Revise STATUS.md for Sprint 2 updates

Updated the STATUS.md file to reflect changes in Sprint 2, including objectives, completed tasks, and criteria for completion.

STATUS.md

@@ -1,165 +1,190 @@
-STATUS.md — Sprint 2 : Pipeline page unique
-Sprint : 2 — Session A
-Objectif du sprint : 1 image → 1 master.json valide via Google AI
+# STATUS.md — Sprint 2 : Pipeline page unique
 
-Ce qui est fait (Sprint 1 ✓)
+## Sprint : 2 — Session A
+## Objectif du sprint : 1 image → 1 master.json valide via Google AI
 
- Repo GitHub structuré, arborescence complète
- Schémas Pydantic : corpus_profile.py, page_master.py, annotation.py
- 4 profils JSON (medieval-illuminated, medieval-textual, early-modern-print, modern-handwritten)
- 9 templates de prompts versionnés
- 54 tests pytest passants (26 schemas + 28 profiles)
- pyproject.toml configuré
- 6 secrets GitHub en place :
-GOOGLE_AI_STUDIO_API_KEY, VERTEX_API_KEY, VERTEX_PROJECT_ID,
-VERTEX_LOCATION, VERTEX_SERVICE_ACCOUNT_JSON, AI_PROVIDER
+---
 
+## Ce qui est fait (Sprint 1 ✓)
+- [x] Repo GitHub structuré, arborescence complète
+- [x] Schémas Pydantic : corpus_profile.py, page_master.py, annotation.py
+- [x] 4 profils JSON (medieval-illuminated, medieval-textual, early-modern-print, modern-handwritten)
+- [x] 9 templates de prompts versionnés
+- [x] 54 tests pytest passants (26 schemas + 28 profiles)
+- [x] pyproject.toml configuré
+- [x] 6 secrets GitHub en place :
+      GOOGLE_AI_STUDIO_API_KEY, VERTEX_API_KEY, VERTEX_PROJECT_ID,
+      VERTEX_LOCATION, VERTEX_SERVICE_ACCOUNT_JSON, AI_PROVIDER
 
-Contexte important pour ce sprint
-Providers Google AI disponibles
-Trois options configurées, priorité :
+---
+
+## Contexte important pour ce sprint
 
-AI_PROVIDER=vertex_api_key → clé AQ.Ab... (Vertex Express, production)
-AI_PROVIDER=google_ai_studio → clé AIza... (gratuit, développement)
-AI_PROVIDER=vertex_service_account → JSON credentials (institutions)
+### Providers Google AI disponibles
+Trois options configurées, priorité :
+- AI_PROVIDER=vertex_api_key → clé AQ.Ab... (Vertex Express, production)
+- AI_PROVIDER=google_ai_studio → clé AIza... (gratuit, développement)
+- AI_PROVIDER=vertex_service_account → JSON credentials (institutions)
 
-Format de clé Vertex non confirmé
+### Format de clé Vertex non confirmé
 La clé Vertex commence par AQ.Ab (format OAuth2 Vertex Express).
 La syntaxe SDK exacte pour ce format N'EST PAS encore validée.
 La Session A commence par ce test — avant tout le reste.
-Images test disponibles
+
+### Images test disponibles
 Pas d'images locales. On travaille avec des URLs IIIF directes.
+
 URL Beatus haute résolution (profil medieval-illuminated) :
-https://gallica.bnf.fr/iiif/ark:/12148/btv1b52505441p/f233/full/full/0/native.jpg
+  https://gallica.bnf.fr/iiif/ark:/12148/btv1b52505441p/f233/full/full/0/native.jpg
+
 URL Beatus basse résolution (même folio, qualité réduite — test confidence) :
-https://gallica.bnf.fr/iiif/ark:/12148/btv1b52505441p/f233/full/600,/0/native.jpg
+  https://gallica.bnf.fr/iiif/ark:/12148/btv1b52505441p/f233/full/600,/0/native.jpg
+
 URL second corpus — Grandes Chroniques de France (profil medieval-textual) :
-https://gallica.bnf.fr/iiif/ark:/12148/btv1b84472995/f16/full/full/0/native.jpg
+  https://gallica.bnf.fr/iiif/ark:/12148/btv1b84472995/f16/full/full/0/native.jpg
+
 Pourquoi tester deux résolutions du Beatus :
-Les deux images doivent produire un master.json valide.
-La basse résolution doit retourner un score confidence plus faible
-et potentiellement déclencher le statut needs_review si < flag_below (0.4).
-Cela valide que les seuils du profil fonctionnent correctement.
+  Les deux images doivent produire un master.json valide.
+  La basse résolution doit retourner un score confidence plus faible
+  et potentiellement déclencher le statut needs_review si < flag_below (0.4).
+  Cela valide que les seuils du profil fonctionnent correctement.
+
+---
+
+## Session A — Connexion Google AI + listage modèles
 
