Dernière mise à jour :
Suivi continu des performances du modèle d'IA, de la dérive des données et des métriques opérationnelles afin de détecter toute dégradation ou risque émergent.
Des pipelines d'observabilité en direct collectent des métriques — précision, latence, dérive de la distribution des entrées, indicateurs clés de performance d'équité, taux d'erreur — et les comparent à des seuils de référence. Des alertes automatisées se déclenchent en cas d'anomalies. La gouvernance définit les éléments à surveiller, les seuils d'alerte, les procédures d'escalade ainsi que les déclencheurs de réentraînement, et enregistre toutes les données de surveillance à des fins d'audit.
Exemple concret :
Un modèle de recommandation pour le commerce électronique suit quotidiennement les taux de clics et l'évolution démographique des utilisateurs. Lorsque le taux de clics chute de plus de 5 % ou que l'évolution démographique diverge, une alerte est envoyée à l'équipe Data Science Ops, qui examine les éventuels problèmes liés au pipeline de données ou lance un réentraînement du modèle afin de restaurer ses performances.
