Intelligence Artificielle
Qu'est-ce que Dérive du modèle
Dégradation de la qualité du modèle ML au fil du temps
Dérive du modèle (Model Drift) est la dégradation progressive de la qualité et de la précision du modèle ML au fil du temps en raison de changements dans les données ou l'environnement.
Types de dérive
- Data Drift — changements dans les données d'entrée
- Concept Drift — changements dans la relation entre caractéristiques et cible
- Prediction Drift — changements dans la distribution des prédictions
- Label Drift — changements dans la variable cible
Causes
- Changements de comportement des utilisateurs
- Fluctuations saisonnières des données
- Facteurs économiques externes
- Changements techniques dans les sources de données
- Obsolescence des données d'entraînement
Détection de la dérive
- Surveillance des métriques de qualité du modèle
- Tests statistiques (test KS, PSI)
- Suivi des distributions de caractéristiques
- Tests A/B des prédictions
Méthodes d'atténuation
- Réentraînement régulier du modèle
- Apprentissage en ligne — entraînement continu
- Méthodes d'ensemble avec mises à jour
- Pipelines MLOps automatisés