feat(ml): initialise le pipeline d'entrainement LightGBM (ADR 0005)

ml/enervision_ml/config.py

@@ -0,0 +1,38 @@
+"""Configuration minimale du pipeline, lue depuis l'environnement.
+
+Pas de `BaseSettings` Pydantic ici : contrairement a `apps/backend`, ce n'est pas un service qui
+tourne en continu mais un script CLI lance a la main (cf. `docs/ML-START.md`), donc pas de
+surface de configuration a valider au demarrage d'un processus long.
+"""
+
+import os
+
+# Piege : ce n'est pas `DATABASE_URL` (celui du backend applicatif, proprietaire du schema).
+# `docs/ML-START.md` et l'ADR 0003 designent un role PostgreSQL dedie et restreint en lecture,
+# `enervision_ml`, non encore provisionne (dette assumee). Reutiliser `DATABASE_URL` par defaut
+# ferait tourner l'entrainement avec les droits d'ecriture complets de l'application, en
+# silence.
+ML_DATABASE_URL_ENV = "ML_DATABASE_URL"
+
+MLFLOW_EXPERIMENT_NAME = "consumption-forecast"
+MLFLOW_TRACKING_URI_ENV = "MLFLOW_TRACKING_URI"
+
+
+def database_url() -> str:
+    valeur = os.environ.get(ML_DATABASE_URL_ENV)
+    if not valeur:
+        raise RuntimeError(
+            f"{ML_DATABASE_URL_ENV} n'est pas defini. Elle doit pointer vers un role "
+            "PostgreSQL en lecture seule sur `reading`/`site` (voir docs/ML-START.md)."
+        )
+    return valeur
+
+
+def mlflow_tracking_uri() -> str | None:
+    """`None` laisse MLflow choisir son magasin local par defaut.
+
+    Piege : ce n'est plus `./mlruns` en clair depuis MLflow 3 (magasin fichier "maintenance
+    mode", refuse une URI `file:` explicite sauf `MLFLOW_ALLOW_FILE_STORE=true`), mais une base
+    SQLite locale (`./mlflow.db`).
+    """
+    return os.environ.get(MLFLOW_TRACKING_URI_ENV)