Dérive de modèle
La dérive de modèle est le déclin progressif de la précision d'un modèle d'apprentissage automatique déployé à mesure que les données réelles qu'il rencontre s'éloignent de celles sur lesquelles il a été entraîné. Le vieillissement des équipements, les changements de procédé et de nouvelles conditions la provoquent.
Un modèle industriel entraîné sur le comportement passé suppose que le futur ressemble au passé, mais les usines changent : les actifs se dégradent, les matières premières varient, les consignes évoluent et les saisons tournent. À mesure que la distribution des données en direct s'écarte de celle d'entraînement, les prédictions deviennent moins fiables — un phénomène appelé dérive. La détecter exige de surveiller la performance du modèle et les statistiques des entrées dans le temps, et les remèdes vont du réentraînement périodique à des chaînes de réentraînement entièrement automatisées au sein du MLOps.