模型上线时表现正常，不代表它会一直可靠。数据慢慢变化后，团队常在指标跌破某条线时才收到警报。Gal Arav 的文章换了一个视角：把模型从部署到性能不可接受的时间看作“寿命”，用生存分析——研究事件发生前等待时间的方法——监测退化。
它的价值不只在于估算模型还能可靠多久。生存曲线表示模型运行到某个时点仍未失效的概率；风险函数则关注它已经撑到现在后，接下来一小段时间内失效的风险。即使观察结束时模型尚未失效，这类“只知道至少活了这么久”的删失数据也能保留下来，而不是丢弃。
文章具体介绍了 Weibull 分布：形状参数 β 小于 1 时，失效风险随时间下降；等于 1 时保持不变；大于 1 时持续上升。换句话说，监控不再只问“是否越线”，还可以区分早期故障、稳定风险和逐渐磨损，为重训时间与告警策略提供更贴近可靠性工程的依据。文中相关机器学习可靠性数据为模拟数据，未给出真实部署中的效果验证。