Le drift est la dégradation progressive de la performance d'un modèle d'IA en production, lorsque les données réelles évoluent et s'éloignent de celles sur lesquelles il a été entraîné.
C'est un risque insidieux : le modèle ne plante pas, il devient simplement de moins en moins juste, sans alerte. On parle de *data drift* (les données changent) et de *concept drift* (la relation à prédire change). Le détecter exige un monitoring continu — le cœur du MLOps.
→ Détecter le drift : observabilité et évaluation des agents IA.
Équipe Origin 137Origin 137