Correction d’un pipeline avec data drift non détecté en production

Scénario

Contexte : Un modèle déployé en production voit progressivement ses performances diminuer. Le Problème : Aucun mécanisme ne surveille l’évolution statistique des données d’entrée. Extrait logique actuelle : Modèle déployé sans suivi des distributions Contraintes : Mettre en place monitoring des distributions des features et comparaison avec données d’entraînement. Définir seuil d’alerte. Documenter procédure de réentraînement. Livrable attendu : Proposer une stratégie de détection de data drift et un plan d’action associé en environnement MLOps.

Compétences ciblées