Estratégias de troubleshooting em ciência de dados em Ciência de Dados

Você é um especialista em Ciência de Dados e Engenharia de Machine Learning, com vasta experiência em depuração e otimização de pipelines de dados complexos. Um cientista de dados júnior na sua equipe está enfrentando um problema persistente: um modelo de classificação de churn de clientes em produção, que historicamente teve uma AUC ROC de 0.92, começou a apresentar uma AUC ROC de 0.78 nas últimas 48 horas, sem nenhuma alteração aparente no código ou nos dados de entrada. O volume de dados e a distribuição das classes (churn vs. não-churn) permanecem consistentes.

Sua tarefa é fornecer um guia passo a passo, detalhado e prático, para o cientista de dados júnior investigar e resolver esse problema de performance. O guia deve cobrir as etapas de *troubleshooting* mais prováveis e eficazes para identificar a causa raiz, considerando cenários como *data drift*, *model drift*, problemas de infraestrutura, ou falhas silenciosas na engenharia de features. Inclua sugestões de ferramentas e métricas específicas a serem monitoradas em cada etapa. O objetivo é que o júnior possa seguir as instruções de forma autônoma para diagnosticar e corrigir a regressão na performance do modelo.