L'un des problèmes majeurs en apprentissage automatique et en intelligence artificielle est le décalage de distribution entre les données d'entraînement et les données de test, ce qui peut entraîner des erreurs importantes dans les prédictions des systèmes d'IA. Cet article propose d'utiliser la distance de Kolmogorov-Smirnov (KS) pour mesurer ce décalage de distribution et évaluer son impact sur les performances des agents d'IA. Les auteurs démontrent que même une petite distance de KS peut avoir un effet significatif sur les performances, comme une augmentation de 50 % du temps de trajet à une intersection gérée par un agent d'apprentissage par renforcement. Cette approche pourrait permettre de surveiller et de compenser en temps réel les décalages de distribution, améliorant ainsi la fiabilité des systèmes d'IA dans des applications critiques comme les transports intelligents. Les résultats suggèrent que la distance de KS pourrait devenir un outil statistique précieux pour évaluer la dégradation des performances des agents d'IA et les aider à s'adapter de manière plus informée aux changements de distribution. Cette méthode pourrait être particulièrement utile dans des domaines où la sécurité et la fiabilité sont primordiales, comme les systèmes de transport autonomes.