Glosario IA
El diccionario completo de la Inteligencia Artificial
Deriva del Modelo
Fenómeno de degradación progresiva del rendimiento de un modelo de IA en producción debido a cambios en los datos de entrada o en las relaciones entre variables. La deriva requiere monitoreo continuo y potencialmente un reentrenamiento del modelo.
Deriva de Datos
Cambio estadístico en la distribución de los datos de entrada de un modelo en comparación con los datos de entrenamiento originales. Este fenómeno puede afectar negativamente las predicciones y requiere una detección proactiva.
Monitoreo de Rendimiento
Monitoreo continuo de las métricas de rendimiento del modelo en producción incluyendo accuracy, precision, recall y otros KPIs relevantes. Este monitoreo permite detectar rápidamente las anomalías de rendimiento.
Explicabilidad del Modelo
Capacidad para comprender e interpretar las decisiones de un modelo de IA, esencial para la confianza y el cumplimiento regulatorio. Las técnicas como SHAP o LIME permiten explicar las predicciones individuales.
Seguimiento de Importancia de Características
Monitoreo continuo de la importancia relativa de las características utilizadas por el modelo para sus predicciones. Este monitoreo ayuda a identificar los cambios en los patrones de decisión del modelo.
Puntuación de Confianza de Predicción
Métrica cuantitativa que indica el nivel de certeza del modelo sobre cada predicción individual. Las puntuaciones de confianza bajas pueden señalar predicciones riesgosas que requieren intervención humana.
Degradación del Modelo
Pérdida progresiva de la efectividad de un modelo en producción debido a varios factores como el envejecimiento de los datos o la evolución del contexto del negocio. La degradación requiere mantenimiento proactivo del modelo.
Monitoreo de Inferencia en Tiempo Real
Monitoreo instantáneo de las predicciones y métricas de rendimiento durante la inferencia en tiempo real. Este monitoreo permite una detección inmediata de anomalías y fallas del sistema.
Sistema de Alertas
Infraestructura automatizada que genera notificaciones cuando las métricas del modelo superan los umbrales predefinidos. Las alertas permiten una intervención rápida antes de que las degradaciones afecten significativamente al negocio.
Métricas de Referencia
Referencias de rendimiento establecidas durante la validación del modelo que sirven como punto de comparación para el monitoreo en producción. Estas líneas base permiten cuantificar objetivamente la degradación del rendimiento.
Despliegue Canario
Estrategia de despliegue gradual donde el nuevo modelo se prueba en un pequeño porcentaje del tráfico antes de un despliegue completo. Este método minimiza los riesgos asociados con las nuevas versiones de modelos.
Pipeline de Observabilidad
Infraestructura de recolección, procesamiento y almacenamiento de logs, métricas y trazas de los modelos en producción. Este pipeline proporciona visibilidad completa sobre el comportamiento del sistema.
Algoritmo de Detección de Deriva
Algoritmos estadísticos o de machine learning que identifican automáticamente los cambios en las distribuciones de datos o en el rendimiento del modelo. Estas herramientas permiten una detección proactiva de las derivas.
Tablero de Salud del Modelo
Interfaz visual centralizada que muestra las métricas clave de rendimiento, las alertas y el estado de salud general de los modelos en producción. Esta herramienta facilita la toma de decisiones para los equipos MLOps.
Detección de Anomalías
Proceso de identificación automática de comportamientos inusuales o predicciones aberrantes en las salidas del modelo. Esta detección permite aislar los casos que requieren una investigación profunda.
Regresión de Rendimiento
Disminución medible del rendimiento de un modelo en comparación con sus métricas de referencia iniciales. La regresión puede ser gradual o súbita y requiere un análisis de las causas raíz.
Gobernanza de Modelos
Conjunto de políticas, procedimientos y controles que aseguran la conformidad, trazabilidad y auditabilidad de los modelos a lo largo de su ciclo de vida. La gobernanza garantiza la fiabilidad y ética de los sistemas de IA.
Monitoreo de Latencia
Vigilancia del tiempo de respuesta de las predicciones del modelo en producción, crítica para las aplicaciones en tiempo real. Un monitoreo continuo garantiza el cumplimiento de los SLAs y la experiencia del usuario.
Seguimiento de Rendimiento
Medición del volumen de predicciones procesadas por unidad de tiempo, esencial para evaluar la capacidad de carga del sistema. El seguimiento del rendimiento ayuda a dimensionar los recursos de infraestructura.