37 lines
1.4 KiB
Python
37 lines
1.4 KiB
Python
"""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.
|
|
"""
|
|
|
|
from __future__ import annotations
|
|
|
|
from datetime import datetime
|
|
|
|
from airflow.models.dag import DAG
|
|
from airflow.operators.bash import BashOperator
|
|
|
|
MODEL_PATH = "/opt/ml/state/models/lightgbm-consumption.txt"
|
|
MLFLOW_TRACKING_URI = "sqlite:////opt/ml/state/mlflow.db"
|
|
|
|
with DAG(
|
|
dag_id="ml_train",
|
|
description="Entraine le modele LightGBM de prevision de consommation (enervision_ml.train).",
|
|
schedule=None,
|
|
start_date=datetime(2026, 1, 1),
|
|
catchup=False,
|
|
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.
|
|
BashOperator(
|
|
task_id="train",
|
|
bash_command=(
|
|
"cd /opt/ml && uv run --frozen --no-dev python -m enervision_ml.train "
|
|
f"--model-output {MODEL_PATH} --mlflow-tracking-uri {MLFLOW_TRACKING_URI}"
|
|
),
|
|
)
|