Glossaire

Dérive de modèle (model drift)

Qu’est-ce que Dérive de modèle (model drift) ?

La dérive de modèle (model drift) désigne la baisse progressive de la qualité des prédictions d’un modèle en production, parce que la réalité évolue par rapport aux données d’entraînement. On distingue les changements dans les données d’entrée (data drift) et ceux dans la relation entre entrées et résultat (concept drift). Exemple : un modèle de détection de fraude ne repère plus de nouveaux schémas de fraude. Les remèdes sont la surveillance continue des indicateurs et un réentraînement régulier.

Thèmes

MLOps
qualité du modèle
surveillance

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Robustesse des modèles

La robustesse d’un modèle décrit sa fiabilité lorsque les entrées sont bruitées, incomplètes, inhabituelles ou délibérément manipulées. Un modèle robuste fournit malgré tout des résultats stables, par exemple une reconnaissance d’images par faible luminosité ou un modèle de langage face aux fautes de frappe. On l’évalue par des tests de résistance, des données d’entraînement variées et des essais contre des tentatives de tromperie ; elle est essentielle dans les applications critiques pour la sécurité.

fiabilité
qualité du modèle
+1

Données d'entraînement

Les données d'entraînement sont les exemples à partir desquels un modèle d'IA apprend des régularités : de vastes corpus de textes pour les modèles de langage, des images annotées pour les modèles de vision. Leur qualité, leur diversité et leur actualité déterminent largement la fiabilité, l'équité et le niveau de connaissances d'un modèle. Pour une entreprise, il importe aussi de savoir si un fournisseur réutilise vos données clients pour l'entraînement.

Données
Entraînement
+1

MLflow

MLflow est une plateforme open source de gestion du cycle de vie complet des modèles de machine learning, présentée à l’origine par Databricks en 2018. Elle enregistre les expériences avec leurs paramètres et métriques, gère les versions de modèles dans un registre et facilite le déploiement. Les versions récentes permettent aussi de tracer et d’évaluer des applications fondées sur des modèles de langage. Les équipes peuvent ainsi retrouver avec quelles données et quels réglages chaque modèle a été produit.

MLOps
open source
+1

Précision et stabilité des modèles d’IA

La précision décrit la fréquence à laquelle un modèle d’IA fournit des résultats corrects ; la stabilité, la fiabilité de cette performance face à des entrées légèrement modifiées, à de nouvelles données ou dans le temps. Un modèle peut être très précis en test et pourtant instable si une simple reformulation de la question change la réponse. En production, on vérifie ces deux propriétés avec des cas de test fixes, la validation croisée et une surveillance continue.

Qualité du modèle
Robustesse
+1