Les entrées changent
Nouveaux mots, nouveaux appareils, autre population ou valeurs inhabituelles par rapport à l’entraînement.
Le monde continue de changer
Pourquoi surveiller une IA après son lancement ?
Un modèle validé n’est pas terminé pour toujours. Les utilisateurs, les prix, les appareils, le vocabulaire et les comportements évoluent. Les données réelles finissent alors par s’éloigner de celles de l’entraînement.
À retenirLa surveillance ne consiste pas seulement à vérifier que le serveur répond. Il faut aussi vérifier que les données et les résultats restent pertinents.
Qualité attendueLe monde change →
Trois changements possibles
Données, relation ou comportement du système
La relation change
Les mêmes indices ne conduisent plus à la même réponse. Les habitudes d’achat ou les tactiques de fraude évoluent.
Les prédictions se déplacent
Le taux d’alertes, les catégories choisies ou les réponses refusées changent sans explication attendue.
Le tableau de bord utile
Exemple : un filtre anti-spam qui vieillit
De nouveaux messages frauduleux apparaissent avec des formulations différentes. Le filtre reçoit toujours des courriels, mais la relation entre leurs caractéristiques et l’étiquette « spam » a changé. Le taux d’erreurs augmente : il faut enquêter, ajuster les seuils ou réentraîner le modèle.
Que faut-il surveiller ?
Fiabilité technique
Surveiller disponibilité et latence
- Mesurer
- Taux d’erreur, temps de réponse, interruptions et ressources.
- Alerte
- Le service ralentit ou cesse de produire des prédictions.
- Réaction
- Basculer vers une solution de repli et diagnostiquer les journaux.
Le délai de vérité
La bonne réponse n’est pas toujours connue immédiatement
On peut mesurer tout de suite la vitesse ou le taux d’alertes. Mais savoir si une prévision était juste peut demander des jours ou des mois. Des indicateurs indirects servent alors de signaux précoces, sans remplacer la vérité terrain.
Le système ne répond pas.
Les utilisateurs corrigent davantage les résultats.
On connaît enfin la réponse correcte.
Réagir sans improviser
Une alerte doit conduire à une action prévue
Comparer à une référence
Seuils, tendances et écarts par segment.
Trouver ce qui a changé
Donnée, code, modèle, population ou contexte.
Réduire l’impact
Repli, contrôle humain, limitation ou arrêt.
Valider avant de remplacer
Nouvelles données, nouvel entraînement, test puis déploiement progressif.
Les garde-fous de production
Ne jamais dépendre d’un seul graphique
- 1
Mesures par groupe
La moyenne peut rester stable pendant qu’un segment se dégrade. - 2
Versionner
Relier chaque prédiction au modèle et aux données utilisés. - 3
Déploiement progressif
Tester sur une petite part du trafic avant d’élargir. - 4
Retour arrière
Pouvoir restaurer rapidement une version sûre.
Sources de référence
Pour approfondir
Google recommande de surveiller la dérive des données et des prédictions, les valeurs manquantes, la qualité, la latence et les interruptions, puis de prévoir validation et retour arrière.
Google for DevelopersJournalisation, surveillance et alertes →Google for DevelopersMettre à jour un modèle devenu obsolète →
Sources consultées le 28 septembre 2026.
Comprendre une décision
Surveiller la qualité ne dit pas encore comment expliquer un résultat.
Comprendre une notion
Gardez le fil de votre apprentissage.
Une étape courte et clairement reliée à ce que vous venez de lire.