Model drift sempre exige retreinamento?
Não. A causa pode exigir correção de dados, ajuste de processo, mudança de limiar, rollback ou revisão do próprio objetivo.
Imersão
ImersãoDois dias para transformar IA em criatividade aplicada. In CompanyO método do IA Lab dentro do seu escritório.Conteúdos abertos
Área do alunosó para alunos
Deriva de modelo · Model Quality Drift · Degradação de modelo
Model drift é a deterioração ou mudança relevante do desempenho de um modelo em produção em relação a uma linha de base e aos critérios definidos para seu uso.
Ele aparece quando a qualidade observada deixa de representar o nível medido durante validação, teste ou períodos anteriores.
A causa pode estar nos dados, na relação entre entradas e resultado, no processo operacional, em mudanças do ambiente ou em falhas de integração.
A equipe registra previsões, contexto, versões e, quando disponível, resultados reais. Métricas de qualidade são comparadas por tempo, segmento e versão.
Alertas indicam diferença relevante em relação à linha de base. A investigação separa mudança de dados, atraso de rótulos, alteração de processo e degradação do comportamento.
Um modelo que previa atrasos com recall estável passa a perder ocorrências depois que o escritório muda seu processo de apontamento de horas e classificação de etapas.
Sem resultados reais ou referência confiável, a degradação pode ser detectada tarde ou inferida apenas por sinais indiretos.
Uma média estável pode esconder perda de qualidade em grupos, regiões, tipos de projeto ou condições específicas.
Modelo de IA, Conjunto de teste, Evals, Robustez, Precisão, Recall
Não. A causa pode exigir correção de dados, ajuste de processo, mudança de limiar, rollback ou revisão do próprio objetivo.
Use sinais indiretos, amostras revisadas, métricas operacionais e avaliação atrasada, deixando explícita a incerteza.
Revisado em 2026-10-18.