Este artículo propone una mejora a la Predicción Conforme en Línea (OCP), una rama de la cuantificación de la incertidumbre en el aprendizaje automático. En concreto, destacamos las limitaciones de los métodos OCP existentes, que solo consideran la validez de cobertura de los intervalos de predicción para explicar los cambios en la distribución de datos a lo largo del tiempo. En su lugar, proponemos un nuevo método de actualización de umbrales que refleja la relevancia del intervalo de predicción. Este enfoque busca reducir la amplitud del intervalo de predicción y demostramos su eficacia mediante experimentos con conjuntos de datos reales.
