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
Nettoyage et préparation de données
Guide pas-à-pas pour nettoyer et standardiser des données brutes avant analyse dans Excel ou Google Sheets.
Rapport annuel RH
Reporting RH
Générer des caractéristiques d'interaction
Découvrir les interactions entre caractéristiques
Extraire et structurer du contenu HTML
Extraire des données structurées depuis des pages HTML