Un modèle ML de production qui atteignait ses objectifs montre soudainement des performances dégradées et tombe en dessous des seuils. Quelle est une cause probable de cette chute soudaine des performances ?

La dérive dans la distribution des données de production (data drift) est une cause fréquente de dégradation soudaine des performances d'un modèle en production. Cela se produit lorsque les caractéristiques statistiques des données d'entrée du modèle changent au fil du temps, s'écartant des données sur lesquelles le modèle a été entraîné. Le modèle n'est alors plus capable de faire des prédictions précises. Le manque de données d'entraînement est une limite initiale, pas une cause de dégradation soudaine. Les contraintes de ressources de calcul affectent la latence ou le débit, pas directement la précision du modèle. Le surapprentissage est un problème qui survient lors de l'entraînement, rendant le modèle moins généralisable dès le départ, et non une dégradation soudaine après une période de bonnes performances.