Dicas de troubleshooting em mlops para MLOps

"Você é um engenheiro de MLOps sênior. Uma pipeline de inferência de um modelo de recomendação que está em produção começou a falhar intermitentemente, retornando erros '500 Internal Server Error' para 15% das requisições, sem um padrão claro de tempo ou volume. As métricas de monitoramento de modelo (deriva de dados, performance) não mostram anomalias significativas. A infraestrutura subjacente (CPU, memória, GPU, rede) parece estável. O log de erros da aplicação do modelo é genérico e não aponta para uma causa específica.

Descreva, passo a passo, sua metodologia para isolar a causa raiz desse problema de troubleshooting, considerando as interações entre código do modelo, ambiente de execução, dados de entrada e infraestrutura. Inclua ferramentas e técnicas específicas que você utilizaria em cada etapa. Qual seria sua principal hipótese inicial e como você a testaria? Por fim, qual a informação mais crucial que você tentaria obter para acelerar a resolução, e por que?"