Son dos tipos de problemas que degradan el rendimiento de los modelos de IA con el tiempo. El **Data Drift** ocurre cuando las propiedades estadísticas de los datos de entrada cambian (por ejemplo, cambia el comportamiento del usuario). El **Concept Drift** sucede cuando la relación entre los datos de entrada y la salida cambia (por ejemplo, la definición de ""fraude"" evoluciona). Monitorear ambos es clave para mantener la calidad de los modelos en producción, permitiendo reentrenarlos o ajustarlos antes de que su rendimiento decaiga.