Contexte : Un classificateur de texte déployé en production voit sa performance diminuer progressivement. Le Problème : Les nouveaux textes diffèrent fortement du corpus d’entraînement initial. Extrait logique actuelle : Modèle statique sans monitoring continu Contraintes : Mettre en place détection de drift sur distribution des embeddings ou métriques de performance. Définir stratégie de réentraînement contrôlé. Livrable attendu : Proposer une stratégie complète de monitoring et gestion du drift pour un modèle NLP en production.