L'évolution des données d'entrée du modèle avec le temps, qui peut entraîner une dégradation des performances du modèle si elle n'est pas surveillée et corrigée.
Se produit lorsque les propriétés statistiques des données entrantes s’écartent de la distribution d’entraînement — en raison de la saisonnalité, de changements de comportement des utilisateurs ou de facteurs externes — ce qui conduit les modèles à produire des prédictions de plus en plus inexactes. Une gestion efficace de la dérive comprend une détection automatisée (par exemple, la comparaison des distributions de caractéristiques), des seuils d’alerte définis, ainsi que des workflows de réentraînement ou de recalibrage afin de rétablir les performances.
Le modèle de prévision de la demande d’un détaillant de commerce électronique se met soudainement à sous-estimer les ventes de vêtements d’été en raison d’une anomalie météorologique imprévue. Un détecteur de dérive signale le changement dans la distribution de la caractéristique de température, déclenche un réentraînement sur des données récentes et rétablit la précision des prévisions avant que des ruptures de stock ne se produisent.
