Définition
La dérive de modèle (ou Model Drift) désigne la dégradation progressive de la précision prédictive d'un modèle de Machine Learning une fois mis en production. Elle survient lorsque la distribution et les caractéristiques des données réelles évoluent au fil du temps, s'éloignant ainsi des données d'entraînement initiales.Explication
Dans les marchés B2B dynamiques, la dérive de modèle représente un enjeu majeur et constant. Les comportements d'achat, les conditions économiques ou les portefeuilles de produits évoluent sans cesse, rendant cette problématique omniprésente. On distingue principalement deux types de dérive : la Concept Drift (lorsque la relation entre les données d'entrée et la variable cible change) et la Data Drift (lorsque la distribution des données d'entrée se décale).Prenons l'exemple d'un modèle prédictif de scoring de leads. S'il a été entraîné avant un changement de marché inattendu, sa précision peut chuter drastiquement par la suite, car les critères de décision d'achat auront évolué.
Pour garantir la fiabilité à long terme des applications SaaS, il est impératif que les équipes Data Science mettent en place un monitoring continu. Cela permet de détecter rapidement les baisses de performance des modèles. La principale contre-mesure consiste à réentraîner les modèles à intervalles réguliers avec des données fraîches et en temps réel, ou à déployer des pipelines adaptatifs.