Deriva del modelo (drift)

Un modelo de IA aprende cómo era el mundo en el momento en que se entrenó. Si el mundo cambia (nuevos clientes, otra situación económica, otros productos), sus predicciones empeoran poco a poco. Ese fenómeno se llama deriva o drift.

Se distinguen dos tipos: la deriva de datos, cuando cambian las características de los datos de entrada (por ejemplo, la edad media de los solicitantes), y la deriva de concepto, cuando cambia la relación entre los datos y el resultado (lo que antes indicaba buen pagador ya no lo indica).

Por eso un modelo no se valida una vez y se olvida. Hay que vigilar métricas de rendimiento y de distribución de datos, fijar umbrales de alerta y decidir cuándo reentrenar. Para los sistemas de alto riesgo, esta vigilancia forma parte del seguimiento poscomercialización que exige el AI Act.