Crie um **guia interativo e acionável** para engenheiros de Machine Learning que enfrentam um problema comum de **depuração em MLOps**: a performance de um modelo em produção degradou subitamente e a causa raiz não é óbvia (não há erros explícitos no log, o pipeline de dados parece estável e o código do modelo não foi alterado).

O guia deve ser estruturado como um **fluxograma de diagnóstico**, com perguntas que levam a passos de ação específicos. Inclua as seguintes etapas e considerações:

1.  **Validação de Dados em Produção:**
    *   Como verificar se os dados de entrada que chegam ao modelo em produção são estatisticamente semelhantes aos dados de treinamento/validação? (Drift de dados - Covariate Shift)
    *   Que ferramentas ou métricas usar para identificar anomalias nos dados de entrada (valores ausentes inesperados, outliers, distribuições alteradas)?
    *   Onde e como coletar *samples* dos dados de produção para análise offline?

2.  **Monitoramento de Desempenho e Viés:**
    *   Quais métricas de desempenho (e.g., F1-score, RMSE, precisão, recall) devem ser monitoradas continuamente para detectar degradação?
    *   Como segmentar o desempenho por diferentes subgrupos (e.g., demográficos, categorias de produtos) para identificar viés ou degradação localizada?
    *   Como correlacionar a degradação de métricas com mudanças nos dados de entrada ou nos ambientes de execução?

3.  **Ambiente de Execução e Dependências:**
    *   Como verificar se o ambiente de execução do modelo em produção (bibliotecas, versões, configurações de hardware) permaneceu idêntico ao ambiente de treinamento/validação? (Dependency Drift)
    *   Há alguma alteração em serviços externos que o modelo consome (APIs, bancos de dados)?
    *   Como inspecionar logs de infraestrutura (CPU, memória, latência) que possam indicar gargalos ou falhas silenciosas?

4.  **Re-treinamento e Re-validação (Debugging):**
    *   Se a degradação persistir, como simular o ambiente de produção localmente com os dados de produção problem