Desviación del concepto

Los modelos de aprendizaje automático se entrenan mediante el uso de datos históricos, lo que permite al modelo terminado realizar predicciones sobre el futuro. Si bien a menudo se dice que "la historia se repite", esto no siempre es cierto en el aprendizaje automático. Con el tiempo, podría ser más apropiado decir "el futuro no es lo que solía ser". Los modelos de aprendizaje automático pueden volverse menos efectivos al trabajar con nuevos conjuntos de datos por causa de la desviación del concepto, un proceso que puede ocurrir cuando los patrones que se utilizaron inicialmente para entrenar un modelo de aprendizaje automático cambian con el tiempo y el modelo ya no funciona de manera correcta con los nuevos datos.

Por ejemplo, un modelo puede predecir las emisiones de carbono en función de los patrones de tráfico alrededor de una región del país. Con el tiempo, a medida que las poblaciones crecen y se reducen en la región y opciones como trabajar o estudiar desde casa se vuelven más disponibles, estos cambios pueden resultar en que el modelo cree predicciones menos precisas a medida que transcurre el tiempo. En esencia, la efectividad del modelo puede decaer en la medida que el concepto que intenta predecir cambia con el paso del tiempo.

Es posible que no siempre se pueda predecir cuándo un modelo estará sujeto a la desviación del concepto, pero siempre debe considerar esta posibilidad al planear cómo se mantendrán los modelos en proyectos donde un modelo de aprendizaje automático se integra a una solución de software a largo plazo.