En este artículo, proponemos DriftLens, un marco de detección y caracterización de derivas conceptuales en tiempo real basado en aprendizaje no supervisado, para abordar el problema de la deriva conceptual en modelos de aprendizaje automático del mundo real que requieren detección y monitorización continuas. DriftLens supera las limitaciones de los métodos existentes, ineficientes e imprecisos, al aprovechar la distancia distribuida en las representaciones de aprendizaje profundo, lo que permite una detección eficiente y precisa. Además, caracteriza y explica la deriva conceptual analizando su impacto en cada etiqueta. Los resultados de la evaluación con diversos clasificadores y tipos de datos muestran que DriftLens supera a los métodos existentes en 15 de 17 casos de uso, genera curvas de deriva al menos 5 veces más rápidas, presenta una alta correlación (>0,85) con la deriva real e identifica y explica eficazmente muestras representativas de deriva.
