Table des Matières
La dérive d'un modèle est la perte de précision d'un modèle en service parce que le procédé, les matières premières ou les instruments ont changé depuis la collecte de ses données d'entraînement. En usine, on la détecte en surveillant quatre choses : la santé des données entrantes, la distribution des entrées, les prédictions et l'écart avec les résultats de laboratoire ou de contrôle à mesure qu'ils arrivent.
Points clés
- La dérive vient d'un changement des entrées, de la relation entre entrées et cible, ou des deux ; seul un changement de la relation déplace la frontière de décision (Lu et al., 2018).
- En usine, les étiquettes arrivent tard, souvent une fois par poste ou une fois par jour (Lawrence et al., 2024). La surveillance des entrées et des prédictions donne l'alerte précoce ; l'écart avec le laboratoire la confirme.
- Beaucoup d'alertes sont des problèmes de données, pas de la dérive : un transmetteur remplacé, une étendue d'échelle modifiée, un flux interrompu. Vérifiez d'abord les données.
- Les tests de distribution sur de grandes fenêtres de l'historian déclenchent de fausses alarmes si les seuils ne sont pas ajustés (Breck et al., 2017).
- Chaque modèle a besoin d'un responsable nommé, d'une réponse écrite à chaque alerte, d'un retour arrière testé et d'un repli vers l'automatisme traditionnel ou la conduite manuelle (CISA et al., 2025).
Qu'est-ce que la dérive d'un modèle dans une usine ?
Lu et al. définissent la dérive conceptuelle (concept drift) comme des changements imprévisibles, au fil du temps, de la distribution sous-jacente d'un flux de données (Lu et al., 2018). La distribution des entrées peut changer alors que la relation entrées-cible reste la même ; ils parlent de dérive virtuelle et notent qu'elle ne modifie pas la frontière de décision. La relation elle-même peut changer, ce qu'ils appellent dérive réelle, qui réduit la précision. Dans de nombreuses applications réelles, les deux se produisent ensemble.
| Type | Ce qui change | Exemple en usine | Visible sans étiquettes ? |
|---|---|---|---|
| Dérive des données (dérive virtuelle) | La distribution des entrées | Un nouveau mélange de bruts, du minerai d'une autre fosse, un débit plus élevé | Oui, par les statistiques des entrées |
| Dérive conceptuelle (dérive réelle) | La relation entre entrées et cible | Vieillissement du catalyseur ou encrassement, quand ils ne sont pas des entrées du modèle : mêmes températures, autre produit | Seulement par les résultats de laboratoire, de contrôle ou de défaillance |
| Changement de la chaîne de données | La signification d'un tag, pas le procédé | Un transmetteur remplacé ou réétalonné sur une autre échelle, un paramètre de l'historian modifié, une valeur figée | En général, par des contrôles de qualité des données |
La dernière ligne n'est pas une dérive au sens de Lu et al., mais le modèle ne fait pas la différence. Breck et al. avertissent que des pannes partielles, des mises à jour de version et d'autres changements dans un système source peuvent changer radicalement la signification d'une variable sans produire de valeurs assez étranges pour déclencher les autres contrôles (Breck et al., 2017). Notre guide sur les problèmes de qualité des données industrielles détaille ces contrôles.
Lu et al. distinguent aussi les dérives soudaine, graduelle, incrémentale et récurrente : un changement de charge est soudain, la désactivation du catalyseur incrémentale, une qualité de produit qui revient récurrente.
Pourquoi les modèles industriels dérivent-ils ?
Un guide sur l'IA dans les technologies opérationnelles, publié en décembre 2025 par la CISA et huit agences partenaires, classe la dérive des modèles parmi les risques : les modèles peuvent devenir moins précis avec le temps lorsqu'ils reçoivent des données non représentées dans leurs données d'entraînement initiales, et les modifications des procédés de production peuvent affecter leurs performances (CISA et al., 2025). Une étude sur les capteurs logiciels industriels ajoute que les conditions de fonctionnement changent avec la demande de produits et le prix des matières premières, et qu'un modèle construit dans un régime de fonctionnement se dégrade quand le procédé passe dans un autre (Lawrence et al., 2024).
