Model Drift

Définition

Le model drift désigne la dégradation progressive des performances d'un modèle de machine learning en production, survenant lorsque les conditions réelles d'utilisation s'écartent de celles observées lors de l'entraînement initial. On distingue deux mécanismes principaux : le data drift, ou dérive des données, quand la distribution statistique des variables d'entrée change au fil du temps, par exemple un nouveau comportement d'achat des utilisateurs, et le concept drift, ou dérive de concept, quand la relation entre les variables d'entrée et la variable cible évolue elle-même, rendant les patterns appris obsolètes, comme lors d'un changement de réglementation ou d'une évolution des techniques de fraude. Le concept drift peut être graduel, soudain, récurrent ou incrémental selon la dynamique du changement sous-jacent. Sa détection s'appuie sur des outils de monitoring dédiés comme Evidently AI ou NannyML, qui surveillent des indicateurs statistiques tels que l'indice de stabilité de population, PSI, ou la divergence de Kullback-Leibler entre distributions d'entraînement et de production. Non détecté, le model drift dégrade silencieusement la fiabilité des décisions automatisées, avec des conséquences directes en cybersécurité pour les modèles de détection de fraude ou d'anomalies réseau, dont l'efficacité décroît face à des techniques d'attaque en constante évolution. Un pipeline MLOps mature intègre un réentraînement périodique ou déclenché par seuil pour corriger cette dérive.