Desvio de Cliente é um termo usada em aprendizado de máquina and inteligência artificial to describe a situation where the distribuição de dados of the clients interacting with a model changes over time. This can lead to a decrease in the model’s performance as it becomes less effective in making accurate predictions or decisions based on the novos dados.
Em muitas aplicações, os modelos são treinados com dados históricos que refletem um contexto ou conjunto de condições específicas. No entanto, à medida que o tempo passa, as características dos dados recebidos podem evoluir devido a vários fatores, como mudanças no comportamento do usuário, tendências de mercado ou eventos externos. Quando essas mudanças ocorrem, o modelo pode não estar mais alinhado com os dados atuais, levando ao que é conhecido como Desvio de Cliente.
O Desvio de Cliente pode se manifestar de várias maneiras, incluindo:
- Desvio de Características: Changes in the underlying features of the data that the model uses for predictions.
- Desvio de Rótulo: Alterations in the distribution of the target variable or outcomes that the model aims to predict.
- Deriva de Conceito: Uma mudança completa na relação entre os dados de entrada e os resultados alvo.
To address Client Drift, practitioners often implement strategies such as continuous monitoring of desempenho do modelo, retraining models on new data, or employing adaptive algorithms that can adjust to changes in data distribution. Understanding and mitigating Client Drift is crucial for maintaining the accuracy and reliability of AI systems deployed in dynamic environments.