Le piège du décalage entre entraînement et service
Découvrez ce qui se passe lorsque les données utilisées en service ne correspondent plus aux données d’entraînement.
Le piège du décalage entre entraînement et service est une leçon MLOps Academy gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage MLOps Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours MLOps Academy comprend 4 leçons au total.
Ce que signifie la dérive
La dérive entre l’entraînement et le service apparaît lorsque les données vues par votre modèle en production ne correspondent plus à celles sur lesquelles il a appris pendant l’entraînement. 📉
Pourquoi est-elle problématique
Votre modèle suppose que les données utilisées en production ressemblent à celles de l’entraînement. Lorsque cette hypothèse devient fausse, les prédictions se dégradent discrètement, même si rien ne plante. C’est la dérive.
Des chemins de code différents
Une cause classique est l’existence de deux chemins de code : un script prépare les données d’entraînement et un autre prépare les requêtes en production. De petites différences entre eux créent une dérive.
Un décalage visible
Ici, l’entraînement effectue une mise à l’échelle selon une moyenne, tandis que le service en utilise une autre. Le modèle reçoit alors des nombres sur lesquels il n’a jamais été entraîné : sa mise à l’échelle est incorrecte.
# training
x = (raw - 50.0) / 10.0
# serving (wrong!)
x = (raw - 0.0) / 10.0Caractéristiques obsolètes
La dérive apparaît aussi lorsqu’une caractéristique est récente pendant l’entraînement mais obsolète lors du service, par exemple une moyenne calculée hier au lieu de l’être à l’instant présent.
Le même bogue des deux côtés
La solution la plus sûre consiste à partager une même fonction pour les deux chemins. Si un bogue existe, il existe au moins de manière identique pendant l’entraînement et le service ; aucune dérive ne se glisse donc entre les deux.
def make_features(raw):
return (raw - 50.0) / 10.0
# call from training AND servingDérive du schéma
La dérive du schéma se produit lorsqu’une colonne change de type ou de nom entre l’entraînement et le service, par exemple lorsqu’un entier devient une chaîne de caractères. Le modèle l’interprète silencieusement de travers.
L’ordre des caractéristiques est important
De nombreux modèles lisent les caractéristiques selon leur position, et non leur nom. Inversez deux colonnes au moment du service et vous obtenez un décalage d’ordre discret et dangereux.
Détectez-la avec des vérifications
Une protection simple consiste à vérifier que l’entrée du service possède les mêmes colonnes que celles utilisées pour entraîner le modèle. Détectez la dérive à la porte, pas dans le tableau de bord.
assert list(request.columns) == model.feature_names_in_.tolist()Les magasins de caractéristiques sont utiles
Un magasin de caractéristiques calcule les caractéristiques une fois et les fournit à l’entraînement comme à l’inférence, ce qui élimine par conception toute une catégorie de bogues liés à la dérive.
Consignez et comparez
Consignez un échantillon des entrées réelles reçues par le service et comparez leurs statistiques à celles de votre jeu d’entraînement. Un écart entre les moyennes ou les plages est un premier avertissement de dérive.
Vérification rapide
Récapitulatif
La dérive est un décalage silencieux entre les données d’entraînement et celles du service. Partagez le code des caractéristiques, vérifiez les schémas et consignez les entrées réelles pour préserver la fiabilité de votre modèle. ✅
Apprends Python avec un tuteur IA — gratuit
Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.
- Cours
- 30
- Leçons
- 120
Questions Fréquemment Posées
La leçon « Le piège du décalage entre entraînement et service » est-elle gratuite ?
Oui — le texte complet de « Le piège du décalage entre entraînement et service » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours MLOps Academy, passe à CoddyKit PRO. Le cours MLOps Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Le piège du décalage entre entraînement et service » ?
Découvrez ce qui se passe lorsque les données utilisées en service ne correspondent plus aux données d’entraînement. Tu pratiques MLOps Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer MLOps Academy ?
Aucune expérience préalable n'est requise. MLOps Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « Le piège du décalage entre entraînement et service » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon MLOps Academy ?
Oui. Chaque leçon MLOps Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Le piège du décalage entre entraînement et service
- Échecs silencieux : aucun plantage, de mauvaises réponses
- Quand le monde change sous votre modèle
- Le problème de la reproductibilité