Cuando el mundo cambia bajo su modelo
Una primera mirada al drift de datos y al drift de conceptos.
Cuando el mundo cambia bajo su modelo es una lección gratuita de MLOps Academy en CoddyKit. Esta es la lección 3 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de MLOps Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de MLOps Academy incluye 4 lecciones en total.
Partes de esta lección aún no han sido traducidas y se muestran en inglés.
Models Get Stale
Your model is a snapshot of the past. As the real world moves on, that snapshot slowly goes out of date. This slow rot is called drift. 🌍
Data Drift
Data drift means the inputs change shape, like users suddenly being younger or shopping at new hours, even if the right answer rules stay the same.
Concept Drift
Concept drift is deeper: the relationship between inputs and the target changes. The same input now deserves a different prediction than before.
A Real Example
A spam filter faces concept drift constantly. Spammers change tactics, so yesterday's clear spam signal becomes today's normal email. The concept moved.
Sudden vs Gradual
Drift can be sudden, like a lockdown changing behavior overnight, or gradual, creeping over months. Both erode accuracy, just at different speeds.
Seasonal Patterns
Not every shift is permanent. Seasonal changes, like holiday shopping spikes, repeat each year and should not be mistaken for true drift.
Spotting Data Drift
To detect data drift, compare a feature's recent distribution against the training distribution and measure the gap between them.
ref = train['age']
cur = live['age']
# compare distributions, not single valuesSpotting Concept Drift
Concept drift is harder because you need real labels. Watch your accuracy over time, and a steady decline hints the concept has shifted.
Drift Is Not a Bug
Drift is not broken code, it is the world doing its job. The only real cure is keeping your model fresh through retraining.
Monitor, Then React
You cannot fix drift you never see. Set up drift monitoring first, then decide whether to alert, retrain, or roll back.
Two Names, One Goal
Remember the split: data drift is inputs changing, concept drift is the answer rule changing. Both signal it may be time to refresh the model.
Quick Check
Tell data drift and concept drift apart.
Recap
The world shifts under every model. Data drift changes inputs, concept drift changes the answer rule. Monitor both and retrain to stay accurate. ✅
Preguntas frecuentes
¿La lección «Cuando el mundo cambia bajo su modelo» es gratis?
Sí — el texto completo de «Cuando el mundo cambia bajo su modelo» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de MLOps Academy, actualiza a CoddyKit PRO. El curso de MLOps Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Cuando el mundo cambia bajo su modelo»?
Una primera mirada al drift de datos y al drift de conceptos. Practicas MLOps Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar MLOps Academy?
No se requiere experiencia previa. MLOps Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 3 de 4.
¿Cuánto tiempo toma la lección «Cuando el mundo cambia bajo su modelo»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de MLOps Academy?
Sí. Cada lección de MLOps Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- La trampa de la divergencia entre entrenamiento y servicio
- Fallos silenciosos: sin errores, respuestas incorrectas
- Cuando el mundo cambia bajo su modelo
- El problema de la reproducibilidad