Dérive de concept

Dans l'analyse prédictive et l'apprentissage automatique, le terme « dérive de concept » (ou « déplacement de données ») signifie que les propriétés des variables cibles (c'est-à-dire les thèmes et les concepts sous-jacents de chacun des libellés), que le modèle tente de prédire, de modifier au fil du temps de manière imprévue.

Essentiellement, les données les plus récentes entrant dans l'ensemble de données deviendront, avec le temps, de plus en plus différentes des données d'origine sur lesquelles le modèle a été formé.

Cela pose des problèmes car les prédictions deviennent moins précises avec le temps et les variables que le modèle essaie de prédire deviennent de plus en plus différentes des données d'entraînement.

La dérive de concept est l'une des principales raisons pour lesquelles il est important de maintenir correctement les modèles utilisés dans les cas d'utilisation de production, par exemple les automatisations, en effectuant une petite quantité d'entraînement d'exceptions sur une base planifiée.