Aller au contenu
Module
Module 4 sur 5Leçon 3 sur 3~18 min

Changer de modèle sans régression

Migrer vers un nouveau modèle, de votre propre initiative ou sous la contrainte d'un fournisseur qui met fin à une version, se prépare comme une vraie livraison. Cette leçon vous aide à écrire la procédure qui l'encadre, des tests de régression au retour arrière, avec un calendrier aligné sur les dates de dépréciation.

Mis à jour le 29 septembre 2026.

En bref

Changer de modèle d'IA se prépare avec le même soin qu'une mise en production : on teste le nouveau modèle sur le même jeu d'évaluation que l'ancien, on compare qualité, coût et latence, puis on le déploie progressivement avec un retour arrière prêt. Les fournisseurs retirent régulièrement d'anciennes versions. Pour un PM, une procédure écrite évite les régressions découvertes par les utilisateurs.

Objectif de la leçon

À la fin de cette leçon, vous serez capable d'écrire la procédure de changement de modèle de votre fonctionnalité IA : déclencheurs, évaluation de régression critère par critère, comparaison en shadow, déploiement progressif, critères de retour arrière et calendrier aligné sur les dates de dépréciation.

Les questions auxquelles cette leçon répond

  • Comment changer de modèle d'IA sans dégrader la fonctionnalité ?

    En le comparant à l'ancien sur votre jeu d'évaluation, en ajustant les prompts si besoin, puis en le déployant par étapes avec les mêmes seuils qu'au lancement.

  • Comment tester un nouveau LLM avant de remplacer l'ancien en production ?

    Faites passer les deux modèles sur le même jeu d'évaluation représentatif, comparez qualité, coût et latence, puis testez en conditions réelles sur une petite part du trafic.

  • Quand faut-il revenir à l'ancien modèle après un changement ?

    Dès qu'un seuil de qualité, de coût ou de latence défini à l'avance est franchi, ou qu'un incident grave apparaît. L'ancien modèle doit rester disponible le temps de la transition.

Thèmes abordés

  • migration de modèle
  • tests de régression
  • dépréciation de modèle
  • shadow testing

Dans le glossaire

Tout le glossaire

Guide sur ce thème

Dans quel module

Incidents, replis et changements de modèle

Que faire quand la qualité, le fournisseur ou le modèle change sous vos pieds ?

Leçons du module

  1. Reconnaître les incidents propres à l'IA
  2. Prévoir les replis
  3. Changer de modèle sans régression (cette leçon)

Ce que vous apprendrez dans la formation

Cette leçon fait partie de la formation Mettre en production et monitorer une fonctionnalité IA