Model Drift
En el mundo real, los modelos de IA no permanecen congelados: su entorno cambia constantemente. El model drift describe precisamente esa pérdida de calidad cuando los datos ya no se parecen a los que se usaron en el entrenamiento.
Ejemplos abundan:
- Un chatbot entrenado con expresiones de 2021 no entiende jerga de 2025.
- Un sistema de predicción de demanda falla cuando surgen nuevas modas de consumo.
- Un detector de spam queda obsoleto en cuestión de meses porque los spammers inventan trucos nuevos.
¿Qué hacer frente a la deriva?
La práctica moderna del MLOps propone:
- Monitoreo continuo: métricas de precisión, recall o incluso indicadores de negocio.
- Alarmas tempranas: cuando el rendimiento cae por debajo de un umbral.
- Reentrenamiento programado: actualizar el modelo periódicamente con datos recientes.
El reto no es solo técnico: también es organizativo. Requiere recursos para recolectar nuevos datos, pipelines de validación y equipos capaces de reaccionar con rapidez.
La deriva de modelo puede dividirse en deriva de datos (cuando cambian las características estadísticas de las entradas) y deriva de concepto (cuando cambia la relación entre entrada y salida). Esta última es la más crítica porque obliga a replantear supuestos fundamentales del modelo.
Las prácticas modernas de MLOps incluyen pipelines de supervisión automática, que lanzan alertas o incluso reentrenan modelos al detectar degradación. Sin embargo, confiar únicamente en la automatización puede ser arriesgado: si los nuevos datos contienen ruido o sesgos, el reentrenamiento puede empeorar la situación. Por eso, se recomienda incluir siempre validación por expertos humanos antes de desplegar una nueva versión.
En la práctica, combatir la deriva es tanto un reto técnico como organizativo. No basta con algoritmos; se necesitan equipos coordinados, procesos de validación, y políticas de gobernanza que garanticen que las actualizaciones se hacen con seguridad y transparencia. En ámbitos sensibles como medicina, banca o seguridad, estas prácticas no son opcionales, sino una obligación regulatoria.
📖 Referencias:
- Lu et al., Learning under Concept Drift: A Review (IEEE TKDE, 2018)
