TP3 Partie 1 : log_model + Model Registry + promotion par alias

.env.example

@@ -11,5 +11,12 @@ MLFLOW_EXPERIMENT_NAME=tp02_electricity_consumption
 REQUESTS_CA_BUNDLE=/etc/ssl/certs/ca-certificates.crt
 AWS_CA_BUNDLE=/etc/ssl/certs/ca-certificates.crt
 
+# --- S3 Garage : artefacts MLflow (TP03) ---
+# Necessaire pour log_model (upload de l'artefact) ET pour le chargement du modele
+# par l'API (download depuis s3://mlflow-artifacts). Cle S3 "mlflow" (RWO sur le bucket).
+AWS_ACCESS_KEY_ID=GKxxxxxxxxxxxxxxxxxxxxxxxx
+AWS_SECRET_ACCESS_KEY=change-me
+MLFLOW_S3_ENDPOINT_URL=https://garage.192-168-122-143.nip.io
+
 # --- Import du package lab ---
 PYTHONPATH=/home/user/tp

lab/constants.py

@@ -70,3 +70,18 @@ MODELLING_FEATURES: dict[ModellingStrategy, list] = {
 
 # Valeurs d'alpha demandees par l'enonce (Partie 3)
 RIDGE_ALPHAS = [1, 1e3, 1e9]
+
+
+# --- TP03 : Model Registry + service de prediction ---
+# Nom sous lequel les modeles sont enregistres dans le MLflow Model Registry.
+# On garde un nom stable pour retrouver le modele et empiler ses versions.
+REGISTERED_MODEL_NAME = "electricity-consumption"
+
+# Alias pointant vers la version promue (chargee par l'API). On identifie le modele
+# a servir par son alias (mobile) plutot que par un numero de version (fige).
+MODEL_ALIAS = "champion"
+
+# Strategie de features du modele expose par l'API : "full" (les 6 features).
+# L'ordre des colonnes servies doit correspondre a celui de l'entrainement.
+SERVING_STRATEGY = ModellingStrategy.FULL
+SERVING_FEATURES = MODELLING_FEATURES[SERVING_STRATEGY]

lab/modeling/cli.py

@@ -3,6 +3,7 @@ import logging
 import mlflow
 import pandas as pd
 import typer
+from mlflow.models import infer_signature
 from sklearn import linear_model
 from sklearn import metrics
 
@@ -17,6 +18,11 @@ logger = logging.getLogger(__name__)
 @app.command()
 def main(
     strategy: constants.ModellingStrategy,
+    register: bool = typer.Option(
+        False,
+        "--register/--no-register",
+        help="Enregistrer le modele dans le Model Registry (cree une nouvelle version).",
+    ),
 ):
     training_file_path = constants.DATASET_DIR / "train.parquet"
     validation_file_path = constants.DATASET_DIR / "validation.parquet"
@@ -72,6 +78,24 @@ def main(
         ):
             mlflow.log_metric(f"coef_{feature_name}", float(coefficient))
 
+        # Sauvegarde de l'artefact du modele (poids + signature + environnement
+        # d'execution : requirements.txt, conda.yaml, MLmodel). --register empile
+        # une nouvelle version dans le Model Registry pour les meilleures experiences.
+        signature = infer_signature(X_train, train_predictions)
+        mlflow.sklearn.log_model(
+            sk_model=model,
+            name="model",
+            signature=signature,
+            input_example=X_train.iloc[:5],
+            registered_model_name=(
+                constants.REGISTERED_MODEL_NAME if register else None
+            ),
+        )
+        if register:
+            logger.info(
+                f"Model registered as '{constants.REGISTERED_MODEL_NAME}' (nouvelle version)"
+            )
+
 
 if __name__ == "__main__":
     app()

lab/modeling_ridge/cli.py

@@ -3,6 +3,7 @@ import logging
 import mlflow
 import pandas as pd
 import typer
+from mlflow.models import infer_signature
 from sklearn import linear_model
 from sklearn import metrics
 
