AI 词汇表
人工智能完整词典
Détection de Changement
Processus algorithmique visant à identifier les modifications statistiques significatives dans la distribution des données ou les relations entre variables. La détection précoce permet de déclencher des mises à jour de modèle avant dégradation des performances.
Dérive Graduelle
Type de dérive conceptuelle où les changements dans la relation entre variables se produisent progressivement sur une période étendue. Cette évolution lente rend la détection particulièrement complexe car les variations peuvent être confondues avec du bruit statistique.
Dérive Abrupte
Changement soudain et significatif dans la distribution des données ou la relation entre variables, se produisant sur une très courte période. Les dérives abruptes nécessitent une détection rapide pour éviter des dégradations majeures des performances du modèle.
Dérive Récurrente
Phénomène où les concepts ou relations entre variables réapparaissent périodiquement après avoir disparu temporairement. La reconnaissance des schémas récurrents permet d'anticiper les changements et d'optimiser les stratégies d'adaptation.
Dérive de Covariates
Type de dérive où la distribution des variables d'entrée change alors que la relation conditionnelle P(Y|X) reste stable. Ce phénomène affecte particulièrement les modèles sensibles à la distribution des caractéristiques comme les algorithmes bayésiens.
Dérive de Priorité
Changement dans la distribution marginale de la variable cible P(Y) sans modification de la relation conditionnelle P(Y|X). Cette dérive affecte les prédictions globales mais préserve les relations locales entre variables.
Adaptation en Ligne
Processus de mise à jour continue du modèle prédictif à mesure que nouvelles données arrivent, permettant une réponse rapide aux dérives conceptuelles. L'adaptation en ligne équilible stabilité du modèle et réactivité aux changements.
Délai de Détection
Métrique mesurant le temps écoulé entre l'occurrence réelle d'une dérive conceptuelle et sa détection par l'algorithme. Un délai minimal est crucial pour minimiser la période de dégradation des performances du modèle.
Taux de Faux Positifs
Proportion de fausses alertes de dérive générées par l'algorithme de détection, conduisant à des mises à jour inutiles du modèle. L'optimisation de ce taux est essentielle pour maintenir la stabilité tout en garantissant la sensibilité.
Détection Supervisée
Méthode de détection de dérive utilisant les étiquettes réelles pour analyser directement les changements dans la relation entre entrées et sorties. Cette approche offre une haute précision mais nécessite la disponibilité continue des vérités terrain.
Détection Non-supervisée
Approche de détection de dérive s'appuyant uniquement sur les caractéristiques des données d'entrée sans utiliser d'étiquettes, généralement via l'analyse de changements dans la distribution statistique. Cette méthode est applicable même lorsque les vérités terrain ne sont pas disponibles.