ITU-T Recommendations

Por supervisión del aprendizaje automático (ML)/inteligencia artificial (IA) se entienden el seguimiento y la observación continuos en tiempo real de un sistema ML/IA en entornos de producción. La supervisión de ML/IA evalúa la calidad de funcionamiento de un modelo de ML/IA para determinar si funciona efectivamente. Cuando el modelo de ML/IA experimenta algún tipo de degradación de la calidad de funcionamiento, es necesario tomar las medidas de mantenimiento adecuadas para restaurar la calidad de funcionamiento.Los modelos de ML/IA se entrenan sobre la base de datos históricos y supuestos acerca del entorno operativo. Sin embargo, el entorno es dinámico. Esta dinámica puede dar lugar a la degradación del modelo, es decir, un declive de la precisión predictiva o de la calidad de las decisiones a lo largo del tiempo, causada por fenómenos como la deriva de datos o la deriva de conceptos. Por consiguiente, el entorno y el estado de ejecución del modelo de ML/IA deben supervisarse a fin de determinar si es necesario o no actualizar el modelo. Para superar los diversos problemas que genera la degradación de la calidad de funcionamiento es necesario definir y supervisar una serie de parámetros y eventos. Por consiguiente, escoger las estrategias de supervisión adecuadas basándose en el caso de uso concreto, las características de datos y los requisitos operativos es una fase esencial a la hora de garantizar la fiabilidad a largo plazo y la efectividad de los sistemas de ML/IA.En la Recomendación UIT-T Q.4081 se dan orientaciones y referencias sobre los métodos y métricas de supervisión del ML/IA.