Desenvolvimento de detector deriva/anomalia para a construção de esteiras de MLOps eficientes

Abstract

Modelos de aprendizado de máquina frequentemente enfrentam o desafio de manter a precisão em ambientes sujeitos a mudança de comportamento ou anomalias isoladas. Identificar corretamente esses dois eventos demonstra-se uma problemática que gera, com frequência, falsos positivos e retreinamentos de modelos desnecessários. Tendo isso em vista, este trabalho tem como objetivo propor uma arquitetura capaz de detectar e diferenciar esses eventos de maneira precisa e automatizada. A metodologia se deu pela construção de um pipeline em Python, estruturado com múltiplos filtros de validação baseados na combinação de técnicas estatísticas, como a “regra do boxplot” e o ADWIN, e cruzamentos com base de dados históricos. O algoritmo foi conteinerizado em uma API Flask e avaliado em quatro diferentes cenários. Os resultados demonstram que os filtros aplicados funcionam como uma barreira que protege o sistema de falsos positivos, permitindo que o sistema identifique as derivas de conceito em todos os casos testados. A pesquisa conclui que a arquitetura proposta agrega robustez às esteiras de MLOps, garantindo retreinamentos apenas mediante a mudanças reais no padrão de comportamento histórico na distribuição de dados.