feat(ml): enregistrer le modèle dans le MLflow Model Registry

.gitignore

@@ -64,7 +64,7 @@ ml/models/*
 !ml/models/.gitkeep
 ml/mlruns/
 ml/mlartifacts/
-ml/mlflow.db
+ml/mlflow.db*
 
 # IDE et OS
 .idea/

ml/.dockerignore

@@ -0,0 +1,5 @@
+.venv
+data
+mlruns
+mlflow.db*
+models

ml/Dockerfile

@@ -0,0 +1,3 @@
+FROM python:3.12-slim
+RUN pip install --no-cache-dir mlflow==3.16.1 psycopg2-binary
+EXPOSE 5000

ml/README.md

@@ -57,6 +57,37 @@ validation. La coupure est **chronologique**, jamais un tirage aleatoire de lign
 aleatoire laisserait des lignes de validation "voir" des lignes d'entrainement via leurs
 lags/moyennes glissantes, une fuite qui masquerait un surapprentissage.
 
+## Serveur MLflow (conteneur)
+
+Un serveur MLflow (PostgreSQL pour les metadonnees, volume pour les artefacts) se lance avec
+Docker. Prerequis : Docker Desktop demarre.
+
+```
+cd ml
+docker compose -f docker-compose.mlflow.yml up -d --build
+```
+
+Interface : http://localhost:5000. Entrainer vers ce serveur :
+
+```
+uv run python -m enervision_ml.train --csv data/all_sites_combined.csv --mlflow-tracking-uri http://localhost:5000
+```
+
+Arreter : `docker compose -f docker-compose.mlflow.yml down` (ajouter `-v` pour effacer aussi les
+runs et les modeles).
+
+Pour voir les runs dans l'interface (MLflow 3.x) :
+
+- Passer le selecteur en haut a gauche sur **Model training**. Le mode **GenAI** affiche des
+  traces LLM et reste vide pour un entrainement LightGBM.
+- **Runs** liste les entrainements, **Models** les artefacts de modele de chaque run (tous nommes
+  `model`), et **Model registry** les versions numerotees de `consumption-forecast-lightgbm`.
+
+Limites : les identifiants PostgreSQL (`mlflow` / `mlflow`) du compose ne conviennent qu'au
+developpement local. Un deploiement partage demandera des secrets, de l'authentification et un
+stockage d'artefacts dedie (S3/MinIO). Le port 5000 doit etre libre : arreter `mlflow ui` avant,
+ou changer le mapping (`"5001:5000"`) dans le compose.
+
 ## Commandes
 
 ```bash

ml/docker-compose.mlflow.yml

@@ -0,0 +1,33 @@
+services:
+  mlflow-db:
+    image: postgres:16
+    environment:
+      POSTGRES_USER: mlflow
+      POSTGRES_PASSWORD: mlflow
+      POSTGRES_DB: mlflow
+    volumes:
+      - mlflow-db-data:/var/lib/postgresql/data
+    healthcheck:
+      test: ["CMD-SHELL", "pg_isready -U mlflow"]
+      interval: 5s
+      retries: 10
+
+  mlflow:
+    build: .
+    depends_on:
+      mlflow-db:
+        condition: service_healthy
+    ports:
+      - "5000:5000"
+    volumes:
+      - mlflow-artifacts:/mlartifacts
+    command: >
+      mlflow server
+      --host 0.0.0.0 --port 5000
+      --backend-store-uri postgresql://mlflow:mlflow@mlflow-db:5432/mlflow
+      --artifacts-destination /mlartifacts
+      --serve-artifacts
+
+volumes:
+  mlflow-db-data:
+  mlflow-artifacts:

ml/tests/test_train.py

@@ -77,6 +77,7 @@ def test_train_runs_end_to_end_on_synthetic_data_and_beats_a_dummy_baseline(
     assert baseline_metrics["n_observations"] == model_metrics["n_observations"]
     assert model_metrics["mae"] < baseline_metrics["mae"]
 
+
 def test_train_raises_when_the_validation_window_is_empty(tmp_path: Path) -> None:
     depart = datetime(2026, 1, 1, tzinfo=UTC)
     frame = make_frame("site-a", heures=50, depart=depart)  # trop court pour un lag de 168h