docs/pipeline.md

Plan du Pipeline CI/CD

Objectif

Automatiser tests (qualité code/ML) et déploiement vers Hugging Face Spaces pour un POC scalable. Flux : Push → Tests → Build → Deploy (dev sur branche dev, prod sur main avec validation manuelle).
Choix : GitHub Actions pour simplicité/intégration gratuite ; HF Spaces pour hébergement ML sans infra (GPU si besoin pour inférence). Temps cible <10min par run (vigilance doc).

Triggers

• Push sur branches : dev (auto-deploy dev), main (deploy prod après review).
• Pull Requests vers main (tests + validation avant merge).
  Choix : Limite à ces branches pour isoler envs ; évite triggers sur features pour perf.

Étapes du Pipeline (Séquentiel : Tests d'abord, puis Deploy si OK)

1. Checkout Code : Récupère le repo.
   Outil : actions/checkout@v4 (standard, rapide).
2. Setup Environnement : Python 3.10+ (compatible FastAPI/Pytest/SQLAlchemy).
   Choix : Version fixe pour reproductibilité ML ; cache deps pour accélérer runs futurs.
3. Installation Dépendances : pip install -r requirements.txt + outils tests (pytest, black, flake8).
   Choix : Inclut lint pour standards code (reco ML : black pour formatage auto).
4. Linting : Vérifie style (black --check, flake8).
   Pourquoi ? Détecte erreurs tôt ; coverage >80% visé pour robustesse.
5. Tests Automatisés : pytest --cov=src (unitaires/fonctionnels API/ML).
   Choix : Couvre cas critiques (erreurs validation Pydantic, prédictions ML) ; rapport XML pour badges GitHub.
6. Build (Optionnel pour POC) : Package API (e.g., build Docker si HF le requiert).
   Évolutif : Ajoute plus tard pour prod.
7. Déploiement : Push vers HF Space (dev/prod).
   Choix : Conditionnel par branche ; utilise secrets pour HF_TOKEN (sécurité).

Gestion Envs et Secrets

• Devs : Branche dev → Space ASI-Engineer/oc_p5 (tests rapides).
• Test/Prod : PR → main → Space espace-prod (review requise).
• Secrets : HF_TOKEN (GitHub Secrets) ; jamais en code.
  Choix : Sépare envs pour traçabilité (inputs/outputs ML en DB PostgreSQL plus tard).

Standards Code/ML

• Format : Black.
• Tests : >80% coverage ; reproductibles (seeds pour ML).
• Monitoring : Badges GitHub pour coverage/status.
  Pourquoi ? Assure fiabilité en prod ; aligné sur reco OpenClassrooms (ressource doc).