Contexte : Un modèle de classification déployé voit sa performance diminuer progressivement. Le Problème : Les données récentes diffèrent statistiquement de celles utilisées pour l’entraînement initial. Extrait logique actuelle : Modèle statique sans suivi de performance Contraintes : Mettre en place suivi des métriques en production. Analyser distribution des embeddings. Définir stratégie de réentraînement automatique contrôlé. Livrable attendu : Proposer une solution complète de détection et gestion du concept drift avec PyTorch.