La dérive de modèle est la perte progressive de précision d’un modèle d’IA en production, causée par un changement dans les données qu’il reçoit, dans la réalité qu’il décrit ou dans le modèle lui-même, alors que le système continue de produire des réponses en apparence fiables.
La dérive de modèle pose problème parce qu’elle est silencieuse. Un modèle qui dérive ne plante pas : il continue de renvoyer des réponses bien formatées, simplement fausses un peu plus souvent. Le cadre de gestion des risques IA du NIST (AI RMF) traite ce point dans sa fonction Measure, qui demande que le fonctionnement et le comportement d’un système d’IA soient surveillés une fois en production.
En finance, la dérive de modèle prend trois formes :
- Dérive des données (data drift) : les entrées changent. Un fournisseur refond sa facture, la facturation électronique remplace les PDF par des formats structurés comme Factur-X, des bons de livraison scannés arrivent d’un nouveau site
- Dérive de concept (concept drift) : la bonne réponse change. Un prix contractuel est renégocié, une règle de TVA évolue, un nouveau centre de coûts est créé, et la sortie juste d’hier devient fausse
- Dérive de version : le fournisseur met à jour le grand modèle de langage sous-jacent et la même instruction produit des résultats différents
La dérive de modèle se détecte par la mesure, pas à l’impression : suivre l’évolution des taux d’exception et de correction, rejouer un jeu de données de référence figé à chaque changement de modèle, de prompt ou de règle, et déclencher une alerte quand un indicateur sort d’une tolérance définie. Une baisse de précision sur un seul fournisseur ou un seul champ en est souvent le premier signe.
Phacet traite la dérive comme une composante de la supervision des modèles IA. Chaque sortie et chaque correction humaine faite dans la vue Détail sont journalisées, donc une hausse du taux de correction sur un fournisseur ou un champ se voit. Comme chaque valeur extraite est aussi confrontée aux données sources comme le bon de commande, un modèle qui dérive produit des exceptions à revoir plutôt que des erreurs silencieuses, et son score de confiance baisse là où les entrées ont changé.
