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

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]