Les causes typiques sont la désactivation du catalyseur, l'encrassement et l'usure ; un nouveau fournisseur, un nouveau mélange de bruts ou de minerai ; une nouvelle qualité ou recette ; le remplacement d'un instrument ou la mise à niveau du DCS ou de l'historian ; et les variations saisonnières de la température ambiante et de l'eau de refroidissement.
Pourquoi la dérive est-elle difficile à voir en usine ?
Les étiquettes arrivent tard. Les variables qualité sont souvent prélevées une fois par poste de 8 heures ou une fois par jour (Lawrence et al., 2024), et les étiquettes de défaillance peuvent mettre des mois à s'accumuler, comme l'explique notre article sur l'étiquetage des défaillances dans les séries temporelles.
Les modèles tombent en défaut sans bruit. Rabanser et al. notent que les systèmes d'apprentissage automatique ont tendance à échouer silencieusement (Rabanser et al., 2019). Un capteur logiciel qui dérive affiche toujours une valeur plausible sur l'écran de l'exploitant.
La surveillance sans étiquettes a ses limites. Les méthodes de NannyML qui estiment la performance sans valeurs cibles supposent qu'il n'y a pas de dérive conceptuelle (NannyML). La surveillance des entrées indique que l'usine a bougé ; seuls les résultats de laboratoire, de contrôle ou de défaillance disent si le modèle est encore juste. Ne réduisez pas les prélèvements de laboratoire parce qu'un modèle est en service.
Que faut-il surveiller ?
| Niveau | Ce qu'on calcule | Fréquence | Étiquettes nécessaires ? |
|---|---|---|---|
| Santé des données | Fraîcheur, part de valeurs manquantes ou de statut mauvais, séquences figées, valeurs hors limites physiques | En continu | Non |
| Dérive des entrées | Distance entre distributions récentes et de référence, par mode de marche | De l'heure à la journée | Non |
| Dérive des prédictions | Moyenne et distribution des prédictions ; limites d'action | De l'heure à la journée | Non |
| Performance | Écart avec le laboratoire ou le contrôle : erreur moyenne, RMSE, ou défauts détectés et faux rejets | À chaque nouvelle étiquette | Oui |
| Obsolescence et dépendances | Âge du modèle ; changements des tags sources, des instruments et des systèmes | À chaque changement | Non |
La santé des données d'abord. La documentation d'Evidently indique que ses tests de dérive ne réagissent pas à une augmentation des valeurs vides et recommande des tests séparés sur la part de valeurs nulles (Evidently, data drift explainer). Un transmetteur en panne peut donc passer un test de dérive.
Les prédictions sont un signal peu coûteux. Sculley et al. suggèrent de surveiller le biais de prédiction, c'est-à-dire si la distribution des prédictions correspond à celle des étiquettes observées, et des limites d'action qui déclenchent des alertes et une investigation manuelle (Sculley et al., 2015). Le guide de la CISA donne l'exemple d'une maîtrise statistique des procédés (MSP) qui détecte des valeurs aberrantes dans les sorties d'un modèle de maintenance prédictive.
La performance est la confirmation. Rapprochez chaque résultat de laboratoire ou de contrôle de la prédiction faite à l'heure du prélèvement ; suivez l'erreur moyenne, qui révèle le biais, et la RMSE, ou les défauts détectés et les faux rejets pour les classifieurs de qualité prédictive.
Obsolescence et dépendances. Breck et al. recommandent une alerte sur l'âge du modèle et l'information de l'équipe quand les sources amont changent ; en usine, consultez le journal de maintenance des instruments et les registres de modifications du DCS.
