Mitigación de la Degradación de Modelos de Machine Learning en Ambientes Productivos

Abstract

La Inteligencia Artificial (IA) y los modelos de Machine Learning (ML) están revolucionando diversos sectores como las finanzas, salud, agricultura y transporte. Sin embargo, estos modelos son propensos a la degradación con el tiempo debido a cambios en los datos y en el entorno operativo. Esta degradación puede llevar a una disminución en la precisión de los modelos, con consecuencias potencialmente negativas y, en algunos casos, catastróficas. El objetivo de esta tesis es estudiar y mitigar la degradación de los modelos de ML en ambientes productivos. Se abordarán los conceptos de model drif y data drift, se analizarán casos reales de degradación y se desarrollará una aplicación web que detecte, monitoree y mitigue estos problemas. La herramienta propuesta permitirá el reentrenamiento de los modelos afectados, asegurando así su rendimiento óptimo. Esta herramienta será puesta a prueba por usuarios para evaluar su desempeño en materias de usabilidad. La investigación se centrará en identificar mecanismos para la detección de degradación, entrenar modelos en un entorno simulado y diseñar una estrategia de mitigación efectiva. El resultado final será una herramienta que detecta la degradación y permite acciones correctivas inmediatas para mantener la eficacia de los modelos de ML en producción.