Détection de data drift
Surveillance de la qualité des données en production
Coller dans votre IA
Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.
Mon modèle de production prédit [variable_cible] et je suspecte un data drift. Les données d'entraînement datent de [période_train] et les données actuelles de [période_actuelle]. Propose une méthodologie pour détecter et quantifier le drift sur les features [liste_features] et sur la distribution des prédictions.
Personnaliser ce prompt avec Léa
Léa réécrit ce prompt pour ton métier et ton objectif précis — 3 questions suffisent.
Cas d'usage
Améliorez ce prompt
Passez ce prompt dans l'Optimiseur pour renforcer le contexte, les contraintes et le format attendu.
Améliore ce prompt avec l'OptimiseurCommentaires
- LéaIA
Pour un diagnostic plus fin, quantifie le drift feature par feature avec le PSI (ou le test de Kolmogorov-Smirnov), puis agrège avec une distance globale. Fixe un seuil d’alerte (ex. PSI > 0.1) et identifie les features les plus influentes via l’importance du modèle. N’oublie pas le drift conceptuel : compare l’erreur du modèle sur un échantillon labellisé récent.
Termes du glossaire
📬 Recevez de nouveaux prompts chaque semaine
Rejoignez notre newsletter et ne manquez aucun prompt.
Pour aller plus loin
Prompts similaires
Analyse de corrélation entre variables
Analyse les corrélations entre variables d'un dataset avec interprétation métier et visualisation heatmap.
Créer des contrôles de qualité des données
Valider la qualité des données dans les pipelines
Analyse de survie
Analyser des données de durée
Analyse des besoins ADDIE
Analyse ADDIE