Dérive de modèle
Modèles & architecturesDétérioration des performances d'un modèle IA lorsque son environnement change.
Explication
La dérive de modèle survient quand un système d'intelligence artificielle, initialement performant, voit ses résultats se dégrader avec le temps. Cela arrive parce que les données du monde réel évoluent (nouvelles tendances, comportements, ou contextes), tandis que le modèle reste figé sur les informations utilisées lors de son entraînement. Par exemple, un outil de recommandation de produits pourrait devenir moins pertinent si les habitudes d'achat des clients changent radicalement après une crise économique ou une mode passagère.
Ce phénomène est crucial à surveiller, car il peut rendre un outil IA inefficace, voire trompeur. Pour y remédier, il faut régulièrement mettre à jour le modèle avec de nouvelles données ou l'adapter aux évolutions de son environnement.
Un bon outil IA intègre souvent des mécanismes pour détecter cette dérive et alerter ses utilisateurs, afin de maintenir sa fiabilité.
Cas d'usage
- ✓Détecter quand un chatbot donne des réponses obsolètes à cause de nouvelles réglementations
- ✓Identifier qu'un système de détection de fraude devient moins efficace avec de nouvelles méthodes de fraude
- ✓Vérifier si un outil de traduction perd en précision avec l'évolution du langage courant
- ✓Adapter un modèle de prédiction des ventes après un changement majeur dans le marché
- ✓Corriger un outil de reconnaissance d'images qui ne reconnaît plus les nouveaux modèles de voitures