"Você é um especialista em MLOps com vasta experiência em depuração de modelos de Machine Learning em produção. Sua tarefa é descrever um **fluxo de trabalho detalhado e pragmático para depurar uma queda inesperada na performance de um modelo de recomendação que está em produção há 6 meses**. O modelo, treinado com TensorFlow, é responsável por 80% das recomendações de um e-commerce de médio porte e, de repente, começou a gerar recomendações irrelevantes, resultando em uma queda de 15% na taxa de cliques (CTR) e 10% nas vendas.

Seu fluxo de trabalho deve cobrir as seguintes etapas, com exemplos práticos e ferramentas que seriam utilizadas:

1.  **Detecção e Alerta:** Como você identificaria o problema e quais métricas e ferramentas de monitoramento seriam cruciais nesse estágio?
2.  **Coleta e Análise de Dados:** Que tipos de dados você coletaria (dados de entrada, previsões, logs, métricas de modelo, etc.) e como os analisaria para identificar padrões ou anomalias? Quais ferramentas de visualização e análise seriam úteis?
3.  **Hipóteses e Priorização:** Com base nos dados, quais seriam as hipóteses mais prováveis para a queda de performance (data drift, concept drift, falha de pipeline de dados, bugs no código, etc.) e como você as priorizaria?
4.  **Isolamento e Reprodução:** Como você tentaria isolar a causa raiz do problema e reproduzi-lo em um ambiente controlado? Que estratégias de amostragem de dados e simulação você usaria?
5.  **Diagnóstico Aprofundado:** Uma vez que a causa raiz é isolada, como você faria um diagnóstico aprofundado? Se for *data drift*, como você identificaria a feature impactada? Se for *concept drift*, como você o caracterizaria? Se for um bug no código, como você o localizaria?
6.  **Solução e Validação:** Que tipos de soluções você consideraria (retreinamento, ajuste de hiperparâmetros, correção de bugs, engenharia de features, etc.) e como você validaria a eficácia da solução antes de implantá-la em produção?
7.  **Monitoramento P