EMBEDDING DRIFT IN A MACHINE LEARNING MODEL

Techniques for determining embedding drift score in a machine learning model. The techniques can include: obtaining one or more first embedding vectors based on at least one first prediction of a machine learning model; filtering the first embedding vectors based on a slice of the first prediction; determining a first average vector by averaging each dimension of the filtered first embedding vectors; obtaining one or more second embedding vectors on al least one second prediction of the machine learning model; filtering the second embedding vectors based on a slice of the second prediction; generating a second average vector by averaging each dimension of the filtered second embedding vectors; and determining an embedding drift score based on a distance measure of the first average vector and the second average vector. Techniques pour déterminer un score de dérive de plongement dans un modèle d'apprentissage automatique. Les techniques peuvent consister à : obtenir un ou plusieurs premiers vecteurs de plongement sur la base d'au moins une première prédiction d'un modèle d'apprentissage automatique ; filtrer les premiers vecteurs de plongement sur la base d'une tranche de la première prédiction ; déterminer un premier vecteur moyen via le moyennage de chaque dimension des premiers vecteurs de plongement filtrés ; obtenir un ou plusieurs seconds vecteurs de plongement sur au moins une seconde prédiction du modèle d'apprentissage automatique ; filtrer les seconds vecteurs de plongement sur la base d'une tranche de la seconde prédiction ; générer un second vecteur moyen via le moyennage de chaque dimension des seconds vecteurs de plongement filtrés ; et déterminer un score de dérive de plongement sur la base d'une mesure de distance du premier vecteur moyen et du second vecteur moyen.