Glosario IA
El diccionario completo de la Inteligencia Artificial
Detección de Cambios
Proceso algorítmico destinado a identificar las modificaciones estadísticas significativas en la distribución de los datos o las relaciones entre variables. La detección temprana permite desencadenar actualizaciones del modelo antes de la degradación del rendimiento.
Deriva Gradual
Tipo de deriva conceptual donde los cambios en la relación entre variables ocurren progresivamente durante un período extendido. Esta evolución lenta hace que la detección sea particularmente compleja ya que las variaciones pueden confundirse con ruido estadístico.
Deriva Abrupta
Cambio repentino y significativo en la distribución de los datos o la relación entre variables, que ocurre en un período muy corto. Las derivas abruptas requieren una detección rápida para evitar degradaciones mayores en el rendimiento del modelo.
Deriva Recurrente
Fenómeno donde los conceptos o relaciones entre variables reaparecen periódicamente después de haber desaparecido temporalmente. El reconocimiento de los patrones recurrentes permite anticipar los cambios y optimizar las estrategias de adaptación.
Deriva de Covariables
Tipo de deriva donde la distribución de las variables de entrada cambia mientras que la relación condicional P(Y|X) permanece estable. Este fenómeno afecta particularmente a los modelos sensibles a la distribución de las características, como los algoritmos bayesianos.
Deriva de Probabilidad a Priori
Cambio en la distribución marginal de la variable objetivo P(Y) sin modificación de la relación condicional P(Y|X). Esta deriva afecta las predicciones globales pero preserva las relaciones locales entre variables.
Adaptación en Línea
Proceso de actualización continua del modelo predictivo a medida que llegan nuevos datos, permitiendo una respuesta rápida a las derivas conceptuales. La adaptación en línea equilibra la estabilidad del modelo y la reactividad a los cambios.
Retardo de Detección
Métrica que mide el tiempo transcurrido entre la ocurrencia real de una deriva conceptual y su detección por el algoritmo. Un retardo mínimo es crucial para minimizar el período de degradación del rendimiento del modelo.
Tasa de Falsos Positivos
Proporción de falsas alertas de deriva generadas por el algoritmo de detección, lo que conduce a actualizaciones innecesarias del modelo. La optimización de esta tasa es esencial para mantener la estabilidad garantizando al mismo tiempo la sensibilidad.
Detección Supervisada
Método de detección de deriva que utiliza las etiquetas reales para analizar directamente los cambios en la relación entre entradas y salidas. Este enfoque ofrece una alta precisión pero requiere la disponibilidad continua de la verdad básica (ground truth).
Detección No Supervisada
Enfoque de detección de deriva que se basa únicamente en las características de los datos de entrada sin utilizar etiquetas, generalmente mediante el análisis de cambios en la distribución estadística. Este método es aplicable incluso cuando las verdades básicas no están disponibles.