Deriva del modelo (model drift)
Degradación del rendimiento de un modelo con el tiempo porque la realidad cambia y ya no se parece a sus datos de entrenamiento. Exige monitorización y reentrenamiento periódicos.
Degradación del rendimiento de un modelo con el tiempo porque la realidad cambia y ya no se parece a sus datos de entrenamiento. Exige monitorización y reentrenamiento periódicos.
Actualizado: 21 de septiembre de 2026.
Un modelo entrenado con datos de hace un año puede empeorar si los patrones del mundo cambian: nuevos comportamientos de usuario, inflación, modas. Aunque el modelo no cambie, su entorno sí.
Tipos de deriva
| Tipo | Qué cambia | Dónde se nota | Cómo se vigila |
|---|---|---|---|
| Deriva de datos | La distribución de las entradas deja de parecerse a la del entrenamiento. | En las variables de entrada y su frecuencia. | Comparar la distribución de entrada en producción con la del entrenamiento. |
| Deriva de concepto | Cambia la relación entre las entradas y el resultado correcto. | En la calidad de la predicción, aunque las entradas parezcan normales. | Medir el rendimiento contra resultados observados más adelante. |
| Deriva de rendimiento | El rendimiento del modelo cae respecto a su punto de partida. | En la métrica principal y en el error por segmento. | Seguir la métrica acordada y compararla con la línea base. |
Las tres se relacionan: la deriva de datos o de concepto suele acabar mostrándose como deriva de rendimiento. Vigilar la métrica final no basta para saber cuál de las anteriores la provocó.
Ejemplo hipotético
Imagina un modelo que estima la demanda semanal de una tienda de barrio. Se entrenó con datos de dos años en los que la mayoría de la venta era presencial. Supongamos que, por un cambio de hábitos, la mayoría de los pedidos pasan a hacerse por una app de reparto que no existía en los datos de entrenamiento.
- Las entradas cambian: aparecen canales y volúmenes de pedido que el modelo no había visto (deriva de datos).
- La relación entre "día de la semana" y "unidades vendidas" también cambia porque el reparto altera cuándo se compra (deriva de concepto).
- Si no se detecta, el error de la previsión crece frente a la línea base (deriva de rendimiento).
El ejemplo es ilustrativo, no una medición real: sirve para ver el orden en que conviene revisar cada tipo de deriva antes de culpar al modelo.
Checklist de monitorización
Antes de poner un modelo en producción, define por escrito estos cinco elementos. No inventes umbrales: el umbral sale de tus datos históricos, del coste de equivocarse y de lo que puedas revisar de verdad.
| Elemento | Qué dejar definido |
|---|---|
| Línea base (baseline) | Con qué resultado y con qué datos comparas el rendimiento actual. |
| Métrica | La métrica principal y, si aplica, la de los segmentos que más importan. |
| Umbral | A partir de qué caída o desviación se dispara una revisión. |
| Responsable | Quién recibe la alerta y decide si se reentrena o se ajusta el proceso. |
| Fecha de revisión | Cuándo se revisa si el umbral y la métrica siguen teniendo sentido. |
Fuente
- NIST, Artificial Intelligence Risk Management Framework (AI RMF 1.0). Marco de gestión de riesgos de IA de NIST
Para practicar
El trabajo con datos que alimenta estos sistemas se puede practicar en el catálogo actual. Un punto de partida es el curso Work para Datos, centrado en inspeccionar datos, construir análisis y preparar informes: Work para Datos.