Deriva del modelo

Degradación progresiva del desempeño de un modelo una vez en producción: el sistema arranca funcionando bien y se va deteriorando con el tiempo porque cambian los datos que recibe, cambian los sistemas con los que se integra o cambia el propio entorno de uso. Es un fallo silencioso — nada se rompe de golpe, simplemente el agente empieza a acertar menos.

En el curso

Módulo 6 — aparece en dos lugares complementarios.

Como riesgo de la última milla (capítulo 2). Es una de las consecuencias directas de los problemas de datos al escalar: el piloto corre sobre conjuntos estáticos o seleccionados en entornos de prueba, pero en producción la IA recibe datos en flujo continuo desde fuentes heterogéneas —llamadas, transcripciones, registros operativos—. La fragmentación, los formatos inconsistentes y la mala calidad producen deriva, inexactitudes y fallos. Es uno de los argumentos centrales a favor de disponer de MLOps antes de escalar.

Como desafío del monitoreo (capítulo 4). Figura entre los cuatro desafíos de implementar un sistema de medición, junto a la falta de datos reales, la distorsión de métricas y la resistencia a la evaluación. La formulación del material es directa: el agente puede rendir bien al inicio y deteriorarse con el tiempo por cambios en las entradas o actualizaciones del sistema. De ahí que la conclusión del módulo sea que la medición es mantenimiento: sin medición los agentes se desvían, con medición maduran.

Relacionado

KPI · MLOps · Integración de la última milla · Purgatorio del piloto · Human-in-the-loop · Sobreajuste