Se produit lorsque la complexité du modèle (par exemple, un nombre insuffisant de paramètres, une régularisation excessivement forte) empêche l’apprentissage des relations réelles, ce qui entraîne des erreurs élevées en entraînement comme en validation. Les pratiques de gouvernance incluent la surveillance des pertes d’entraînement et de validation, la définition de seuils d’erreur acceptables, ainsi que l’augmentation itérative de la capacité du modèle ou de la complexité des caractéristiques jusqu’à la résolution du sous-apprentissage, tout en veillant à ce que les modifications soient suivies et examinées via le contrôle de version et des points de validation.