Quels tests de dérive conviennent aux données procédé ?
| Méthode | Compare | Usage typique | Valeur par défaut ou repère |
|---|---|---|---|
| Test de Kolmogorov–Smirnov | Deux échantillons d'une variable numérique | Dérive des entrées, petits échantillons | Méthode par défaut d'Evidently pour les colonnes numériques jusqu'à 1 000 objets ; dérive si p < 0,05 |
| Distance de Wasserstein (normalisée) | Deux échantillons d'une variable numérique | Dérive des entrées, grands échantillons | Méthode par défaut d'Evidently au-delà de 1 000 objets ; dérive si ≥ 0,1 |
| PSI ou distance de Jensen–Shannon | Distributions par classes ou catégorielles | Qualités, modes de marche, entrées discrétisées | Seuil par défaut d'Evidently : 0,1 |
| Carte EWMA | Une série par rapport à son propre historique | Erreur du modèle, une entrée clé | λ généralement entre 0,2 et 0,3 |
| Test de Page-Hinkley | Moyenne d'un flux | Flux d'erreurs ou de prédictions | Détecte les hausses, les baisses ou les deux |
| ADWIN | Moyenne d'un flux, avec une fenêtre adaptative | Flux d'erreurs du modèle | Abandonne l'ancienne sous-fenêtre après un changement |
Au moment de la rédaction, Evidently choisit un test selon le type de colonne et le nombre d'observations, et signale par défaut une dérive du jeu de données quand la moitié des colonnes dérivent (Evidently, customise data drift). Prenez ces valeurs par défaut comme point de départ.
Pour l'écart entre le modèle et le laboratoire, les cartes de contrôle conviennent bien. Une carte EWMA peut être rendue sensible à une dérive faible ou progressive (NIST/SEMATECH), et Lu et al. décrivent un détecteur qui suit le taux d'erreur avec une telle carte. Les détecteurs Page-Hinkley et ADWIN de River traitent une valeur à la fois, ce qui convient à une série d'erreurs qui s'allonge d'un point à chaque prélèvement.
Trois précautions avec les données de l'historian :
- Les grands échantillons signalent des écarts minimes. Sur des mois de données à la minute, presque toute différence devient significative, et les valeurs successives ne sont pas indépendantes. Breck et al. insistent sur un réglage soigneux des seuils d'alerte pour équilibrer faux positifs et faux négatifs. Agrégez à l'heure ou au poste et réglez les seuils sur des périodes passées.
- Comparez ce qui est comparable. Utilisez une référence par qualité ou par mode de marche, sinon chaque changement de qualité déclenchera une alerte ; notre guide de détection d'anomalies explique pourquoi les modes demandent un traitement séparé.
- Toute dérive n'a pas d'importance. La dérive virtuelle ne déplace pas la frontière de décision ; donnez la priorité aux entrées dont le modèle dépend le plus, et surveillez les prédictions.
Comment mettre en place la surveillance, étape par étape ?
- Figer la référence : la fenêtre d'entraînement par mode de marche, avec les définitions des variables et les versions du code.
- Journaliser chaque prédiction avec horodatage, entrées, sorties et version du modèle, la piste d'audit que recommande le guide de la CISA.
- Rapprocher les étiquettes à l'heure du prélèvement, pas à l'heure de saisie dans le LIMS.
- Choisir les indicateurs et les fenêtres pour chaque niveau ci-dessus.
- Calibrer les seuils sur l'historique. Rejouer l'année écoulée dans le dispositif de surveillance, compter les alertes et ajuster jusqu'à ce que chacune mérite le temps d'une personne.
- Adresser les alertes à un responsable nommé et afficher les indicateurs clés là où les exploitants regardent déjà ; la CISA suggère d'intégrer la surveillance aux vues IHM existantes.
- Écrire la réponse à chaque alerte et répéter le retour arrière.
La surveillance doit lire les données exactement comme le modèle ; voir les données de l'historian pour le machine learning.
