# TP04 - Synthèse : automatisation d'un pipeline ML avec CI/CD

Fil rouge : prédiction de la consommation électrique (kWh). Aux TP02/TP03, chaque étape (split,
entraînement, `log_model`, enregistrement + promotion au Model Registry) était lancée **à la main**.
Le TP04 **automatise** cet enchaînement en un pipeline reproductible et idempotent (`pipeline.py`),
puis le **déclenche automatiquement via Forgejo Actions** à chaque Pull Request vers `main`.

## Ce qui a été construit

- **`pipeline.py`** (racine du dépôt) : orchestre en une seule commande `split -> train --register ->
  promote`. Chaque étape est un sous-processus `subprocess.run(..., check=True)` : un échec stoppe le
  pipeline avec un code de sortie non nul. Réutilise **telles quelles** les CLI du package `lab/`
  (mêmes commandes qu'en manuel) ; ne fait qu'enchaîner et calculer le numéro de version à promouvoir.
- **`requirements.txt`** : dépendances runtime figées sur l'environnement de référence de la VM
  (venv `/opt/venvs/mlops`, Python 3.14 ; mlflow 3.13.0, scikit-learn 1.9.0, pandas, pyarrow, boto3, s3fs).
- **`.forgejo/workflows/pipeline.yml`** : workflow CI déclenché sur `pull_request` vers `main`, qui
  installe les dépendances puis exécute `pipeline.py`.
- **Repo + CI sur le Forgejo de la VM** (`forgejo.192-168-122-143.nip.io/trainer-admin/ENI-ml-mlops`) :
  les 2 runners existants (mode docker, réseau `mlops-net`) exécutent le job. Le code de référence reste
  archivé publiquement sur `git.lidge.fr` (comme aux TP02/TP03).

---

## Partie 1 - Analyse de la pipeline existante

**1.1 - Quelles étapes sont nécessaires pour produire un nouveau modèle ?**
1. **Préparation des données** (`lab/split/cli.py`) : lire le dataset source `/data/modelling/{features,
   target}.parquet` et le découper en `train` / `validation` / `test` selon la stratégie de split figée.
2. **Entraînement** (`lab/modeling/cli.py`) : entraîner sur `train`, évaluer sur `validation`, logguer
   paramètres et métriques dans MLflow, sauvegarder l'artefact du modèle (`log_model`).
3. **Enregistrement au Registry** (option `--register`) : empiler une **nouvelle version** du modèle
   `electricity-consumption`.
4. **Promotion** (`lab/registry/cli.py`) : (re)pointer l'alias `champion` vers cette nouvelle version
   (mise à disposition pour l'API de service).

**1.2 - Quelle étape dépend directement du résultat de la précédente ?**
Le pipeline est une **chaîne linéaire** : `train` dépend de `split` (il lit `train.parquet` et
`validation.parquet` produits par le split) ; l'`enregistrement`/`log_model` dépend de `train` (il
sauvegarde le modèle entraîné) ; la `promotion` dépend de l'enregistrement (elle a besoin du **numéro
de version** qui vient d'être créé). Chaque étape consomme la sortie de la précédente
(parquets -> modèle -> version -> alias).

**1.3 - Quels artefacts sont produits tout au long du pipeline ?**
- Les jeux de données `data/{train,validation,test}.parquet` (versionnables par DVC) ;
- un **run MLflow** avec ses paramètres (`strategy`, `split_strategy`, `features`) et métriques
  (`train/validation_rmse`, `train/validation_mae`, coefficients) ;
- l'**artefact du modèle** sur `s3://mlflow-artifacts` (`model.pkl`, `MLmodel` + signature,
  `requirements.txt`/`conda.yaml`/`python_env.yaml`, `input_example`) ;
- une **version** au Model Registry (`electricity-consumption` vN) ;
- l'**alias** `champion` pointant vers cette version.

---

## Partie 2 - Construction d'une pipeline automatisé

**2.1 - Quels avantages par rapport à une exécution manuelle ?**
Reproductibilité (mêmes étapes, même ordre, mêmes paramètres à chaque exécution), suppression des
erreurs humaines (étape oubliée, mauvais ordre, paramètre incohérent), rapidité (**une seule
commande**), traçabilité, et surtout **exécutabilité par une machine** : le pipeline devient
déclenchable par une plateforme de CI/CD. Le script documente aussi le processus de façon vivante.

**2.2 - Que se passe-t-il si une étape échoue ?**
Le pipeline **s'arrête immédiatement** : chaque étape est lancée avec `check=True`, donc un échec lève
une exception et le script sort avec un **code non nul**. Les étapes suivantes ne sont pas exécutées
(on n'enregistre pas un modèle à partir d'un split incomplet). En CI, ce code non nul fait **échouer le
job** (signal rouge visible). On corrige la cause, puis on relance.

**2.3 - Pourquoi est-il important qu'un pipeline soit ré-exécutable sans effets de bord (idempotence) ?**
Pour pouvoir le **rejouer en confiance** (reprise après échec, ré-entraînement périodique, exécution en
CI) sans corrompre l'état ni accumuler d'effets parasites. Ici : le **split est déterministe** (mêmes
dates -> mêmes fichiers, réécrits proprement) ; `--register` **empile une nouvelle version** proprement
(le versioning est le comportement attendu, pas un doublon anarchique) ; l'alias `champion` est
**repointé** (mobile), jamais dupliqué. Rejouer le pipeline redonne donc un état cohérent et prévisible.

