Glosario

Deriva del modelo (model drift)

¿Qué es Deriva del modelo (model drift)?

La deriva del modelo (model drift) es la pérdida gradual de calidad predictiva de un modelo en producción porque la realidad cambia respecto a los datos de entrenamiento. Se distingue entre cambios en los datos de entrada (data drift) y cambios en la relación entre entradas y resultado (concept drift). Ejemplo: un modelo de detección de fraude deja de reconocer nuevos tipos de fraude. Los remedios son la supervisión continua de métricas y el reentrenamiento periódico.

Temas

MLOps
calidad del modelo
supervisión

Probar KI.ordo

Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.

Iniciar demo

← Todos los términos

Términos relacionados

Robustez de modelos

La robustez de un modelo describe lo fiable que es un modelo de IA cuando las entradas tienen ruido, están incompletas, son inusuales o se han manipulado a propósito. Un modelo robusto ofrece igualmente resultados estables, por ejemplo un reconocimiento de imágenes con poca luz o un modelo de lenguaje ante erratas. Se comprueba con pruebas de estrés, datos de entrenamiento variados y ensayos frente a intentos de engaño, y es clave en aplicaciones críticas para la seguridad.

fiabilidad
calidad del modelo
+1

Datos de entrenamiento

Los datos de entrenamiento son los ejemplos con los que un modelo de IA aprende patrones: grandes colecciones de texto en los modelos de lenguaje, imágenes etiquetadas en los de visión. Su calidad, variedad y actualidad determinan en gran medida lo fiable y justo que será el modelo y lo actualizado que estará su conocimiento. Para tu empresa también importa si un proveedor usa los datos de clientes que introduces para seguir entrenando.

Datos
Entrenamiento
+1

MLflow

MLflow es una plataforma de código abierto para gestionar todo el ciclo de vida de los modelos de machine learning, presentada originalmente por Databricks en 2018. Registra experimentos con sus parámetros y métricas, gestiona versiones de modelos en un registro y facilita el despliegue. Las versiones más recientes también permiten trazar y evaluar aplicaciones basadas en modelos de lenguaje. Así puedes saber con qué datos y ajustes se creó cada modelo.

MLOps
código abierto
+1

Precisión y estabilidad de los modelos de IA

La precisión describe con qué frecuencia un modelo de IA da resultados correctos; la estabilidad, hasta qué punto ese rendimiento se mantiene con entradas ligeramente distintas, datos nuevos o con el paso del tiempo. Un modelo puede ser muy preciso en las pruebas y, aun así, inestable si basta con reformular una pregunta para obtener otra respuesta. En producción, ambas propiedades se comprueban con casos de prueba fijos, validación cruzada y supervisión continua.

Calidad del modelo
Robustez
+1