Comparación lado a lado entre deriva de datos y deriva del modelo. Entienda en qué se diferencian los cambios en la distribución de datos de entrada de los cambios o degradación del rendimiento del modelo con el tiempo.
Veredicto rápido: Use deriva de datos cuando cambien los datos de entrada; use deriva del modelo cuando el rendimiento del modelo cambie o se degrade a medida que las condiciones reales se apartan de los datos de entrenamiento o evaluación.
Data Drift describes change over time in the statistical properties or distribution of input data used by a model.
Contexto: Más relevante cuando las características de los datos de entrada cambian después del despliegue del modelo.
Model Drift summarizes degradation or change in model performance over time as real-world data, user behavior, or operating conditions diverge from the data used during.
Contexto: Más relevante al supervisar el rendimiento de modelos desplegados y decidir si se necesita acción correctiva.
| Aspecto | Data Drift | Model Drift |
|---|---|---|
| Definición | La deriva de datos es un cambio con el tiempo en las propiedades estadísticas o la distribución de los datos de entrada usados por un modelo. | La deriva del modelo es la degradación o cambio del rendimiento del modelo cuando datos reales, comportamiento de usuarios o condiciones operativas divergen de los datos de entrenamiento o evaluación. |
| Diferencia práctica | Describe qué cambió en los datos que entran al modelo. | Describe qué cambió en el rendimiento o comportamiento observado del modelo. |
| Caso de uso típico | Se usa en supervisión de entradas, revisión de calidad de datos y comprobaciones de representatividad. | Se usa en supervisión de rendimiento, decisiones de reentrenamiento, recalibración y reemplazo del modelo. |
| Error común | Un error común es asumir que todo cambio en la distribución de entrada requiere reentrenamiento inmediato. | Un error común es culpar a la deriva del modelo sin comprobar si cambiaron los datos de entrada, el comportamiento de usuarios o las etiquetas. |
| Implicación de gobernanza | La gobernanza debe definir umbrales de supervisión de deriva, pasos de investigación y propiedad de la calidad de datos. | La gobernanza debe definir supervisión de rendimiento, escalamiento, criterios de reentrenamiento y evidencia de control de cambios. |
| Evidencia | La evidencia incluye comparaciones de distribución de entradas, métricas de calidad de datos, estadísticas de características y alertas de deriva. | La evidencia incluye métricas de rendimiento con el tiempo, comparaciones con benchmarks, análisis de errores y decisiones de remediación. |
En la práctica, la deriva de datos suele ser una señal temprana, mientras que la deriva del modelo es la consecuencia operativa que preocupa a los equipos. Los mejores programas de supervisión rastrean ambas y vinculan alertas con guías de investigación.
Usar deriva de datos y deriva del modelo como sinónimos.
Reentrenar un modelo automáticamente sin investigar la causa de la deriva.
Supervisar el rendimiento del modelo sin supervisar los datos de entrada.
Ignorar cambios en comportamiento de usuarios o condiciones operativas como factores de deriva.
Use deriva de datos cuando las propiedades estadísticas o la distribución de los datos de entrada cambian con el tiempo. Es el término correcto para supervisar si los datos operativos actuales siguen siendo representativos de los usados en entrenamiento o validación.
Use deriva del modelo cuando el rendimiento del modelo cambia o se degrada con el tiempo por la divergencia entre condiciones reales y datos de entrenamiento o evaluación. Es el término correcto para decidir si reentrenar, recalibrar o reemplazar un modelo.
La supervisión posterior al despliegue es importante para la gobernanza de IA bajo ISO/IEC 42001 y NIST AI RMF, y puede apoyar expectativas probatorias para sistemas de IA regulados. La evidencia de deriva ayuda a mostrar que el rendimiento y la representatividad de datos no se asumen estables indefinidamente.
Sí. La deriva de datos puede hacer que los datos de entrenamiento sean menos representativos de las condiciones actuales, lo que puede reducir el rendimiento del modelo y causar deriva del modelo.
No. La deriva de datos trata cambios en la distribución de datos de entrada, mientras que la deriva del modelo trata cambios o degradación del rendimiento del modelo con el tiempo.
Deben supervisar distribuciones de datos de entrada, calidad de datos, rendimiento del modelo, errores y condiciones operativas. Estas señales ayudan a decidir si se necesita investigación, recalibración, reentrenamiento o reemplazo.
No recently viewed comparisons yet.