Glossário IA
O dicionário completo da Inteligência Artificial
Detecção de Mudança
Processo algorítmico que visa identificar modificações estatísticas significativas na distribuição dos dados ou nas relações entre variáveis. A detecção precoce permite acionar atualizações do modelo antes da degradação do desempenho.
Deriva Gradual
Tipo de deriva conceitual onde as mudanças na relação entre variáveis ocorrem progressivamente ao longo de um período estendido. Essa evolução lenta torna a detecção particularmente complexa, pois as variações podem ser confundidas com ruído estatístico.
Deriva Abrupta
Mudança súbita e significativa na distribuição dos dados ou na relação entre variáveis, ocorrendo em um período muito curto. As derivas abruptas exigem detecção rápida para evitar degradações importantes no desempenho do modelo.
Deriva Recorrente
Fenômeno onde os conceitos ou relações entre variáveis reaparecem periodicamente após terem desaparecido temporariamente. O reconhecimento de padrões recorrentes permite antecipar mudanças e otimizar estratégias de adaptação.
Deriva de Covariáveis
Tipo de deriva onde a distribuição das variáveis de entrada muda enquanto a relação condicional P(Y|X) permanece estável. Este fenômeno afeta particularmente modelos sensíveis à distribuição das características, como algoritmos bayesianos.
Deriva de Prioridade
Mudança na distribuição marginal da variável alvo P(Y) sem modificação da relação condicional P(Y|X). Esta deriva afeta as previsões globais, mas preserva as relações locais entre variáveis.
Adaptação Online
Processo de atualização contínua do modelo preditivo à medida que novos dados chegam, permitindo uma resposta rápida às derivas conceituais. A adaptação online equilibra a estabilidade do modelo e a reatividade às mudanças.
Atraso de Detecção
Métrica que mede o tempo decorrido entre a ocorrência real de uma deriva conceitual e sua detecção pelo algoritmo. Um atraso mínimo é crucial para minimizar o período de degradação do desempenho do modelo.
Taxa de Falsos Positivos
Proporção de falsos alertas de desvio gerados pelo algoritmo de detecção, levando a atualizações desnecessárias do modelo. A otimização desta taxa é essencial para manter a estabilidade, garantindo a sensibilidade.
Detecção Supervisionada
Método de detecção de desvio que utiliza rótulos reais para analisar diretamente as mudanças na relação entre entradas e saídas. Esta abordagem oferece alta precisão, mas requer a disponibilidade contínua das verdades de campo.
Detecção Não Supervisionada
Abordagem de detecção de desvio que se baseia apenas nas características dos dados de entrada sem usar rótulos, geralmente através da análise de mudanças na distribuição estatística. Este método é aplicável mesmo quando as verdades de campo não estão disponíveis.