Les réseaux de neurones en production sont souvent confrontés au phénomène de dérive de modèle, où la précision s'effondre silencieusement avant d'être détectée. Dans un cas concret, la précision est passée de 92,9 % à 44,6 % après un changement subtil des modèles de transactions. La réentraînement traditionnel, nécessitant des données étiquetées souvent indisponibles pendant plusieurs semaines et des heures de temps de calcul, n'est pas viable pour réagir en temps réel. Une nouvelle approche basée sur PyTorch, nommée Réseaux de Neurones Auto- guérisons, propose une solution sans nécessiter de réentraînement complet ni interruption du service. Cette architecture repose sur un composant clé appelé couche réflexive (ReflexiveLayer), une petite couche entraînable insérée entre un squelette de réseau gelé et une tête de sortie figée. Pendant les opérations de guérison, seuls les paramètres de cette couche adaptatrice sont mis à jour dans un thread d'arrière-plan, tandis que le squelette principal reste inchangé. Cette conception préserve les représentations apprises initialement et évite l'oubli catastrophique, un risque courant lors de la mise à jour de réseaux sur de nouvelles données. L'adaptatrice ne peut que corriger les sorties du squelette ; elle ne peut pas les écraser, ce qui garantit la stabilité fondamentale du modèle. Le système déclenche les mises à jour grâce à deux signaux distincts. Le premier, FIDI (Inspection de la distribution d'entrée basée sur les fonctionnalités), surveille les décalages statistiques significatifs dans les caractéristiques d'entrée, comme un changement de moyenne dans une variable critique. Le second détecte des conflits symboliques lorsqu'un moteur de règles basé sur des connaissances métier contredit les prédictions du modèle. Si le modèle indique un faible risque de fraude pour une transaction que les règles identifient comme suspecte, une alerte est levée. La combinaison de ces signaux permet une détection rapide de la dérive sans attendre de nouvelles données étiquetées. Lorsqu'une guérison est initiée, une fonction de perte composite guide l'adaptation. Elle combine la perte sur les données réelles avec une perte de cohérence basée sur les règles symboliques et une minimisation de l'entropie pour rétablir la confiance des prédictions. Un mécanisme de modèle d'ombre exécute parallèlement une version figée du modèle pour fournir une mesure honnête du gain de précision. Dans l'expérience, cette méthode a permis de récupérer 27,8 points de pourcentage de précision, passant de 44,6 % à 72,4 %, sans jamais modifier les poids du squelette initial. Cependant, cette guérison comporte un compromis notable : la précision augmentée s'accompagne d'une baisse du rappel. Le modèle guéri signale moins de faux positifs, ce qui est crucial pour réduire la charge opérationnelle dans la détection de fraude, mais il identifie également moins de cas de fraude réels. Le choix de déployer cette approche dépend directement de la structure de coûts spécifique à l'entreprise, comparant le coût des faux positifs à celui des fraudes manquées. Une infrastructure de sécurité complète accompagne cette architecture, incluant un registre de modèles permettant de basculer vers des états précédents si la qualité des prédictions se dégrade au-delà d'un seuil défini. Le système génère également des exports de monitoring détaillés pour tracer l'état du modèle, les déclencheurs de guérison et les performances par lot. Cette approche démontre qu'il est possible de maintenir la fiabilité des modèles en production face à la dérive conceptuelle sans interruption de service ni dépendance à de nouvelles données étiquetées, offrant ainsi un filet de sécurité temporaire tant que le réentraînement complet peut être planifié.