Dérive du modèle
Une baisse de la qualité prédictive d’un modèle lorsque les données ou les relations changent pendant son utilisation.
Pourquoi un modèle inchangé peut-il devenir moins adapté ?
La dérive du modèle désigne une baisse de qualité prédictive lorsque les données ou les relations changent pendant l’utilisation. Les poids enregistrés du modèle n’ont pas besoin de changer pour cela. La dérive de concept décrit plus précisément un changement de relation entre les entrées et la cible à prédire ; la dérive des données concerne la distribution des entrées. Ces distinctions aident à rechercher les causes. Une composition différente des données ne prouve pas à elle seule une baisse de qualité prédictive.
Dans une entreprise de service fictive, une nouvelle méthode de maintenance raccourcit la durée réelle du travail pour les mêmes caractéristiques jusque-là enregistrées. Un ancien modèle pourrait donc prévoir de plus en plus souvent des interventions trop longues. L’examen compare les prédictions actuelles aux durées réelles vérifiées sur le plan métier, en considérant les types de travaux concernés. Avant une adaptation, les unités de temps erronées, les comptes rendus incomplets et les règles de saisie modifiées sont aussi étudiés. Une nouvelle variante entraînée est évaluée sur des exemples récents réservés à l’évaluation, puis approuvée séparément avant adoption. La réponse dépend de la cause identifiée.
Sources
Termes associés
- Apprentissage automatiqueLes modèles apprennent des régularités dans les données et les appliquent à de nouvelles entrées.
- Modèle de prévisionUn modèle qui utilise les informations disponibles pour estimer une grandeur future sur une période définie.
- 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.
- IA explicableDes approches qui rendent les résultats ou le fonctionnement d’un système d’IA compréhensibles pour leurs destinataires.
- Dérive des donnéesUn changement de distribution des entrées d’un modèle par rapport à une référence explicitement choisie.
Votre projet avec ASES
Décrivez-nous votre projet. Nous revenons vers vous avec une première évaluation.