Comparación lado a lado entre deriva de datos y deriva de concepto. Entienda si un problema del modelo proviene de distribuciones de entrada cambiantes o de relaciones cambiantes entre entradas y resultados.
Veredicto rápido: Use deriva de datos cuando cambie la distribución de los datos de entrada; use deriva de concepto cuando cambie la relación entre las entradas y el resultado objetivo.
Data Drift describes change over time in the statistical properties or distribution of input data used by a model.
Contexto: Más relevante al supervisar si las entradas de producción siguen pareciéndose a los datos usados en desarrollo.
Concept Drift describes Concept drift occurs when the statistical relationship between input data and the target outcome changes over time.
Contexto: Más relevante cuando las predicciones del modelo se vuelven menos válidas porque cambió la relación subyacente con el objetivo.
| Aspecto | Data Drift | Concept Drift |
|---|---|---|
| Definición | La deriva de datos es un cambio en las propiedades estadísticas o distribución de los datos de entrada. | La deriva de concepto es un cambio en la relación estadística entre los datos de entrada y el resultado objetivo. |
| Diferencia práctica | Las entradas se ven distintas de las usadas para entrenar o validar el modelo. | El significado de las entradas para predecir el objetivo ha cambiado. |
| Caso de uso típico | Se usa en supervisión de producción de distribuciones de datos entrantes. | Se usa cuando cambian patrones de resultado y las predicciones del modelo ya no coinciden con la realidad. |
| Error común | Asumir que toda caída de rendimiento se debe a distribuciones de entrada cambiantes. | Asumir que la deriva de concepto puede detectarse sin observar resultados o relaciones objetivo. |
| Implicación de gobernanza | Requiere supervisión, investigación y corrección cuando los datos de entrenamiento se vuelven menos representativos. | Requiere revisión más fuerte de la validez del modelo, recalibración, reentrenamiento o cambios en el modelo o pipeline de datos. |
En la práctica, las etiquetas de deriva son hipótesis diagnósticas, no respuestas finales. El expediente de gobernanza debe registrar qué cambió, cómo se detectó y por qué la acción correctiva elegida encaja con la evidencia.
Usar deriva de datos como término comodín para cualquier degradación en producción.
Ignorar deriva de concepto porque las distribuciones de entrada parecen estables.
Reentrenar sin diagnosticar el tipo de deriva.
No conservar alertas de supervisión y registros de investigación.
Use deriva de datos cuando discuta cambios en la distribución de datos de entrada a lo largo del tiempo. Es adecuada para supervisar si los datos de producción siguen siendo representativos de los usados durante entrenamiento y validación.
Use deriva de concepto cuando discuta cambios en la relación entre datos de entrada y resultados objetivo. Es adecuada cuando la lógica predictiva del modelo se vuelve obsoleta porque cambió la relación real.
Los programas de supervisión NIST AI RMF e ISO 42001 deben distinguir deriva de datos y deriva de concepto porque activan investigaciones y acciones correctivas distintas. La evidencia del Reglamento de IA de la UE para sistemas de alto riesgo puede necesitar registros de supervisión que muestren que la degradación de rendimiento se detectó y gestionó.
Sí. Las distribuciones de entrada pueden cambiar mientras también cambia la relación entre entradas y resultados, por lo que la supervisión no debe asumir que solo existe un tipo de deriva.
Cualquiera puede llevar a reentrenamiento, pero la decisión debe seguir a una investigación. La deriva de concepto a menudo requiere recalibración, reentrenamiento o cambios de modelo y pipeline porque la relación objetivo se desplazó.
Distintos tipos de deriva respaldan distintas acciones correctivas. Una terminología clara ayuda a mostrar que la supervisión, investigación y remediación se basaron en evidencia.
No recently viewed comparisons yet.