Last updated:
La dégradation progressive de la performance prédictive d'un modèle d'intelligence artificielle au fil du temps, causée par l'évolution des données réelles ou de son environnement de production.
La dérive se produit lorsque les propriétés statistiques du jeu de données rencontré par le modèle en production ne correspondent plus aux données sur lesquelles il a été entraîné. La gouvernance de l'IA nécessite une surveillance post-déploiement afin de détecter toute dérive, car un modèle précis et équitable lors de son lancement peut devenir peu fiable ou biaisé à mesure que les conditions externes évoluent.
Real world example:
Une IA conçue pour la vente au détail et entraînée sur les habitudes de consommation de 2019 a subi une dérive de modèle lors de la pandémie de 2020, le comportement des consommateurs ayant changé de manière si radicale que les prévisions de stocks du modèle sont devenues obsolètes.
