Correction d’un modèle déployé présentant un drift de données en production

Scénario

Contexte : Un modèle de vision déployé en production voit sa performance diminuer après quelques mois. Le Problème : Les nouvelles images diffèrent significativement du dataset d’entraînement initial. Extrait logique actuelle : Modèle statique sans monitoring post-déploiement Contraintes : Mettre en place détection de drift (distribution des features ou performance). Prévoir stratégie de réentraînement contrôlé. Livrable attendu : Proposer un plan complet de monitoring et gestion du drift en environnement Deep Learning.

Compétences ciblées