2026-10-15 –, Sala 2
Modelos mudam na produção. Entenda o drift e seu impacto em ML. Aprenda a monitorar, detectar e aplicar técnicas de mitigação para criar fluxos MLOps resilientes que se adaptam a novos dados.
Modelos de machine learning em produção sofrem "drift" (data ou concept drift), degradando o desempenho devido a mudanças nos dados reais e resultando em previsões desatualizadas. Esta palestra aborda estratégias práticas de detecção, métodos estatísticos, monitoramento de KPIs e técnicas de mitigação, como retreinamento inteligente e aprendizado adaptativo para sistemas de ML mais resilientes.
O que você vai aprender:
- Compreender os tipos de drift e seu impacto em modelos online.
- Implementar estratégias de monitoramento para data e concept drift.
- Explorar técnicas de mitigação para manter o desempenho do modelo.
- Integrar o tratamento de drift em fluxos de MLOps.
Este tutorial exige nível Python Intermediário e conhecimentos em dados e machine learning. O público deve dominar:
Ciência de Dados e Estatística: Compreensão do ciclo de modelagem preditiva, engenharia de atributos (feature engineering) e conceitos básicos de estatística descritiva (média, variância e distribuições).
Ecossistema Científico: Experiência prática na manipulação de dados tabulares com pandas, operações com numpy e treinamento de modelos tradicionais utilizando a biblioteca scikit-learn.
Ambiente de Desenvolvimento: Familiaridade com Jupyter Notebooks ou Google Colab, gerenciamento de pacotes via pip e criação de ambientes virtuais (venv ou conda).
Noções de MLOps: Conceitos iniciais sobre esteiras de produção e monitoramento.
Não é necessário conhecer ferramentas de streaming ou bibliotecas específicas de drift (como Evidently), pois serão ensinadas do zero.
Os participantes devem esperar um tutorial prático e focado na engenharia de MLOps. A expectativa é que saiam capacitados a codificar defesas automatizadas contra a degradação de modelos em produção utilizando Python.
A dinâmica simulará, em tempo real, um modelo perdendo eficiência devido a anomalias nos dados. A partir dessa falha, construiremos passo a passo a telemetria necessária para disparar alertas e estruturar relatórios estatísticos.
Ao final, o público terá um repositório funcional para replicar profissionalmente a verificação de desvios (data e concept drift) e pipelines de retreinamento automatizado.
Engenheira Ambiental, migrou para tecnologia aos 34 anos. Dev/Analista de Sistemas, faz MBA em Dados na USP/ESALQ. Paulista em Fortaleza, mãe de 2 jovens, tutora de 3 pets e amante de plantas.