@@ -17,6 +18,11 @@ logger = logging.getLogger(__name__)
 @app.command()
 def main(
     strategy: constants.ModellingStrategy = constants.ModellingStrategy.MIXED,
+    register: bool = typer.Option(
+        False,
+        "--register/--no-register",
+        help="Enregistrer chaque modele (par alpha) dans le Model Registry.",
+    ),
 ):
     training_file_path = constants.DATASET_DIR / "train.parquet"
     validation_file_path = constants.DATASET_DIR / "validation.parquet"
@@ -74,6 +80,18 @@ def main(
             ):
                 mlflow.log_metric(f"coef_{feature_name}", float(coefficient))
 
+            # Sauvegarde de l'artefact du modele (voir lab/modeling/cli.py).
+            signature = infer_signature(X_train, train_predictions)
+            mlflow.sklearn.log_model(
+                sk_model=model,
+                name="model",
+                signature=signature,
+                input_example=X_train.iloc[:5],
+                registered_model_name=(
+                    constants.REGISTERED_MODEL_NAME if register else None
+                ),
+            )
+
 
 if __name__ == "__main__":
     app()

lab/registry/cli.py

@@ -0,0 +1,63 @@
+"""Gestion du MLflow Model Registry : consulter les versions et promouvoir via alias.
+
+La promotion = pointer un alias (mobile) vers une version precise (figee) du modele.
+L'API charge ensuite le modele par `models:/<nom>@<alias>` sans connaitre le numero.
+"""
+
+import logging
+
+import typer
+from mlflow import MlflowClient
+
+from .. import constants
+
+app = typer.Typer(help="MLflow Model Registry (versions + promotion par alias).")
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+
+@app.command()
+def versions(
+    name: str = constants.REGISTERED_MODEL_NAME,
+):
+    """Lister les versions du modele enregistre, avec leurs alias."""
+    client = MlflowClient()
+    results = client.search_model_versions(f"name = '{name}'")
+    if not results:
+        logger.warning(f"Aucune version pour le modele '{name}'.")
+        raise typer.Exit(code=1)
+
+    # Les alias sont portes par le modele enregistre (dict alias -> version),
+    # pas par les objets renvoyes par search_model_versions.
+    alias_by_version: dict[str, list[str]] = {}
+    for alias, version in client.get_registered_model(name).aliases.items():
+        alias_by_version.setdefault(str(version), []).append(alias)
+
+    for mv in sorted(results, key=lambda v: int(v.version)):
+        aliases = ", ".join(alias_by_version.get(str(mv.version), [])) or "-"
+        run = client.get_run(mv.run_id) if mv.run_id else None
+        strategy = run.data.params.get("strategy", "?") if run else "?"
+        val_rmse = run.data.metrics.get("validation_rmse") if run else None
+        rmse_txt = f"{val_rmse:.3f}" if val_rmse is not None else "?"
+        typer.echo(
+            f"v{mv.version:<3} | alias: {aliases:<12} | strategy={strategy:<12}"
+            f" | validation_rmse={rmse_txt} | run={mv.run_id}"
+        )
+
+
+@app.command()
+def promote(
+    version: int = typer.Option(..., help="Numero de version a promouvoir."),
+    alias: str = typer.Option(constants.MODEL_ALIAS, help="Alias a (re)pointer."),
+    name: str = constants.REGISTERED_MODEL_NAME,
+):
+    """Promouvoir une version : (re)pointer l'alias vers cette version."""
+    client = MlflowClient()
+    client.set_registered_model_alias(name=name, alias=alias, version=str(version))
+    mv = client.get_model_version_by_alias(name=name, alias=alias)
+    logger.info(f"Alias '{alias}' -> {name} v{mv.version} (source: {mv.source})")
+
+
+if __name__ == "__main__":
+    app()