fix(ml): borne la fenetre de scoring a l'instant demande, pour que --now rejoue l'historique

`load_recent_from_database` n'avait qu'une borne basse. `build_scoring_frame` repartait donc de
la derniere lecture de toute la table quel que soit `--now` : `target_at` valait toujours
"fin du jeu + 1h", et `_age = instant - derniere_lecture` devenait negatif, ce qui passait le
seuil de peremption sans rien signaler.

Consequence concrete : sur le jeu historique, arrete au 31/12/2024, aucune boucle de rattrapage
ne pouvait produire une prevision dont le realise existe deja. La surveillance de derive livree
par la migration precedente n'aurait donc rien eu a comparer en demonstration.

`until` est desormais obligatoire sur ce chargeur, ce qui interdit de l'oublier, et le mode CSV
filtre symetriquement. En exploitation rien ne change, aucune lecture n'etant posterieure a
l'heure courante.

docs/ML-START.md

@@ -102,11 +102,13 @@ Trois contraintes de cohérence sont portées par la base et non par le code app
 sont vérifiées depuis le code qui écrit par `ml/tests/test_score_integration.py`, sur une vraie
 base : un double ne prouverait rien d'une contrainte SQL.
 
-**Limite connue de `--now`.** L'option décale l'instant de référence, pas la fenêtre de lecture :
-`load_recent_from_database` n'a pas de borne haute et `build_scoring_frame` part toujours de la
-dernière lecture connue. `target_at` vaut donc « dernière lecture du jeu + 1 h » quelle que soit
-la valeur passée, et aucune boucle de rattrapage ne peut fabriquer de paires prévu/réalisé sur un
-jeu figé.
+**`--now` borne la fenêtre des deux côtés.** `load_recent_from_database` exige un `until` autant
+qu'un `since`, et le scoring lui passe l'instant de référence. Sans cette borne haute,
+`build_scoring_frame` repartait de la dernière lecture de toute la table quelle que soit la valeur
+demandée : `target_at` valait toujours « fin du jeu + 1 h », et l'âge de la dernière lecture
+devenait négatif sans franchir le seuil de péremption. Rejouer le scoring sur des instants passés
+produit désormais des prévisions dont le réalisé existe déjà, ce dont la surveillance de dérive a
+besoin pour se démontrer sur un jeu figé.
 
 ### `model_reference` est un hachage, pas un nom de fichier
 

docs/adr/0011-surveillance-de-derive-dans-le-backend.md

@@ -98,9 +98,15 @@ modèle change n'est pas une dérive, c'est une régression de réentraînement.
 - La CLI sort en code non nul sous `--fail-on-drift` seulement. Par défaut, constater une dérive
   n'est pas un échec d'exécution.
 
-## Limite connue
+## Effet de bord assumé sur le pipeline
 
-`enervision_ml.score --now` ne rejoue pas l'historique : `load_recent_from_database` n'a pas de
-borne haute, et `build_scoring_frame` part toujours de la dernière lecture connue. Aucune boucle
-de rattrapage ne peut donc fabriquer de paires prévu/réalisé sur des données figées, et la
-dérive répond `indetermine` tant que le scoring n'a pas tourné plusieurs fois en exploitation.
+La dérive n'a de matière que si des paires prévu/réalisé existent. Or `enervision_ml.score --now`
+ne rejouait pas l'historique : `load_recent_from_database` n'avait pas de borne haute et
+`build_scoring_frame` repartait de la dernière lecture connue, si bien que `target_at` valait
+toujours « fin du jeu + 1 h » et que l'âge de la dernière lecture devenait négatif sans franchir
+le seuil de péremption. Sur le jeu historique, figé au 31/12/2024, aucune boucle de rattrapage
+n'aurait donc rien produit de vérifiable.
+
+`until` est devenu obligatoire sur ce chargeur, et le scoring lui passe son instant de référence.
+Le comportement en exploitation ne change pas, aucune lecture n'étant postérieure à l'heure
+courante ; seul le rattrapage sur données passées devient possible.

ml/enervision_ml/data.py

@@ -80,7 +80,7 @@ _RECENT_READING_QUERY = text(
         s.capacity_kw
     FROM reading r
     JOIN site s ON s.site_id = r.site_id
-    WHERE r.timestamp >= :since
+    WHERE r.timestamp >= :since AND r.timestamp <= :until
     ORDER BY r.site_id, r.timestamp
     """
 )
@@ -94,14 +94,21 @@ def load_from_database(connection: Connectable) -> pd.DataFrame:
     return _typer(frame[OUTPUT_COLUMNS])
 
 
-def load_recent_from_database(connection: Connectable, *, since: datetime) -> pd.DataFrame:
-    """Lit `reading` + `site` depuis `since` seulement, pour le scoring.
+def load_recent_from_database(
+    connection: Connectable, *, since: datetime, until: datetime
+) -> pd.DataFrame:
+    """Lit `reading` + `site` sur la fenetre `[since, until]`, pour le scoring.
 
