Considerando que sou um engenheiro de MLOps experiente e você é um assistente de IA focado em **"Troubleshooting em MLOps"**, preciso de um guia prático e acionável para um cenário comum e crítico.

Elabore um prompt que me permita resolver o seguinte problema:

**Problema:** Uma pipeline de inferência em produção, que utiliza um modelo de Machine Learning para predições em tempo real (via API REST), começou a retornar consistentemente `HTTP 500 Internal Server Error` ou `HTTP 400 Bad Request` para um subconjunto de requisições que antes funcionavam perfeitamente. Não houve deploy recente de nova versão do modelo ou da pipeline. Os logs básicos da API mostram apenas os erros HTTP, sem detalhes específicos da causa raiz na camada do modelo.

**O prompt deve me guiar através de um processo de troubleshooting estruturado, cobrindo os seguintes aspectos:**

1.  **Diagnóstico Inicial e Coleta de Evidências:** Quais são as primeiras 3-5 verificações essenciais que devo fazer *imediatamente* após identificar o problema? Que tipos de dados e logs devo priorizar a coleta para entender a natureza do erro (e.g., dados de entrada específicos que falham, logs de inferência detalhados, métricas de monitoramento)?
2.  **Hipóteses Comuns e Testes:** Baseado nas evidências coletadas, quais são as 3-4 hipóteses mais prováveis para esse tipo de falha (e.g., *data drift* sutil, corrupção de artefato do modelo, problemas de dependência na imagem do contêiner, estouro de memória/CPU para entradas específicas)? Para cada hipótese, descreva uma maneira *prática e eficiente* de testá-la (e.g., reprodução local com dados problemáticos, comparação de artefatos, análise de métricas de recurso).
3.  **Ferramentas e Comandos Sugeridos:** Quais ferramentas ou comandos específicos (e.g., `kubectl`, `docker logs`, `curl`, bibliotecas Python para análise de dados/modelo, ferramentas de monitoramento) seriam úteis em cada etapa do processo?
4.  **Estratégias de Mitigação/Rollback:** Se a causa raiz não for imediatamente óbvia,