Phénomène où la relation statistique entre les features d'entrée et la variable cible change au fil du temps, dégradant les performances d'un modèle déployé. Distinct du Data Drift (changement de distribution des features sans changement de la relation features→target). Types : Sudden drift (changement brutal — ex: COVID impactant les modèles économiques en 2020), Gradual drift (évolution lente — ex: comportements d'achat qui changent avec les générations), Recurring drift (pattern saisonnier — ex: modèle de détection de fraude pendant les fêtes). Détection via des tests statistiques sur les résidus (ADWIN, Page-Hinkley) ou en surveillant les métriques modèle sur une fenêtre glissante. Solution : réentraînement périodique ou déclenché par une alerte de drift, online learning. Evidently AI, WhyLabs et Arize détectent le drift en production.