-    Piege evite : un `SELECT` sans borne sur l'hypertable complete juste pour scorer le prochain
-    pas horaire serait la meme erreur que celle corrigee sur `GET /readings` (fenetre non
+    Piege evite cote bas : un `SELECT` sans borne sur l'hypertable complete juste pour scorer le
+    prochain pas horaire serait la meme erreur que celle corrigee sur `GET /readings` (fenetre non
     plafonnee sur une table pouvant porter des annees d'historique).
+
+    Piege evite cote haut : `until` est obligatoire, et c'est ce qui donne son sens a `--now`.
+    Sans lui, `build_scoring_frame` repartait de la derniere lecture de toute la table quel que
+    soit l'instant demande, donc `target_at` valait toujours "fin du jeu + 1h" et l'age de la
+    derniere lecture devenait negatif sans que rien ne le signale.
     """
-    frame = pd.read_sql(_RECENT_READING_QUERY, connection, params={"since": since})
+    frame = pd.read_sql(_RECENT_READING_QUERY, connection, params={"since": since, "until": until})
     return _typer(frame[OUTPUT_COLUMNS])
 
 

ml/enervision_ml/score.py

@@ -204,7 +204,8 @@ def _load_recent_from_csv(csv_path: Path, *, now: datetime | None) -> tuple[pd.D
     instant = now or (
         brute["timestamp"].max().to_pydatetime() if not brute.empty else datetime.now(UTC)
     )
-    return brute[brute["timestamp"] >= instant - LOOKBACK], instant
+    fenetre = (brute["timestamp"] >= instant - LOOKBACK) & (brute["timestamp"] <= instant)
+    return brute[fenetre], instant
 
 
 def _score_frame(
@@ -240,7 +241,7 @@ def run_scoring(
     engine = create_engine(config.database_url())
     try:
         instant = now or datetime.now(UTC)
-        recent = load_recent_from_database(engine, since=instant - LOOKBACK)
+        recent = load_recent_from_database(engine, since=instant - LOOKBACK, until=instant)
         resultats = _score_frame(recent, model_path=model_path, site_id=site_id, instant=instant)
 
         reference = model_reference(model_path)

ml/tests/test_data_integration.py

@@ -45,7 +45,9 @@ def test_load_recent_from_database_excludes_readings_before_the_since_bound(
     site_id = insere_site(connexion_ml)
     insere_lectures(connexion_ml, site_id, heures=5, fin=ANCRAGE)
 
-    frame = load_recent_from_database(connexion_ml, since=ANCRAGE - timedelta(hours=2))
+    frame = load_recent_from_database(
+        connexion_ml, since=ANCRAGE - timedelta(hours=2), until=ANCRAGE
+    )
 
     assert list(frame["timestamp"]) == [
         ANCRAGE - timedelta(hours=2),
@@ -60,7 +62,9 @@ def test_load_recent_from_database_includes_a_reading_exactly_at_the_since_bound
     site_id = insere_site(connexion_ml)
     insere_lecture(connexion_ml, site_id, instant=ANCRAGE)
 
-    frame = load_recent_from_database(connexion_ml, since=ANCRAGE)
+    frame = load_recent_from_database(
+        connexion_ml, since=ANCRAGE, until=ANCRAGE + timedelta(hours=3)
+    )
 
     assert len(frame) == 1
 
@@ -71,7 +75,9 @@ def test_load_recent_from_database_keeps_timestamps_timezone_aware(
     site_id = insere_site(connexion_ml)
     insere_lecture(connexion_ml, site_id, instant=ANCRAGE)
 
-    frame = load_recent_from_database(connexion_ml, since=ANCRAGE)
+    frame = load_recent_from_database(
+        connexion_ml, since=ANCRAGE, until=ANCRAGE + timedelta(hours=3)
+    )
 
     assert frame["timestamp"].dt.tz is not None
 
@@ -83,7 +89,9 @@ def test_load_recent_from_database_orders_readings_by_site_then_timestamp(
     for decalage in (2, 0, 1):
         insere_lecture(connexion_ml, site_id, instant=ANCRAGE + timedelta(hours=decalage))
 
-    frame = load_recent_from_database(connexion_ml, since=ANCRAGE)
+    frame = load_recent_from_database(
+        connexion_ml, since=ANCRAGE, until=ANCRAGE + timedelta(hours=3)
+    )
 
     assert list(frame["timestamp"]) == [
         ANCRAGE,
@@ -95,7 +103,9 @@ def test_load_recent_from_database_orders_readings_by_site_then_timestamp(
 def test_load_recent_from_database_returns_the_contract_columns_even_without_any_row(
     connexion_ml: Connection,
 ) -> None:
-    frame = load_recent_from_database(connexion_ml, since=ANCRAGE + timedelta(days=365))
+    frame = load_recent_from_database(
+        connexion_ml, since=ANCRAGE + timedelta(days=365), until=ANCRAGE + timedelta(days=400)
+    )
 
     assert frame.empty
     assert list(frame.columns) == OUTPUT_COLUMNS
@@ -107,7 +117,9 @@ def test_load_recent_from_database_types_a_fully_null_capacity_kw_as_float64(
     site_id = insere_site(connexion_ml, capacity_kw=None)
     insere_lectures(connexion_ml, site_id, heures=3, fin=ANCRAGE)
 
