fix(etl): fiabilise airflow-init, borne les DAGs ML et ajoute la CI Airflow

etl/airflow/dags/ml_train.py

@@ -1,14 +1,15 @@
 """DAG d'entrainement du modele LightGBM (issue #115).
 
-Pas de planification : reentrainer est couteux et sa cadence n'est pas une decision prise
-(cf. `docs/architecture/20-backend.md`). Declenchement manuel depuis l'UI ou la CLI Airflow en
-attendant. `ml_score` (DAG separe, planifie toutes les heures) reutilise le modele que ce DAG
-ecrit, il ne reentraine jamais rien lui-meme.
+Pas de planification : reentrainer est couteux et sa cadence n'est pas une decision prise, en
+particulier tant que `train.py` ecrase le modele sans comparer ses metriques a l'ancien (cf.
+`docs/architecture/10-infra.md`, section Airflow). Declenchement manuel depuis l'UI ou la CLI
+Airflow en attendant. `ml_score` (DAG separe, planifie toutes les heures) reutilise le modele que
+ce DAG ecrit, il ne reentraine jamais rien lui-meme.
 """
 
 from __future__ import annotations
 
-from datetime import datetime
+from datetime import datetime, timedelta
 
 from airflow.models.dag import DAG
 from airflow.operators.bash import BashOperator
@@ -22,15 +23,21 @@ with DAG(
     schedule=None,
     start_date=datetime(2026, 1, 1),
     catchup=False,
+    # Deux entrainements simultanes ecriraient le meme fichier modele.
+    max_active_runs=1,
     tags=["ml"],
 ) as dag:
-    # `--frozen --no-dev` : l'environnement `/opt/ml/.venv` est fige a la construction de l'image
-    # (groupe `dev` exclu). Sans `--no-dev` ici, `uv run` resynchronise ruff/mypy a chaque
-    # execution : un acces reseau evitable, sur le chemin d'execution d'une tache planifiee.
+    # `--no-sync` : l'environnement `/opt/ml/.venv` est fige a la construction de l'image, `uv run`
+    # ne le resynchronise pas (sinon `enervision-ml` est reconstruit a chaque tache).
+    # `env -u VIRTUAL_ENV` : l'image de base positionne celui d'Airflow, que `uv` signale a chaque
+    # execution sans qu'il change quoi que ce soit.
     BashOperator(
         task_id="train",
         bash_command=(
-            "cd /opt/ml && uv run --frozen --no-dev python -m enervision_ml.train "
+            "cd /opt/ml && env -u VIRTUAL_ENV uv run --no-sync python -m enervision_ml.train "
             f"--model-output {MODEL_PATH} --mlflow-tracking-uri {MLFLOW_TRACKING_URI}"
         ),
+        # Un entrainement complet dure quelques minutes ; une connexion pendue ne doit pas
+        # immobiliser un slot du scheduler indefiniment.
+        execution_timeout=timedelta(hours=1),
     )