fix(etl): borne le DAG alertes sur son pire cas et couvre sa seconde commande en CI

`execution_timeout` plafonne une tentative, pas la tâche. Avec deux reprises, quinze
minutes par tentative autorisaient quarante-neuf minutes par tâche et quatre-vingt-dix-huit
pour l'enchaînement, quand le commentaire annonçait une somme tenant sous le pas horaire.
Le plafond passe à cinq minutes, ce qui borne le pire cas à trente-huit minutes, et le test
d'intégrité calcule désormais ce pire cas plutôt que la somme des plafonds : reprises et
délais d'attente compris, c'est la durée qu'un `max_active_runs=1` fait payer à l'exécution
suivante.

La CI vérifie aussi `app.cli generate-recommendations --help` sans réseau. C'est la seconde
commande du DAG, et son import tire FastAPI, les repositories et les services, donc une part
de l'environnement `/opt/backend` que la détection seule ne touche pas.

`10-infra.md` nomme enfin ce que le décalage de quinze minutes ne garantit pas : le plafond
de `ml_score` valant trente minutes, un scoring qui déborde prive la règle `anomaly` de la
prédiction de l'heure, qu'elle ne retrouvera au passage suivant que si sa fenêtre la couvre
encore.

.github/workflows/airflow.yml

@@ -91,8 +91,11 @@ jobs:
           bash -c "cd /opt/ml && env -u VIRTUAL_ENV uv run --no-sync python -m enervision_ml.train --help"
 
       # `--help` sort par argparse avant `get_settings()` : ni base ni secret requis, et
-      # l'import du module prouve que l'environnement /opt/backend est complet.
+      # l'import du module prouve que l'environnement /opt/backend est complet. Les deux
-      - name: Vérifie que la détection d'alertes s'importe sans réseau
+      # commandes du DAG `alertes` sont couvertes, `app.cli` tirant tout FastAPI derrière lui.
+      - name: Vérifie que les deux commandes du DAG alertes s'importent sans réseau
         run: >
           docker run --rm --network none enervision-airflow:ci
-          bash -c "cd /opt/backend && env -u VIRTUAL_ENV uv run --no-sync python -m app.detection.internal_alerts --help"
+          bash -c "cd /opt/backend
+          && env -u VIRTUAL_ENV uv run --no-sync python -m app.detection.internal_alerts --help
+          && env -u VIRTUAL_ENV uv run --no-sync python -m app.cli generate-recommendations --help"

docs/architecture/10-infra.md

@@ -80,10 +80,17 @@ l'[ADR 0008](../adr/0008-airflow-execute-le-code-du-backend.md).
 `prediction` du même instant, que `ml_score` écrit à l'heure pile. Le décalage laisse le scoring
 finir. Aucune dépendance n'est déclarée entre les deux DAGs pour autant, ni `ExternalTaskSensor` ni
 tâche greffée : quatre règles de détection sur cinq ne touchent pas au modèle, et un modèle jamais
-entraîné ne doit pas priver le parc de ses alertes. Ses deux tâches s'enchaînent en revanche
+entraîné ne doit pas priver le parc de ses alertes. Le décalage est donc une convention et non une
-(`recommendation.alert_id` est une clé étrangère `NOT NULL`), et toutes deux sont rejouables sans
+garantie : le plafond de `ml_score` est de 30 minutes, et un scoring qui déborde de `:15` prive
-risque : l'idempotence est portée par la base, `uq_alert_source_reference` et
+`anomaly` de la `prediction` de l'heure, qu'elle ne retrouvera au passage suivant que si sa fenêtre
-`uq_recommendation_alert_rule`.
+la couvre encore. Les quatre autres règles ne s'en aperçoivent pas.
+
+Ses deux tâches s'enchaînent en revanche (`recommendation.alert_id` est une clé étrangère `NOT
+NULL`), et toutes deux sont rejouables sans risque : l'idempotence est portée par la base,
+`uq_alert_source_reference` et `uq_recommendation_alert_rule`. Chacune a 2 tentatives, 2 minutes
+d'attente entre elles et un plafond de 5 minutes **par tentative** : au pire, reprises comprises,
+l'enchaînement occupe 38 minutes, ce qui le garde sous le pas horaire qu'un `max_active_runs=1`
+rend contraignant.
 
 `airflow-init` s'appuie sur l'entrypoint de l'image (`_AIRFLOW_DB_MIGRATE`,
 `_AIRFLOW_WWW_USER_*`) plutôt que sur un script maison : l'entrypoint porte le code de sortie, une

etl/airflow/dags/alertes.py

@@ -26,9 +26,9 @@ COMMANDE_BACKEND = "cd /opt/backend && env -u VIRTUAL_ENV uv run --no-sync pytho
 # `uq_alert_source_reference` et `uq_recommendation_alert_rule`) : reprendre ne duplique rien.
 TENTATIVES = 2
 DELAI_ENTRE_TENTATIVES = timedelta(minutes=2)
-# La somme des deux plafonds reste sous le pas horaire : une exécution pendue ne doit pas
+# `execution_timeout` vaut par tentative : c'est le pire cas des deux tâches enchaînées, reprises
-# empiéter sur la suivante.
+# et délais compris, qui doit tenir sous le pas horaire. Les tests d'intégrité en font le calcul.
-PLAFOND_PAR_TACHE = timedelta(minutes=15)
+PLAFOND_PAR_TACHE = timedelta(minutes=5)
 
 with DAG(
     dag_id="alertes",

etl/airflow/tests/test_dags.py

@@ -5,6 +5,7 @@ from datetime import timedelta
 from pathlib import Path
 
 import pytest
+from airflow.models.baseoperator import BaseOperator
 from airflow.models.dagbag import DagBag
 
 DAGS_FOLDER = Path(__file__).resolve().parent.parent / "dags"
@@ -106,14 +107,20 @@ def test_ml_score_execution_timeout_stays_below_its_hourly_step(dagbag: DagBag)
     assert timeout < timedelta(hours=1)
 
 
-def test_alertes_execution_timeouts_stay_below_its_hourly_step(dagbag: DagBag) -> None:
+def duree_au_pire(tache: BaseOperator) -> timedelta:
-    # Les deux taches s'enchainent : c'est leur somme qui doit tenir dans le pas horaire.
+    # `execution_timeout` plafonne une tentative, pas la tache : deux reprises occupent trois
-    plafonds = [
+    # plafonds et deux delais d'attente.
-        dagbag.dags["alertes"].get_task(task_id).execution_timeout
+    assert tache.execution_timeout is not None
-        for task_id in ("detection", "recommandations")
+    return (tache.retries + 1) * tache.execution_timeout + tache.retries * tache.retry_delay
+
+
+def test_alertes_worst_case_stays_below_its_hourly_step(dagbag: DagBag) -> None:
+    # Les deux taches s'enchainent : c'est leur somme, reprises comprises, qui doit tenir dans le
+    # pas horaire, sinon `max_active_runs=1` fait attendre l'execution suivante.
+    taches = [
+        dagbag.dags["alertes"].get_task(task_id) for task_id in ("detection", "recommandations")
     ]
-    assert all(plafond is not None for plafond in plafonds)
+    assert sum((duree_au_pire(tache) for tache in taches), timedelta()) < timedelta(hours=1)
-    assert sum(plafonds, timedelta()) < timedelta(hours=1)
 
 
 def test_ml_score_retries_after_a_transient_failure(dagbag: DagBag) -> None: