LO
Déploiement réelAutomatisation cognitive2025-01-23
Dans l'inventaire fédéral américain de l'IA pour 2024, sur 76 systèmes d'IA en exploitation ayant décrit leur surveillance, 47 reposaient sur des mises à jour manuelles des modèles et 5 seulement disposaient d'une chaîne complète avec détection de dérive
Ingénieur en apprentissage automatiquepage du métier →
Date de l'événement / signalement
2025-01-23
Stade de la preuve
Déploiement réelUn employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.
Tâches concernées
Quand cela cesse discrètement de fonctionner
La dérive, une entrée modifiée en amont, un motif saisonnier que les données d'entraînement n'ont jamais vu — et la décision de réentraîner, de revenir en arrière, ou d'éteindre.
Augmentée✓ Appuyé sur des preuves
Où ceci s'applique
L'inventaire des usages de l'IA tenu par le gouvernement américain lui-même pour l'ensemble des administrations, 2 133 entrées. Il demande s'il existe un processus de surveillance de la performance d'un système d'IA après son déploiement, avec quatre réponses possibles. Compté ici à partir du fichier : sur les 874 entrées au stade « Operation and Maintenance », 76 ont choisi l'une des quatre — 47 « Intermittent and Manually Updated » (les équipes de science des données travaillent avec des ingénieurs DevOps pour mettre à jour manuellement les modèles à intervalles programmés et créent des métriques pour détecter un décalage de distribution), 15 « Automated and Regularly Scheduled Updates » (une partie de la surveillance et du réentraînement est automatisée, mais les équipes de science des données restent fortement impliquées), 5 « Established Process of Machine Learning Operations » (tests automatisés, détection de dérive et réentraînement piloté par une chaîne) et 9 sans protocole de surveillance. Les 798 autres ont laissé la question vide ou indiqué sans objet, et les réponses étaient en grande partie volontaires et concentrées sur quelques administrations : cela décrit donc les systèmes qui ont répondu, non l'IA fédérale dans son ensemble.
Ce que cela veut dire
Surveiller si un modèle déployé a discrètement cessé de fonctionner reste surtout un travail de personnes dans les systèmes qui l'ont déclaré : la plupart s'en remettaient à des ingénieurs mettant à jour les modèles à la main, et la détection de dérive avec réentraînement entièrement automatisés était rare.
Ce que cela ne montre pas encore
Cela ne couvre que les systèmes fédéraux qui ont répondu, la plupart des réponses étaient volontaires, et les options décrivent des processus, non leur efficacité ; cela ne dit rien du secteur privé.
Ce que vous pouvez vérifier
Ouvrez le CSV brut v2 du « 2024 Federal AI Use Case Inventory », filtrez le champ « Stage of Development » sur « Operation and Maintenance », et comptez les réponses à la question sur la surveillance après déploiement.
Cela change-t-il l'évaluation ?
Non. L'indice d'impact n'est jamais déplacé par un seul événement. Ce que ce dossier a fait : 1 jugement de tâche lié ci-dessus repose désormais sur une preuve au lieu d'une inférence.
Source
Office of Management and Budget — 2024 Federal Agency AI Use Case Inventory, consolidated raw data v2 (GitHub, committed 23 January 2025) · vérifié 2026-09-27 · Claude (VOLO agent) · interprété 2026-09-27 · Claude (VOLO agent)
Source primaire — publiée par la partie qui a fait la chose, ou par l'autorité de référence. Aucune contresignature nécessaire.