"Você é um engenheiro de MLOps experiente e seu colega, um engenheiro júnior, está com dificuldades para diagnosticar um problema em um pipeline de inferência em produção. O modelo, que usa redes neurais para detecção de anomalias em dados de telemetria de IoT, começou a reportar um aumento significativo de falsos positivos nas últimas 24 horas, mas não houve deploy recente do modelo ou mudança na infraestrutura. A latência das predições também aumentou ligeiramente, mas ainda dentro dos limites aceitáveis. O monitoramento básico (uso de CPU/GPU, memória) parece normal.

Crie um passo a passo detalhado (enumerado) para o engenheiro júnior, com ações específicas e ferramentas comuns em um ambiente de MLOps (ex: Prometheus, Grafana, ELK Stack, logs do Kubernetes, ferramentas de profiling de Python/frameworks de ML como PyTorch/TensorFlow, ferramentas de versionamento de dados/modelos como DVC/MLflow, notebooks Jupyter) para investigar a causa raiz do aumento de falsos positivos e latência. Inclua perguntas que ele deve fazer a si mesmo ou à equipe de dados. Foque na metodologia de 'troubleshooting' em MLOps, abordando desde a coleta inicial de informações até a hipótese e validação, considerando possíveis problemas em:

1.  **Dados de Entrada (Data Drift/Data Quality):** Alterações nas características dos dados recebidos.
2.  **Ambiente de Execução:** Problemas não óbvios na infraestrutura ou dependências.
3.  **Integridade do Modelo/Artefato:** Corrupção ou degradação silenciosa do modelo carregado.
4.  **Recursos Computacionais (sutil):** Gargalos que não são óbvios no monitoramento de alto nível.

Seja didático e explique a lógica por trás de cada passo. O objetivo é capacitá-lo a resolver problemas semelhantes no futuro."