Monitoramento¶
O monitoramento contínuo é essencial para garantir que os modelos permaneçam precisos ao longo do tempo à medida que as distribuições de dados de produção mudam.
Nesta fase, comparamos as características do tráfego de pedidos de produção recebidos em relação à nossa linha de base de treinamento para calcular drift de característica e monitorar métricas operacionais e de desempenho.
Abaixo está o mais recente desempenho do modelo gerado e relatório de drift de característica:
# Model Monitoring Report
**Report Generated At:** `2026-06-06 16:44:33`
**Target Model:** `nyc_taxi_demand_forecaster` (Version: `3`, Alias: `@champion`)
**Monitored Samples:** `71253`
---
## 1. Quality Gates (Inference vs. Target)
The table below compares the performance of the active champion model on
incoming production data against the configured quality gates.
| Metric | Target Gate | Current Value | Status |
| :--- | :--- | :--- | :--- |
| **MAE** | `<= 50.0` | `12.0741` | ✅ PASS |
| **RMSE** | `<= 75.0` | `24.4486` | ✅ PASS |
| **R² Score** | `N/A` | `0.8880` | `N/A` |
---
## 2. Feature Drift Analysis
We monitor for distribution changes in features to identify if model updates
are needed due to changes in consumer patterns.
| Feature | Train Mean (Baseline) | Production Mean | Drift (Diff %) | Drift Status |
| :--- | :---: | :---: | :---: | :---: |
| **pickup_count** | `42.9883` | `48.0728` | `+11.83%` | `🚨 Drift Detected (Warning)` |
| **hour** | `11.90` | `11.90` | `+0.00%` | `Normal` |
| **day_of_week** | `2.96` | `2.96` | `+0.00%` | `Normal` |
| **is_weekend** | `0.2894` | `0.2894` | `+0.00%` | `Normal` |
| **month** | `1.01` | `1.01` | `+0.00%` | `Normal` |
---
## 3. Summary & Actions Required
- **Data Drift**: The main volume feature `pickup_count` shows a `+11.83%` shift from baseline.
- **Model Health**: Model predictions remain within the evaluation thresholds.
- **Recommended Action**: Initiate retraining run because significant drift is detected.