Dernière mise à jour :
L'évolution des données d'entrée des modèles au fil du temps, pouvant entraîner une dégradation de leurs performances 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 entraîne des prédictions de plus en plus inexactes de la part des modèles. Une gestion efficace de la dérive comprend une détection automatisée (par exemple, en comparant les distributions des caractéristiques), des seuils définis pour les alertes, ainsi que des flux de travail de réentraînement ou de recalibrage pour rétablir les performances.
Exemple concret :
Le modèle de prévision de la demande d’un détaillant en commerce électronique sous-estime soudainement les ventes de vêtements d’été en raison d’une anomalie météorologique imprévue. Un détecteur de dérive signale le changement dans la distribution des données de température, déclenche un réapprentissage sur les données récentes et rétablit la précision des prévisions avant que des ruptures de stock ne surviennent.