Que faire quand une alerte de dérive se déclenche ?
| Alerte | À vérifier d'abord | Réponse typique |
|---|---|---|
| Santé des données | Instrument, liaison réseau, historian | Corriger la source ; signaler ou figer les prédictions ; passer en mode de repli |
| Dérive des entrées, erreur encore stable | Nouveau mode, nouvelle charge ou qualité ? Dans le domaine d'entraînement ? | Observer ; collecter des étiquettes ; prévoir un réentraînement si la zone est nouvelle |
| Décalage des prédictions, pas de nouvelles étiquettes | Entrées et événements procédé | Interroger les exploitants ; demander un prélèvement de laboratoire supplémentaire |
| Décalage constant avec le laboratoire | Méthode de laboratoire, heure de prélèvement | Correction de biais |
| Erreur croissante ou variable selon les conditions | Changement de procédé ou d'équipement | Réentraîner sur des données récentes, valider, redéployer |
| Comportement dangereux ou inexpliqué | Agir d'abord, analyser ensuite | Mettre le modèle hors service ; revenir à la méthode précédente |
L'étude industrielle présente la correction de biais, qui rapproche les sorties des valeurs de laboratoire, comme la méthode la plus répandue pour maintenir un capteur logiciel, le réentraînement sur des données récentes étant l'alternative (Lawrence et al., 2024). Lu et al. ajoutent que la sévérité doit guider le choix : pour une dérive légère, mettre à jour le modèle existant peut suffire ; pour une dérive sévère, réentraîner un nouveau modèle peut être préférable.
Le guide MLOps de Google Cloud liste les déclencheurs de réentraînement : un calendrier, la disponibilité de nouvelles données, une dégradation des performances et des changements significatifs de la distribution des données (Google Cloud). En usine, ajoutez les registres de modifications du procédé.
Le guide de la CISA demande des mécanismes de sécurité qui permettent de revenir à l'automatisme traditionnel ou à la conduite manuelle. Breck et al. ajoutent que le retour à une version précédente du modèle doit être rapide, sûr et répété en dehors des situations d'urgence.
Comment réentraîner sans perturber la production ?
- Entraîner sur une fenêtre qui inclut le nouveau régime ; garder les données anciennes si les anciennes conditions peuvent revenir.
- Valider sur la dernière période étiquetée, pas sur un découpage aléatoire.
- Comparer le candidat au modèle en service sur cette période, puis le faire tourner en mode fantôme ; voir passer du pilote IA au déploiement en usine.
- Versionner les données, le code et les modèles, et garder le modèle précédent prêt.
- Automatiser la chaîne par script. Breck et al. avertissent qu'un modèle réentraîné à la main une ou deux fois par an devient difficile à réentraîner une fois son ingénieur parti.
Qui est responsable de la surveillance des modèles ?
Le guide pratique (playbook) du cadre de gestion des risques de l'IA du NIST indique que les systèmes d'IA doivent être surveillés en production, car la dérive signifie qu'ils ne respectent plus les hypothèses et limites de leur conception d'origine (NIST AI RMF Playbook). Le guide de la CISA recommande des indicateurs de performance (KPI) et des revues régulières avec les fournisseurs, les instances de gouvernance et les exploitants.
En pratique, associez un ingénieur procédé qui sait ce qui a changé dans l'usine au data scientist responsable de la chaîne, et passez chaque modèle en revue tous les mois. Les modèles que personne ne surveille sont l'une des raisons pour lesquelles les projets d'IA industrielle échouent ; voir aussi constituer une première équipe data industrielle.
Ce que nous avons constaté chez KABAS AI
Notre service data science va de la collecte et de la préparation des données jusqu'au déploiement (MLOps), avec des chaînes de traitement pour l'exploitation continue des modèles et leur surveillance en production. Sur notre page industrie manufacturière, DALILE assure l'analyse des tendances qualité et la détection d'anomalies sur les données de production.
Notre conseil pratique : concevez la surveillance en même temps que le modèle, pas après la mise en service. Convenez à l'avance de l'action associée à chaque alerte et de la personne qui décide de mettre un modèle hors service. Faites tourner la surveillance sur les mêmes serveurs on-premise que le modèle, pour que les données de l'historian et du laboratoire restent dans votre réseau.
