Un modèle de détection de fraude est passé de 94% à 75% de rappel en une seule semaine, sans déclencher d'alertes parce que les métriques mensuelles restaient dans les tolérances. Quand les chercheurs ont appliqué la courbe d'oubli classique d'Ebbinghaus à 555 000 transactions frauduleuses en production, ils ont obtenu R² = -0,31—pire que de prédire la moyenne. Cet échec mathématique expose une faille fondamentale dans la façon dont toute l'industrie MLOps approche le réentraînement de modèles.

Chaque plateforme MLOps majeure construit des horaires de réentraînement autour d'une dégradation lisse et prévisible empruntée à la recherche sur la mémoire du 19e siècle. L'hypothèse : les modèles oublient graduellement comme les humains, suivant une courbe exponentielle où la performance se dégrade continuellement à un taux proportionnel à la précision restante. Mais les systèmes de production ne se comportent pas comme des expériences de psychologie. Ils font face à des changements soudains de distribution, des attaques adverses, et des changements de marché qui créent des chocs de performance abruptes plutôt que des glissements doux.

Le narratif MLOps plus large se concentre lourdement sur le monitoring et la gestion du cycle de vie, avec 67% des modèles AI qui n'atteignent jamais la production et 91% qui subissent une dégradation de performance au fil du temps. Mais ces statistiques masquent le vrai problème : on traite les symptômes d'échec épisodique avec des solutions conçues pour la dégradation lisse. Quand R² tombe sous 0,4, le réentraînement programmé devient activement contre-productif—vous optimisez pour le mauvais mode d'échec entièrement.

Pour les équipes qui font tourner des modèles en production, cette recherche suggère un diagnostic pratique : vérifiez si vos métriques de performance hebdomadaires correspondent à une dégradation exponentielle. Si R² < 0,4, abandonnez le réentraînement basé sur le calendrier et implémentez plutôt la détection de chocs. Les maths vous disent que votre modèle n'oublie pas lentement—il se fait aveugler par des changements que vos horaires ne peuvent pas prédire.