Réponse rapide
La dérive d’un réseau se repère en comparant les données, les sorties et les erreurs confirmées à une référence versionnée. Elle peut venir d’un décor, d’un capteur, d’une population d’objets, d’un logiciel ou d’une relation qui a changé. Le diagnostic combine indicateurs statistiques et revue d’épisodes avant de décider limitation, collecte ou retour arrière.
Suivre le signal avant la panne
Qualité d’image, valeurs manquantes, fréquence des classes, scores, abstentions et cas hors domaine sont suivis par lieu, robot, version et condition. Un déplacement de distribution n’est pas encore une preuve d’erreur ; il est rapproché de mesures de précision ou de sécurité. Cette lecture évite qu’une moyenne globale cache un sous-domaine en difficulté.
Confirmer sur des épisodes revus
Des cas sont échantillonnés pour annotation ou comparaison à une mesure indépendante. Les nouvelles données sont séparées, nettoyées et tracées avant tout réentraînement. Pendant l’analyse, le robot peut conserver le modèle validé, ralentir ou demander une supervision accrue.
Empêcher la dérive de s’auto-alimenter
Réentraîner sur des sorties erronées ou sur un seul site peut renforcer le mauvais biais. Un modèle meilleur dans une scène peut régresser ailleurs. Les critères de promotion, les tests hors domaine et le retour à la version précédente sont définis avant la mise à jour.
Sources et références
- [1] Robotics and Autonomous Systems — NIST