Concept drift, ou deriva de conceito, é quando a relação entre o que entra e o que sai muda com o tempo — e o modelo, que continua exatamente o mesmo, passa a errar mais sem que ninguém tenha mexido nele. É a forma mais silenciosa de um sistema de IA falhar: não há erro, não há alerta, só uma degradação gradual do resultado. A literatura formaliza a distinção que importa. Chamando de X os dados de entrada e y a resposta: no data drift, muda a distribuição de X enquanto a relação y dado X permanece — a fronteira de decisão não se move. No concept drift, muda justamente a relação y dado X, e isso desloca a fronteira de decisão, derrubando a acurácia. Um é mudança de público; o outro é mudança de significado — e é o segundo que exige retreinar.
A diferença em exemplos de marketing
| Tipo | O que mudou | Exemplo |
|---|---|---|
| Data drift | O perfil de quem chega | Uma campanha nova traz público mais jovem — mas jovens que compram continuam parecidos com os que compravam antes |
| Concept drift | O que caracteriza a conversão | Depois de uma mudança de preço, os sinais que indicavam intenção de compra deixam de indicar |
O segundo caso é mais grave porque o modelo aprendeu uma regra que deixou de valer. Retreinar com dados novos resolve; monitorar só o volume de entrada não detecta.
⚠️ Não existe prazo de validade universal
Circula em material comercial a ideia de que modelos “degradam X% ao ano” ou “precisam ser retreinados a cada N meses”. Procuramos por um estudo que quantifique isso de forma consolidada e não encontramos survey com número confiável — e isso faz sentido, porque a taxa depende inteiramente do domínio.
O que a literatura sustenta é qualitativo: a deriva leva à queda da acurácia, sem percentual universal. Um modelo de detecção de fraude pode envelhecer em semanas, porque há um adversário se adaptando; um modelo de classificação de produto pode durar anos.
A consequência prática é que calendário fixo de retreino é palpite. O que funciona é medir.
O que isso muda na prática
Marketing é um dos domínios com deriva mais rápida, porque quase tudo que define o comportamento muda: sazonalidade, concorrência, preço, plataforma, contexto econômico. Quatro medidas:
- Monitore o resultado, não só a disponibilidade. Saber que a API respondeu não diz nada sobre a qualidade da previsão. Acompanhe a métrica de negócio ao longo do tempo.
- Guarde um conjunto de referência. Reavalie o modelo periodicamente contra casos com resposta conhecida. Queda consistente é sinal de deriva.
- Anote os eventos. Mudança de preço, de canal, de posicionamento ou de política. Quando o modelo piorar, a causa provavelmente está nessa lista.
- Retreine por gatilho, não por calendário. Defina o limite de queda aceitável e retreine quando ele for cruzado.
A infraestrutura que torna isso possível — monitoramento, versionamento e retreino automatizado — está em pipeline de ML. E o cuidado ao avaliar modelo com dado temporal está em validação cruzada.
Fontes
- Learning under Concept Drift: A Review — Lu et al., IEEE TKDE; a formalização das fontes de deriva
- MLOps: Overview, Definition, and Architecture — monitoramento contínuo e ciclos de retreino
Leitura das fontes em 17/08/2026.