Dégradation progressive des performances d'un modèle ML en production, causée par l'évolution du monde réel par rapport aux données sur lesquelles le modèle a été entraîné. On distingue deux types : le data drift (la distribution des inputs change : un nouveau comportement client, une saisonnalité non vue) et le concept drift (la relation entre les inputs et l'output change : ce qui prédisait la fraude il y a un an ne fonctionne plus). Le monitoring du drift est indispensable en MLOps : surveiller les métriques métier, les distributions statistiques des features et les performances du modèle sur des échantillons étiquetés récents. Sans suivi, un modèle peut se dégrader silencieusement pendant des mois.