Réponse rapide
Réentraîner un modèle robotique peut se justifier lorsqu’une dérive mesurée, nouvelle mission, erreur récurrente ou donnée représentative montre qu’il n’est plus adapté. Le signal est analysé, sa cause vérifiée, puis la candidate est comparée à la référence avant toute promotion.
Interpréter la dérive
Performances par scène, classe, capteur et conséquence sont comparées. Baisse peut venir d’une annotation, d’un capteur ou d’un changement d’usage ; ajouter des données ne corrige pas toujours la cause.
Intégrer de nouveaux objets
Exemples autorisés sont collectés et annotés avec une règle stable, puis candidate est évaluée sur objets nouveaux et déjà pris en charge. Régressions, ressources et latence sont mesurées.
Ne pas déclencher sur un seuil isolé
Modèle plus récent peut améliorer un cas et en dégrader un autre. Référence, validation indépendante et retour restent nécessaires avant activation.
Sources et références
- [1] Model Evaluation — scikit-learn User Guide — scikit-learn
- [2] Artificial Intelligence Risk Management Framework (AI RMF 1.0) — NIST