Pourquoi surveiller la dérive par classe ou par contexte plutôt que seulement en moyenne ?
Mise à jour28 août 2026
Lecture1 minute
Réponse rapide
Surveiller la dérive par classe ou par contexte révèle les dégradations cachées par une moyenne qui mélange scènes faciles, rares et critiques.
Voir qui perd en qualité
On compare par type d’objet, lieu, éclairage, saison, charge ou population plutôt que de regarder un seul score global.Un robot reconnaît mal les cartons bleus
La moyenne reste stable car les cartons bruns dominent ; l’analyse par couleur montre pourtant une chute nette sur la nouvelle série.Trop de découpages rendent l’analyse bruyante
Il faut assez d’exemples et des regroupements justifiés. Intervalle d’incertitude, priorité métier et revue des petits groupes sont nécessaires.Sources et références
- [1] Metrics and scoring: quantifying the quality of predictions — scikit-learn
- [2] AI Risk Management Framework — NIST