Deriva de datos (data drift)

La deriva de datos (data drift) ocurre cuando el mundo cambia y los datos que llegan a un modelo en producción ya no se parecen a los que usó para aprender. El modelo sigue respondiendo con aparente seguridad, pero cada vez acierta menos.

Se distinguen dos tipos principales. En la deriva de datos propiamente dicha cambian las características de entrada: por ejemplo, llegan clientes de otra edad o región. En la deriva de concepto (concept drift) cambia la relación misma entre entradas y resultado: los patrones de fraude evolucionan, o una pandemia transforma de golpe los hábitos de compra. Los cambios pueden ser repentinos, graduales o estacionales.

Se detecta comparando estadísticamente los datos recientes con los de entrenamiento y, cuando hay etiquetas disponibles, midiendo el desempeño real del modelo a lo largo del tiempo. Es una de las tareas centrales de MLOps. Las soluciones van desde reentrenar con datos frescos hasta rediseñar las características o ajustar umbrales.

No hay que confundirla con el sobreajuste, que es un defecto del entrenamiento; la deriva puede afectar incluso a un modelo que era excelente el día que se lanzó. Con los modelos de lenguaje ocurre algo parecido: su conocimiento queda congelado en la fecha de corte de sus datos.