Sources
- Lu et al., Learning under Concept Drift: A Review, IEEE Transactions on Knowledge and Data Engineering, 2018 (arXiv 2004.05785)
- Lawrence et al., Machine learning for industrial sensing and control: A survey and practical perspective, Control Engineering Practice, 2024 (arXiv 2401.13836)
- Sculley et al., Hidden Technical Debt in Machine Learning Systems, NeurIPS 2015
- Breck et al., The ML Test Score: A Rubric for ML Production Readiness and Technical Debt Reduction, IEEE Big Data 2017
- Rabanser, Günnemann et Lipton, Failing Loudly: An Empirical Study of Methods for Detecting Dataset Shift, NeurIPS 2019 (arXiv 1810.11953)
- CISA et al., Principles for the Secure Integration of Artificial Intelligence in Operational Technology, décembre 2025
- NIST, AI RMF Playbook, fonction Measure
- Google Cloud, MLOps: Continuous delivery and automation pipelines in machine learning
- NIST/SEMATECH e-Handbook of Statistical Methods, EWMA Control Charts
- Evidently, Data drift (fonctionnement de l'algorithme par défaut)
- Evidently, Customize data drift
- NannyML, Estimation of Performance of the Monitored Model
- River, ADWIN
- River, PageHinkley
Questions fréquentes
Quelle est la différence entre dérive des données et dérive conceptuelle ?
La dérive des données est un changement des entrées que reçoit le modèle, comme une nouvelle charge ou un débit plus élevé, alors que la relation entre entrées et cible reste la même. La dérive conceptuelle est un changement de cette relation, par exemple quand le vieillissement du catalyseur modifie la qualité du produit à températures et débits identiques. La dérive des données se voit dans les seules statistiques des entrées ; la dérive conceptuelle ne se confirme que par les résultats de laboratoire, de contrôle ou de défaillance.
À quelle fréquence faut-il réentraîner un modèle industriel ?
Il n'y a pas d'intervalle fixe. Réentraînez quand l'écart avec le laboratoire ou le contrôle continue de croître, après un changement de procédé, de charge, de produit ou d'instrument, ou quand les entrées entrent dans une zone que le modèle n'a jamais vue. Certaines équipes réentraînent aussi selon un calendrier quand de nouvelles données étiquetées arrivent régulièrement. La surveillance indique quand le réentraînement est nécessaire.
Peut-on détecter une dérive sans résultats de laboratoire ni étiquettes ?
En partie. Les contrôles de santé des données et les distributions des entrées et des prédictions montrent que l'usine ou les données ont changé, sans aucune étiquette. Ils ne disent pas si le modèle est encore juste : les méthodes d'estimation de performance sans étiquettes supposent qu'il n'y a pas de dérive conceptuelle. Les résultats de laboratoire, de contrôle ou de défaillance restent la confirmation.
Quels outils permettent de surveiller la dérive sur nos propres serveurs ?
Des bibliothèques Python comme Evidently pour comparer des distributions, River pour les détecteurs de changement en flux comme ADWIN et Page-Hinkley, et NannyML pour estimer la performance sans étiquettes peuvent tourner sur des serveurs à l'intérieur de votre réseau. Des statistiques simples écrites dans l'historian et affichées sur les tableaux de bord existants suffisent souvent pour commencer.
Une correction de biais suffit-elle à corriger un modèle qui dérive ?
Seulement pour un décalage constant. Une correction de biais ramène l'estimation vers le dernier résultat de laboratoire, ce qui corrige un décalage mais pas une pente modifiée ni un nouveau régime de fonctionnement. Si l'écart revient après chaque correction, ou varie avec les conditions de marche, le modèle doit être réentraîné sur des données récentes.
Que doit-il se passer quand un modèle est mis hors service ?
Les exploitants reviennent à la méthode utilisée avant le modèle : résultats de laboratoire, calcul précédent, automatisme traditionnel ou conduite manuelle. Ce mode de repli, et la personne qui décide d'y recourir, doivent être écrits et testés avant la mise en service, de même qu'un moyen de revenir à la version précédente du modèle.



