Contexte : Un modèle de classification déployé voit sa performance diminuer après plusieurs mois. Le Problème : Les nouvelles données diffèrent statistiquement des données d’entraînement. Extrait logique actuelle : Modèle statique sans suivi de performance Contraintes : Mettre en place détection de drift via métriques ou distribution des features. Planifier réentraînement automatique contrôlé. Livrable attendu : Proposer une stratégie complète de gestion du concept drift pour modèle TensorFlow en production.