-    frame = load_recent_from_database(connexion_ml, since=ANCRAGE - timedelta(hours=2))
+    frame = load_recent_from_database(
+        connexion_ml, since=ANCRAGE - timedelta(hours=2), until=ANCRAGE
+    )
 
     assert frame["capacity_kw"].dtype == "float64"
     assert frame["capacity_kw"].isna().all()
@@ -122,7 +134,9 @@ def test_load_recent_from_database_types_a_null_is_working_hours_as_float64(
         connexion_ml, site_id, instant=ANCRAGE + timedelta(hours=1), is_working_hours=True
     )
 
-    frame = load_recent_from_database(connexion_ml, since=ANCRAGE)
+    frame = load_recent_from_database(
+        connexion_ml, since=ANCRAGE, until=ANCRAGE + timedelta(hours=3)
+    )
 
     assert frame["is_working_hours"].dtype == "float64"
     assert list(frame["is_working_hours"].isna()) == [True, False]
@@ -147,8 +161,23 @@ def test_both_loaders_produce_the_same_columns_in_the_same_order(
         }
     ).to_csv(csv_path, index=False)
 
-    depuis_la_base = load_recent_from_database(connexion_ml, since=ANCRAGE - timedelta(hours=1))
+    depuis_la_base = load_recent_from_database(
+        connexion_ml, since=ANCRAGE - timedelta(hours=1), until=ANCRAGE
+    )
     depuis_le_csv = load_from_csv(csv_path)
 
     assert list(depuis_la_base.columns) == list(depuis_le_csv.columns)
     assert depuis_la_base.dtypes.to_dict() == depuis_le_csv.dtypes.to_dict()
+
+
+def test_load_recent_from_database_excludes_readings_after_the_until_bound(
+    connexion_ml: Connection,
+) -> None:
+    site_id = insere_site(connexion_ml)
+    insere_lectures(connexion_ml, site_id, heures=5, fin=ANCRAGE + timedelta(hours=4))
+
+    frame = load_recent_from_database(
+        connexion_ml, since=ANCRAGE - timedelta(days=1), until=ANCRAGE
+    )
+
+    assert list(frame["timestamp"]) == [ANCRAGE]

ml/tests/test_score.py

@@ -275,3 +275,24 @@ def test_run_scoring_in_csv_mode_scores_without_touching_a_database(tmp_path: Pa
     assert {r.site_id for r in resultats} == {"site-a", "site-b"}
     assert all(r.status == "available" for r in resultats)
     assert all(r.predicted_value == 7.0 for r in resultats)
+
+
+def test_run_scoring_in_csv_mode_targets_the_hour_after_the_reference_instant(
+    tmp_path: Path,
+) -> None:
+    depart = datetime(2026, 1, 1, tzinfo=UTC)
+    frame = make_recent("site-a", heures=400, depart=depart)
+    csv_path = tmp_path / "recent.csv"
+    frame.to_csv(csv_path, index=False)
+    model_path = tmp_path / "model.txt"
+    model_path.write_bytes(b"peu importe le contenu pour ce test")
+    rattrapage = depart + timedelta(hours=300)
+
+    with pytest.MonkeyPatch.context() as monkeypatch:
+        monkeypatch.setattr(
+            "enervision_ml.score.lgb.Booster", lambda model_file: FakeBooster(valeur=7.0)
+        )
+
+        resultats = run_scoring(model_path=model_path, csv_path=csv_path, now=rattrapage)
+
+    assert [r.target_at for r in resultats] == [rattrapage + timedelta(hours=1)]

ml/tests/test_score_integration.py

@@ -223,3 +223,16 @@ def test_run_scoring_appends_a_second_row_when_it_runs_twice(
     ecrites = parc.predictions_ecrites(site_id)
     assert len(ecrites) == 2
     assert ecrites[0].target_at == ecrites[1].target_at
+
+
+def test_run_scoring_targets_the_hour_after_the_reference_instant(
+    parc: Parc, modele_jetable: Path
+) -> None:
+    site_id = parc.site()
+    parc.lectures(site_id, heures=200, fin=ANCRAGE + timedelta(hours=48))
+    rattrapage = ANCRAGE
+
+    run_scoring(model_path=modele_jetable, now=rattrapage)
+
+    ligne = parc.predictions_ecrites(site_id)[0]
+    assert ligne.target_at == rattrapage + timedelta(hours=1)