Dernière mise à jour :
La modification au fil du temps des propriétés statistiques de la variable cible, que le modèle s'efforce de prédire, entraînant ainsi une dégradation des performances du modèle.
Se produit lorsque la relation sous-jacente entre les entrées et les sorties change, par exemple en raison de tendances saisonnières, de fluctuations du marché ou de comportements adverses. La détection de la dérive nécessite de surveiller la distribution des données d'entrée et de sortie. De plus, les flux de gouvernance doivent définir des seuils de dérive, des cadences de réapprentissage ainsi que des contrôles humains avant tout redéploiement automatique.
Exemple concret :
Le modèle de prévision de la demande d'un détaillant voit sa précision chuter brutalement pendant une pandémie, en raison de l'évolution des habitudes d'achat. Des détecteurs de dérive signalent cet écart, et l'équipe de science des données réentraîne le modèle sur les données de ventes récentes, en ajustant les facteurs de saisonnalité avant le cycle de planification suivant.
