Chapitre 2 : Détection de la dérive des données

Types de dérive

Type	Description	Détection
Dérive des covariables	Changement de la distribution des données d'entrée	Tests statistiques sur les caractéristiques
Dérive de concept	Changement de la relation entre X et Y	Surveiller la précision des prédictions
Dérive des étiquettes	Changement de la distribution cible	Comparer les distributions de prédiction

Tests statistiques pour la dérive

from scipy import stats
import numpy as np

def detect_drift(reference_data: np.ndarray, current_data: np.ndarray, threshold: float = 0.05):
    """Detecter la dérive en utilisant le test de Kolmogorov-Smirnov."""
    drift_results = {}
    
    for i, feature in enumerate(feature_names):
        statistic, p_value = stats.ks_2samp(
            reference_data[:, i],
            current_data[:, i]
        )
        drift_results[feature] = {
            'statistic': statistic,
            'p_value': p_value,
            'drift_detected': p_value < threshold
        }
    
    return drift_results

Tableau de bord de surveillance de la dérive

# Configuration du tableau de bord Grafana
panels:
  - title: "Score de dérive des caractéristiques"
    type: timeseries
    targets:
      - expr: model_drift_score{feature="age"}
      - expr: model_drift_score{feature="income"}
    thresholds:
      - value: 0.1
        color: yellow
      - value: 0.2
        color: red

---

Suivant : Chapitre 3 : Alertes et réponse aux incidents