Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Model Drift
Phénomène de dégradation progressive des performances d'un modèle d'IA en production dû à des changements dans les données d'entrée ou dans les relations entre variables. Le drift nécessite une surveillance continue et potentiellement un réentraînement du modèle.
Data Drift
Changement statistique dans la distribution des données d'entrée d'un modèle par rapport aux données d'entraînement originales. Ce phénomène peut affecter négativement les prédictions et nécessite une détection proactive.
Performance Monitoring
Surveillance continue des métriques de performance du modèle en production incluant accuracy, precision, recall et autres KPIs pertinents. Cette surveillance permet de détecter rapidement les anomalies de performance.
Model Explainability
Capacité à comprendre et interpréter les décisions d'un modèle d'IA, essentielle pour la confiance et la conformité réglementaire. Les techniques comme SHAP ou LIME permettent d'expliquer les prédictions individuelles.
Feature Importance Tracking
Surveillance continue de l'importance relative des caractéristiques utilisées par le modèle pour ses prédictions. Cette surveillance aide à identifier les changements dans les patterns de décision du modèle.
Prediction Confidence Score
Métrique quantitative indiquant le niveau de certitude du modèle concernant chaque prédiction individuelle. Les scores de confiance bas peuvent signaler des prédictions risquées nécessitant une intervention humaine.
Model Degradation
Perte progressive de l'efficacité d'un modèle en production due à divers facteurs comme le vieillissement des données ou l'évolution du contexte métier. La dégradation nécessite une maintenance proactive du modèle.
Real-time Inference Monitoring
Surveillance instantanée des prédictions et métriques de performance lors de l'inférence en temps réel. Ce monitoring permet une détection immédiate des anomalies et des défaillances système.
Alerting System
Infrastructure automatisée générant des notifications lorsque les métriques du modèle dépassent les seuils prédéfinis. Les alertes permettent une intervention rapide avant que les dégradations n'affectent significativement le métier.
Baseline Metrics
Références de performance établies lors de la validation du modèle servant de point de comparaison pour le monitoring en production. Ces baselines permettent de quantifier objectivement la dégradation des performances.
Canary Deployment
Stratégie de déploiement progressif où le nouveau modèle est testé sur un petit pourcentage du trafic avant un déploiement complet. Cette méthode minimise les risques liés aux nouvelles versions de modèles.
Observability Pipeline
Infrastructure de collecte, traitement et stockage des logs, métriques et traces des modèles en production. Cette pipeline fournit une visibilité complète sur le comportement du système.
Drift Detection Algorithm
Algorithmes statistiques ou machine learning identifiant automatiquement les changements dans les distributions de données ou les performances du modèle. Ces outils permettent une détection proactive des dérives.
Model Health Dashboard
Interface visuelle centralisée affichant les métriques clés de performance, les alertes et l'état de santé global des modèles en production. Cet outil facilite la prise de décision pour les équipes MLOps.
Anomaly Detection
Processus d'identification automatique des comportements inhabituels ou des prédictions aberrantes dans les sorties du modèle. Cette détection permet d'isoler les cas nécessitant une investigation approfondie.
Performance Regression
Diminution mesurable des performances d'un modèle par rapport à ses métriques de référence initiales. La régression peut être progressive ou soudaine et nécessite une analyse des causes profondes.
Model Governance
Ensemble des politiques, procédures et contrôles assurant la conformité, la traçabilité et l'auditabilité des modèles tout au long de leur cycle de vie. La gouvernance garantit la fiabilité et l'éthique des systèmes IA.
Latency Monitoring
Surveillance du temps de réponse des prédictions du modèle en production, critique pour les applications temps réel. Un monitoring continu garantit le respect des SLAs et l'expérience utilisateur.
Throughput Tracking
Mesure du volume de prédictions traitées par unité de temps, essentiel pour évaluer la capacité de charge du système. Le tracking du débit aide à dimensionner les ressources d'infrastructure.