Le processus de mise à jour d’un modèle d'IA avec des données nouvelles ou actualisées pour maintenir la performance et la conformité à mesure que les distributions de données évoluent.
Un pipeline planifié ou déclenché par un événement qui ingère de nouvelles données étiquetées (par exemple, des transactions récentes), réentraîne le modèle avec des paramètres mis à jour, valide les performances par rapport aux références actuelles, puis déploie la nouvelle version. La gouvernance définit la fréquence de réentraînement, les étapes d’approbation (tests automatisés, revues de validation), les protocoles de retour arrière et les exigences en matière de documentation afin de garantir des mises à jour maîtrisées.
Le modèle de prévision de la demande d’une entreprise logistique est réentraîné chaque mois à partir des 90 derniers jours de données d’expédition, exécute des validations automatisées (précision, dérive, équité) et déploie le modèle mis à jour pendant les heures creuses. Si les indicateurs post-déploiement se dégradent, le système revient à la version précédente.
