Pourquoi l'IA qui fonctionnait cesse-t-elle de fonctionner ?

Les trois dérives ont des noms différents et des remèdes différents. Dérive de données : ce qui entre ne ressemble plus à ce qui entrait (le marché change, le format d'un fournisseur, le type de client), et le remède est de réentraîner ou réajuster avec des données fraîches. Dérive de modèle : le fournisseur met à jour ou retire le modèle que vous utilisiez et le même prompt renvoie autre chose, et le remède est de figer les versions et de tester chaque changement de modèle contre un jeu de cas avant de l'adopter. Dérive d'environnement : une API change, un site que vous lisiez, une politique d'une plateforme, et le remède est que le système échoue bruyamment (bloque et alerte) au lieu de se dégrader en silence.

Cette maison le vit en petit : notre pipeline opère avec sept portes qui bloquent la publication et plusieurs existent précisément parce qu'une dérive nous a atteints d'abord (un changement de format qui cassait des liens, du texte qui arrivait brut au lecteur). La règle qui résume tout : si personne ne regarde une métrique chaque semaine, ce système est déjà en train d'échouer et vous ne le savez pas encore. La version de ce problème avant le lancement (des projets qui meurent pour avoir mal choisi ou ne pas avoir mesuré) est son cousin, et le rythme trimestriel de renotation vient de la matrice des cas d'usage. Le cadre complet, dans Systèmes d'IA.