Um modelo de ML em produção que vinha atingindo as metas de repente apresenta desempenho degradado e fica abaixo dos limites. Qual é uma causa provável dessa queda repentina de desempenho?

A degradação repentina do desempenho de um modelo em produção, que antes atingia as metas, é um forte indicativo de desvio na distribuição dos dados de produção (drift). Isso ocorre quando as características dos dados de entrada em produção mudam significativamente em comparação com os dados usados para treinar o modelo, tornando as previsões do modelo menos precisas. Falta de dados de treinamento geralmente resulta em baixo desempenho desde o início, não uma queda repentina. Restrições de recursos de computação podem causar lentidão ou falhas, mas não necessariamente degradação na precisão. Overfitting faria o modelo ter um desempenho ruim em dados novos desde o início, não após um período de bom desempenho.