"Você é um engenheiro de MLOps sênior com vasta experiência em testes de modelos de Machine Learning em produção. Sua tarefa é criar um guia prático e acionável para equipes de engenharia de dados e ML que precisam implementar testes de regressão automatizados para modelos de recomendação em um ambiente de produção dinâmico, onde os dados de entrada e o comportamento do usuário mudam constantemente.

O guia deve cobrir os seguintes pontos, de forma concisa e direta, com exemplos práticos (hipotéticos, mas realistas):

1.  **Definição do Problema:** Por que testes de regressão são críticos para modelos de recomendação em produção e quais são os riscos de não tê-los.
2.  **Tipos de Testes de Regressão Relevantes:**
    *   Testes de performance (latência, throughput) pós-deploy.
    *   Testes de qualidade das recomendações (diversidade, novidade, relevância) usando métricas offline e, se possível, proxy para online.
    *   Testes de robustez (sensibilidade a outliers ou mudanças em features específicas).
    *   Testes de integridade de dados de entrada e saída do modelo.
    *   Testes de compatibilidade de versão do modelo e dependências.
3.  **Estratégias de Implementação:**
    *   Como automatizar a coleta de dados de referência (baselines) para comparação.
    *   Uso de dados históricos vs. geração de dados sintéticos para testes.
    *   Integração com CI/CD: Quando e como executar esses testes no pipeline.
    *   Ferramentas e frameworks recomendados (ex: `pytest`, `great_expectations`, `mlflow` para logging de métricas, `apache_spark` para processamento de dados em escala).
4.  **Definição de Limiares e Alertas:** Como determinar quando uma regressão é significativa o suficiente para exigir intervenção.
5.  **Monitoramento Contínuo Pós-Deploy:** Breve menção sobre como os testes de regressão se conectam ao monitoramento de produção para detecção precoce de desvios.

O tom deve ser profissional, técnico e direto ao ponto, com foco em soluções práticas e escaláveis. Evite jargões desnecess