NannyML es una biblioteca de Python de código abierto diseñada para monitorear y mantener el rendimiento de los modelos de aprendizaje automático en entornos de producción, incluso cuando las etiquetas de verdad de terreno están retrasadas o no están disponibles. Al estimar el rendimiento del modelo sin acceso a los datos objetivo, NannyML permite a los científicos de datos e ingenieros de ML detectar y abordar problemas como el desplazamiento de datos y el desplazamiento de concepto, asegurando que los modelos continúen ofreciendo predicciones precisas y confiables a lo largo del tiempo. Características y Funcionalidades Clave: - Estimación de Rendimiento Sin Etiquetas: Utiliza técnicas estadísticas avanzadas como la Estimación de Rendimiento Basada en Confianza (CBPE) y la Estimación de Pérdida Directa (DLE) para estimar métricas de clasificación y regresión en tiempo real, sin requerir resultados reales. - Detección de Desplazamiento de Datos: Monitorea cambios en las distribuciones de datos de entrada tanto a nivel de características como de conjunto de datos, empleando métricas como la divergencia de Jensen-Shannon y la distancia de Wasserstein para identificar cambios que puedan afectar el rendimiento del modelo. - Detección de Desplazamiento de Concepto: Mide el impacto del desplazamiento de concepto en el rendimiento del modelo, proporcionando información sobre cuándo puede ser necesario un reentrenamiento. - Análisis de Causa Raíz: Vincula alertas de desplazamiento de datos a características específicas, permitiendo la identificación rápida de los factores que contribuyen a la degradación del rendimiento. - Evaluación del Impacto Empresarial: Permite a los usuarios definir matrices de costo-beneficio para cuantificar los resultados monetarios o orientados al negocio del rendimiento del modelo, asegurando la alineación con los objetivos organizacionales. - Monitoreo y Alertas Automatizadas: Proporciona sistemas de alerta inteligentes que se centran en problemas que impactan el rendimiento, reduciendo falsas alarmas y la fatiga de alertas. - Integración y Despliegue: Ofrece integración sin problemas con las canalizaciones de MLOps existentes y puede ser desplegado dentro de la infraestructura en la nube de una organización para una mayor seguridad y control. Valor Principal y Problema Resuelto: NannyML aborda el desafío crítico de mantener el rendimiento de los modelos de aprendizaje automático en entornos de producción donde las etiquetas de verdad de terreno a menudo están retrasadas o ausentes. Al permitir la estimación de rendimiento en tiempo real y la detección de desplazamientos sin la necesidad de resultados reales, NannyML empodera a los equipos de ciencia de datos para identificar y resolver proactivamente problemas que podrían llevar a la degradación del modelo. Este monitoreo proactivo asegura que los modelos continúen proporcionando predicciones precisas, preservando así su valor empresarial y apoyando procesos de toma de decisiones informadas. Además, al reducir las falsas alarmas y centrarse en los cambios que impactan el rendimiento, NannyML ayuda a los equipos a evitar la fatiga de alertas y a asignar recursos de manera más efectiva.