1. La dégradation silencieuse des modèles d’IA en production

Contrairement à un bogue logiciel classique qui déclenche une exception visible, un modèle de Machine Learning en production ne plante généralement pas : il continue de produire des prédictions, mais celles-ci deviennent progressivement fausses et néfastes pour l’entreprise en raison de l’évolution du monde réel.

2. Les formes de dérive (Drift)

• Data Drift (Dérive des covariables) : La distribution statistique des données d’entrée P(X) change au fil du temps (ex. évolution des habitudes d’achat post-crise économique), alors que la relation sous-jacente reste identique. Détectable via le test de Kolmogorov-Smirnov ou la divergence de Kullback-Leibler.
• Concept Drift (Dérive du concept) : La relation fondamentale entre entrées et sortie cible P(Y|X) change (ex. nouvelles techniques sophistiquées de fraude bancaire contournant les anciens critères d’alerte).

3. Stratégies d’alerte et de réentraînement automatisé

À l’aide d’outils comme Evidently AI ou Prometheus, l’ingénieur configure des sondes télémétriques continues. Lorsqu’un seuil critique de dérive est franchi, le pipeline déclenche automatiquement l’ingestion des données fraîches, le réentraînement du modèle et une évaluation comparative (A/B Testing ou Canary Deployment) avant bascule définitive du trafic.