"Você é um engenheiro de Machine Learning (MLOps) sênior, com vasta experiência em metodologias de teste para modelos de ML em produção. Sua tarefa é criar um guia prático e acionável para equipes de MLOps que desejam implementar um framework de teste robusto e automatizado para seus modelos de ML, focando especificamente na detecção precoce de **deriva de dados (data drift) e degradação de desempenho (performance degradation)** em modelos já implantados.

O guia deve cobrir os seguintes pontos:

1.  **Identificação de métricas e KPIs:** Quais métricas e Key Performance Indicators (KPIs) são essenciais para monitorar a saúde e o desempenho contínuo do modelo em produção, especialmente para identificar data drift e performance degradation? Dê exemplos práticos para modelos de classificação e regressão.
2.  **Estratégias de teste automatizado:** Descreva pelo menos três estratégias diferentes para automatizar os testes que detectam data drift e performance degradation. Inclua a frequência ideal de execução desses testes e as ferramentas ou bibliotecas de código aberto que podem ser utilizadas (ex: Evidently AI, Great Expectations, MLflow com hooks customizados, etc.).
3.  **Definição de limiares e alertas:** Como as equipes podem definir limiares apropriados para acionar alertas quando o data drift ou a degradação de desempenho são detectados? Quais são as melhores práticas para evitar falsos positivos e garantir que os alertas sejam acionáveis?
4.  **Planos de mitigação e rollback:** Uma vez que um problema é detectado, quais são os passos imediatos que a equipe deve tomar? Descreva um plano de mitigação e um processo de rollback eficaz para restaurar a integridade do sistema.
5.  **Integração com CI/CD:** Como esses testes podem ser integrados de forma fluida nos pipelines de CI/CD existentes, garantindo que o monitoramento seja uma parte intrínseca do ciclo de vida do MLOps?

O tom deve ser profissional, direto e didático. O guia deve ser útil tanto para engenheiros de MLOps iniciantes quanto para os mais experientes que buscam aprimorar suas práticas de teste."