化ではなく、データ・ロジック・設定のミスマッチという「完全性の侵害（Integrity Breach）」を指します。

3. Quickstart

依存ライブラリをインストールし、スクリプトを実行するだけで監査レポートが生成されます。

依存関係のインストール
pip install numpy pandasmatplotlib lightgbm
監査エンジンの実行
python ai-drift-detector.py

実行後、adic_out/ ディレクトリに以下の監査成果物が出力されます。

4. Outputs：生成される3つの検証ファイル

システムは、推論と並行して以下の「提出物」を自動生成します。

・audit_record.json (Certificate)
何を固定するか: 入力ソース、ロジックの同一性（ハッシュ）、パラメータ、および監査結果。これ一枚で「当時の実行条件」を証明します。
・audit_log.jsonl (Append-only Ledger)
何を連結するか: ハッシュチェーン構造の監査ログ。改ざんが不可能な形で判定履歴を記録し続けます。
・audit_bundle.zip (Verification Bundle)
何が再現できるか: 第三者が自身の環境で再実行し、同じ監査結果が得られることを保証するためのパッケージです。

5. Demo Data：電力需要 × 気象

デモでは、社会インフラとしての厳格さが求められる「電力需要予測」を題材としています。
気象データという外部要因の不確実性が高い領域において、単なる予測値の出力にとどまらず、**「その予測値は運用上の品質制約を満たしているか」**を PASS/FAIL で厳格に判定します。

6. FAQ：設計思想

Q: ここで言う "drift" は統計（分布の変化）の話？
A: いいえ。本プロトコルでは Integrity Breach（データ/ロジック/設定の不整合）を主眼に置いています。統計的最適化の前段階にある「運用の正当性」を問うものです。

Q: 導入すると何が嬉しい？
A: 「同じ入力なら誰でも同じPASS/FAILを再現できる」状態になります。これにより、事故時の責任分解点（境界線）が明確になります。

Q: 何を保証しない？
A: 未来の予測精度を保証するものではありません。あくまで「監査の再現性」と「プロセスへの誠実さ」を保証します。

7. Links

詳細は以下のリソースを参照してください。

📜 Online Manual (GitHub Pages)
https://ghostdrifttheory.github.io/ai-drift-detector/
📂 GitHub Repository
https://github.com/GhostDriftTheory/ai-drift-detector
📑 Scientific Audit Report (PDF)
https://github.com/GhostDriftTheory/ai-drift-detector/blob/main/Verification%20Report%20Third-Party%20Verifiable%20Compliance%20of%20Power%20Demand%20Data%20with%20Quality%20Constraints.pdf

GhostDrift Mathematical Institute (GMI)
https://www.ghostdriftresearch.com/