Degradación progresiva del rendimiento predictivo o precisión de un modelo de IA en producción provocada por cambios en los datos del entorno o en el comportamiento del consumidor.
Explicación y Contexto Conceptual
Model Drift (deriva de modelos) es la erosión gradual de la efectividad de un sistema de aprendizaje automático una vez que ha sido desplegado en el mundo real. Un algoritmo que fue entrenado con datos históricos para predecir qué clientes tienen mayor propensión a darse de baja (churn) o qué audiencias responderán mejor a una pauta publicitaria comienza a perder puntería con el paso de los meses.
Se manifiesta en dos modalidades:
1. 'Data Drift' (deriva de datos): los datos de entrada cambian de distribución estadística (por ejemplo, el auge repentino de una nueva red social o un cambio en el poder adquisitivo por inflación altera los patrones de navegación).
2. 'Concept Drift' (deriva de concepto): la relación fundamental entre las variables cambia (lo que antes significaba 'alta intención de compra' ahora significa otra cosa por cambios culturales o nuevos competidores).
Los equipos de MLOps y analítica deben implementar sistemas de telemetría que alerten cuando la precisión decae por debajo de un umbral para reentrenar el modelo con datos frescos.
Ejemplo en la Práctica
El algoritmo de pujas automáticas de una aerolínea pierde eficacia tras una huelga imprevista de trenes que alteró por completo los patrones de reserva habituales.