Dérive des données
Un changement de distribution des entrées d’un modèle par rapport à une référence explicitement choisie.
Qu’est-ce qui a changé dans les données entrantes ?
La dérive des données signifie que la distribution des entrées d’un modèle change par rapport à une référence choisie. Les données d’entraînement ou une période d’utilisation antérieure peuvent servir de comparaison ; la référence utilisée doit être définie. On examine des propriétés comme la fréquence des catégories ou les plages de valeurs. Un signal de dérive indique un changement possible. Il faut évaluer séparément s’il entraîne davantage de prédictions erronées. Le signal seul ne permet pas non plus de déduire un changement de relation entre les entrées et la cible.
Dans un système fictif de classification d’images, la part des photos mal éclairées augmente après l’introduction d’un nouvel appareil de prise de vue. La période de référence et les conditions de prise de vue observées sont documentées pour la comparaison. Les images concernées et leurs affectations de classe vérifiées sur le plan métier sont ensuite examinées pour rechercher une évolution des erreurs. On étudie aussi si les pratiques de prise de vue ont réellement changé ou si une erreur de transfert ou de traitement intervient. Une comparaison inhabituelle justifie cette enquête ; elle ne prouve ni un défaut de l’appareil ni la nécessité d’un nouveau modèle.
Sources
Termes associés
- Apprentissage automatiqueLes modèles apprennent des régularités dans les données et les appliquent à de nouvelles entrées.
- Vision par ordinateurDes méthodes d’analyse d’images et de vidéos pour classer des objets, les localiser ou distinguer des zones de l’image.
- Données d’entraînementLes exemples à partir desquels un modèle apprend des relations ou des paramètres pendant l’entraînement.
- Données de test en apprentissage automatiqueDes données réservées à l’évaluation finale dont les résultats n’ont pas servi à sélectionner la variante évaluée.
- Biais de l’IADes distorsions systématiques dans les systèmes d’IA pouvant désavantager certains cas ou groupes de personnes.
- Dérive du modèleUne baisse de la qualité prédictive d’un modèle lorsque les données ou les relations changent pendant son utilisation.
Votre projet avec ASES
Décrivez-nous votre projet. Nous revenons vers vous avec une première évaluation.