noun
La dérive d’un modèle d’IA (ou model drift) se produit quand un modèle d’IA donne des résultats moins fiables parce que les données réelles diffèrent de celles sur lesquelles il a été formé. Cela arrive car les comportements, les tendances linguistiques ou les contextes évoluent, rendant les hypothèses du modèle obsolètes.
Par exemple, un modèle de langage formé en 2020 peut mal comprendre l’argot ou les références culturelles de 2024. Un générateur d’images pourrait aussi produire des styles dépassés si ses données d’entraînement ne sont pas mises à jour. La dérive oblige les développeurs à retrainer ou ajuster régulièrement les modèles pour maintenir leur performance.
En pratique, cela signifie que les entreprises doivent surveiller en continu leurs systèmes d’IA. Si la dérive n’est pas corrigée, elle peut entraîner des erreurs coûteuses. Par exemple, un assistant vocal pourrait donner des informations erronées sur des produits récents. Retrainer un modèle coûte du temps et des ressources, mais ignorer la dérive coûte encore plus cher à long terme.
Un chatbot formé en 2021 commence à donner des réponses obsolètes sur les modèles de smartphones en 2024.
Dans les autres langues
Voir aussi : model fine-tuning