Le data drift est le phénomène par lequel les distributions statistiques des données d’entrée des modèles de machine learning changent au fil du temps par rapport au jeu d’entraînement, dégradant la précision et la fiabilité des prédictions. En cybersécurité, la détection du data drift est critique pour les systèmes de détection des menaces basés sur le ML, la détection d’anomalies, l’analyse comportementale et les modèles de sécurité IA, où des variations non surveillées dans les modèles de trafic, les logs ou les comportements des utilisateurs peuvent générer des faux positifs, des faux négatifs ou rendre les défenses automatisées inefficaces.