MLOps 🛠️ - Comprendre et combattre la dégradation des modèles en production

Déployer des modèles de machine learning en production, ce n’est jamais vraiment “terminé”. ll arrive fréquemment qu’un modèle affiche d’excellents résultats - par exemple 90 % de précision - lors des phases d’entraînement et de validation, puis, une fois en production, voie ses performances se dégrader progressivement. Après quelques semaines ou quelques mois, on peut constater une baisse significative (parfois jusqu’à 60 %) avec un impact direct sur la qualité du service rendu aux utilisateurs ou aux systèmes qui en dépendent.

Cette présentation s’intéresse à ce qui se passe après le déploiement. En une quinzaine de minutes, nous verrons comment suivre et évaluer correctement les performances d’un modèle en production, identifier les causes les plus courantes de leur dégradation (évolution des données, changements d’usage, biais, dérive du modèle, etc.) et, surtout, quelles actions mettre en place pour y remédier.

Elle s’adresse à un public de niveau débutant à intermédiaire, intéressé de près ou de loin par le machine learning. Aucune connaissance approfondie en MLOps n’est nécessaire pour la suivre.