---

## Partie 3 - Exécution de la pipeline

Exécution de référence sur la VM (`set -a; source .env; set +a; python pipeline.py`).

**3.1 - Quels artefacts ont été produits ?**
- `data/train.parquet` (~115 Mo, 4 485 120 lignes), `validation.parquet` (~48 Mo, 1 855 488),
  `test.parquet` (~68 Mo, 2 629 632) ;
- un nouveau run dans l'expérience MLflow `tp02_electricity_consumption` ;
- une **nouvelle version** de `electricity-consumption` (stratégie `full`, `validation_rmse = 6.576`) ;
- l'alias `champion` repointé vers cette nouvelle version.

**3.2 - Comment vérifier qu'un nouveau modèle a bien été enregistré dans MLflow ?**
- En CLI : `python -m lab.registry.cli versions` (liste les versions, leurs alias et le
  `validation_rmse`) ;
- dans l'**UI MLflow** (`https://mlflow.192-168-122-143.nip.io` -> Models -> `electricity-consumption`) :
  la nouvelle version apparaît, l'alias `champion` pointe dessus ;
- par l'API : `MlflowClient().search_model_versions(...)` / `get_model_version_by_alias(name, "champion")`.

**3.3 - Quels éléments garantissent la reproductibilité ?**
- Le **code** versionné (git) et le **workflow** figé ;
- la **configuration** figée dans `lab/constants.py` (`CHOSEN_SPLIT_STRATEGY`, listes de features,
  `SERVING_STRATEGY`) et le **split déterministe** par dates ;
- les **données** versionnées par DVC (remote S3 Garage) ;
- les **dépendances épinglées** (`requirements.txt`) + l'environnement capturé par MLflow dans
  l'artefact (`requirements.txt`/`conda.yaml`) ;
- le **tracking MLflow** (paramètres, métriques, artefacts) qui permet de retrouver exactement chaque run.

---

## Partie 4 - Automatisation avec Forgejo Actions

**4.1 - Quel événement déclenche le workflow ?**
Une **Pull Request vers la branche principale** : `on: pull_request: branches: [main]`. L'ouverture
(et chaque mise à jour) d'une PR ciblant `main` lance le workflow. (Démonstration réalisée : PR #1
`tp04-ci-pipeline -> main`, workflow **vert**, une nouvelle version du modèle enregistrée par la CI.)

**4.2 - Quel est le rôle de Forgejo Actions dans cette architecture ?**
C'est la **plateforme de CI/CD intégrée au forge**. Elle détecte l'événement (PR), planifie un job et
l'assigne à un **runner**, fournit l'environnement d'exécution (conteneur), **injecte les secrets**,
exécute les étapes (récupération du code, installation des dépendances, exécution de `pipeline.py`) et
**rapporte le statut** (vert/rouge) rattaché à la PR. C'est l'orchestrateur qui automatise l'exécution
du pipeline à chaque changement proposé, sert de garde-fou (une PR qui casse le pipeline est visible
avant le merge) et centralise la traçabilité.

**4.3 - Différence entre le pipeline Python (partie 2) et le workflow Forgejo Actions ?**
`pipeline.py` porte le **quoi** : la logique métier (l'enchaînement `split -> train -> register ->
promote`), exécutable partout (poste, VM, CI). Le workflow porte le **quand** et le **où** :
l'orchestration CI (quel événement déclenche, sur quel runner, dans quel environnement/conteneur, avec
quels secrets) et le reporting. Le workflow ne contient **aucune logique ML** : il prépare
l'environnement et appelle `pipeline.py`. Cette séparation des responsabilités permet de changer le
déclencheur ou l'infrastructure sans toucher à la logique, et inversement.

**4.4 - Quels autres événements pourraient déclencher automatiquement le pipeline ?**
Un **push** sur `main` (après merge), la création d'un **tag/release**, une **planification**
(`schedule`/cron, pour un ré-entraînement périodique), un **déclenchement manuel** (`workflow_dispatch`),
ou un **événement externe** (webhook signalant l'arrivée de nouvelles données, appel depuis un autre
workflow).

---

## Détails d'implémentation (Forgejo Actions sur la VM)

- Le job tourne dans un conteneur `node:20-bookworm` sur le réseau `mlops-net` : il résout les services
  par leur nom et joint MLflow/Garage via Caddy en HTTPS (`https://mlflow...`, `https://garage...`),
  hôtes autorisés par `MLFLOW_SERVER_ALLOWED_HOSTS`.
- Deux volumes montés en lecture seule : les **données source** `/data/modelling` (le split en a besoin)
  et le **magasin de certificats** du host `/etc/ssl/certs/ca-certificates.crt` (confiance envers la CA
  interne ENI MLOps ; les runners ont été autorisés à monter ces chemins via `valid_volumes`).
- Les identifiants sont fournis en **secrets Actions** du repo (MLflow basic auth + clés S3 Garage),
  jamais committés (`.env` reste gitignoré). Python et les dépendances sont installés dans le job
  (`python3-venv` + `pip install -r requirements.txt`).

## Reproduire

Sur la VM, `~/tp` :

```bash
set -a; source .env; set +a
python pipeline.py                         # split -> train full --register -> promote champion
python -m lab.registry.cli versions        # verifier la nouvelle version + alias champion
```

En CI : ouvrir une Pull Request vers `main` sur `forgejo.192-168-122-143.nip.io/trainer-admin/ENI-ml-mlops`
-> le workflow `pipeline` s'exécute et enregistre une nouvelle version du modèle (onglet **Actions**).