Dernière mise à jour :
La dégradation au fil du temps des performances prédictives d'un modèle d'IA, causée par l'évolution des données réelles ou de son environnement.
La dérive se produit lorsque les propriétés statistiques des données que le modèle rencontre en production ne correspondent plus aux données sur lesquelles il a été entraîné. La gouvernance de l'IA nécessite une surveillance post-déploiement pour détecter cette dérive, car un modèle précis et équitable lors de son lancement peut devenir peu fiable ou biaisé à mesure que les conditions externes évoluent.
Exemple concret :
Une IA de vente au détail entraînée sur les habitudes de consommation de 2019 subit une dérive de modèle lors de la pandémie de 2020, le comportement des consommateurs ayant changé si radicalement que les prévisions de stock du modèle sont devenues obsolètes.