-Session A — Connexion Google AI + listage modèles
-Objectif
+### Objectif
 Valider que les 3 providers fonctionnent et lister les modèles disponibles.
 Aucun traitement d'image. Aucun master.json. Juste la connexion.
-Tâches dans l'ordre
-
-Créer backend/app/services/ai/init.py (vide)
-Créer backend/app/services/ai/client.py
-→ factory get_ai_client() avec les 3 options
-→ Option B (vertex_api_key) : tester les deux syntaxes possibles
-et documenter celle qui fonctionne dans un commentaire
-Créer backend/app/services/ai/models.py
-→ fonction list_available_models(client) → list[dict]
-→ filtrer sur les modèles qui supportent generateContent + vision
-→ retourner : id, display_name, supports_vision
-Créer backend/tests/test_ai_connection.py
-→ test_option_a_google_ai_studio() : connexion + list_models
-→ test_option_b_vertex_api_key() : connexion + list_models
-→ test_option_c_vertex_service_account() : connexion + list_models
-→ Chaque test affiche les modèles disponibles dans les logs
-Lancer pytest test_ai_connection.py
-→ documenter dans DECISIONS.md la syntaxe exacte validée pour AQ.Ab
-
-Critère de done Session A
+
+### Tâches dans l'ordre
+
+1. Créer backend/app/services/ai/__init__.py (vide)
+
+2. Créer backend/app/services/ai/client.py
+   → factory get_ai_client() avec les 3 options
+   → Option B (vertex_api_key) : tester les deux syntaxes possibles
+     et documenter celle qui fonctionne dans un commentaire
+
+3. Créer backend/app/services/ai/models.py
+   → fonction list_available_models(client) → list[dict]
+   → filtrer sur les modèles qui supportent generateContent + vision
+   → retourner : id, display_name, supports_vision
+
+4. Créer backend/tests/test_ai_connection.py
+   → test_option_a_google_ai_studio() : connexion + list_models
+   → test_option_b_vertex_api_key() : connexion + list_models
+   → test_option_c_vertex_service_account() : connexion + list_models
+   → Chaque test affiche les modèles disponibles dans les logs
+
+5. Lancer pytest test_ai_connection.py
+   → documenter dans DECISIONS.md la syntaxe exacte validée pour AQ.Ab
+
+### Critère de done Session A
 Les 3 tests de connexion passent.
 On sait quelle syntaxe fonctionne pour la clé AQ.Ab.
 La liste des modèles disponibles est affichée pour chaque provider.
-Ne pas faire en Session A
 
-Aucun traitement d'image
-Aucun appel de prompt
-Aucune ingestion de corpus
+### Ne pas faire en Session A
+- Aucun traitement d'image
+- Aucun appel de prompt
+- Aucune ingestion de corpus
 
+---
 
-Session B — Ingestion + préparation image
-Objectif
+## Session B — Ingestion + préparation image
+
+### Objectif
 Ingérer une image depuis une URL IIIF et produire un dérivé web prêt pour l'IA.
-Tâches dans l'ordre
-
-Créer backend/app/services/ingest/init.py
-Créer backend/app/services/ingest/image_loader.py
-→ load_from_url(url) → image bytes + dimensions
-→ load_from_file(path) → image bytes + dimensions
-→ Pillow pour lire et redimensionner
-Créer backend/app/services/image/init.py
-Créer backend/app/services/image/processor.py
-→ make_derivative(image_bytes, max_size=1500) → JPEG bytes
-→ get_dimensions(image_bytes) → (width, height)
-Tester sur les 3 URLs dans l'ordre :
-
-Beatus haute résolution :
-https://gallica.bnf.fr/iiif/ark:/12148/btv1b52505441p/f233/full/full/0/native.jpg
-Beatus basse résolution :
-https://gallica.bnf.fr/iiif/ark:/12148/btv1b52505441p/f233/full/600,/0/native.jpg
-Grandes Chroniques :
-https://gallica.bnf.fr/iiif/ark:/12148/btv1b84472995/f16/full/full/0/native.jpg
-→ vérifier que les 3 images se téléchargent et se redimensionnent
-→ vérifier que les dimensions sont bien extraites pour chaque cas
-
-
-Ajouter tests/test_image_processing.py
-
-Critère de done Session B
+
+### Tâches dans l'ordre
+
+1. Créer backend/app/services/ingest/__init__.py
+2. Créer backend/app/services/ingest/image_loader.py
+   → load_from_url(url) → image bytes + dimensions
+   → load_from_file(path) → image bytes + dimensions
+   → Pillow pour lire et redimensionner
+3. Créer backend/app/services/image/__init__.py
+4. Créer backend/app/services/image/processor.py
+   → make_derivative(image_bytes, max_size=1500) → JPEG bytes
+   → get_dimensions(image_bytes) → (width, height)
+5. Tester sur les 3 URLs dans l'ordre :
+   - Beatus haute résolution :
+     https://gallica.bnf.fr/iiif/ark:/12148/btv1b52505441p/f233/full/full/0/native.jpg
+   - Beatus basse résolution :
+     https://gallica.bnf.fr/iiif/ark:/12148/btv1b52505441p/f233/full/600,/0/native.jpg
+   - Grandes Chroniques :
+     https://gallica.bnf.fr/iiif/ark:/12148/btv1b84472995/f16/full/full/0/native.jpg
+   → vérifier que les 3 images se téléchargent et se redimensionnent
+   → vérifier que les dimensions sont bien extraites pour chaque cas
+6. Ajouter tests/test_image_processing.py
+
+### Critère de done Session B
 Les 3 URLs produisent chacune un JPEG dérivé de 1500px max.
 Les dimensions sont correctement extraites pour chaque image.
 La basse résolution Beatus produit bien une image plus petite en entrée.
 
-Session C — Premier appel IA + master.json
-Objectif
+---
+
+## Session C — Premier appel IA + master.json
+
+### Objectif
 1 image → 1 appel Google AI → 1 master.json valide.
 C'est le cœur du Sprint 2.
-Tâches dans l'ordre
-
-Créer backend/app/services/ai/prompt_loader.py
-→ load_and_render(template_path, context_dict) → str
-→ remplace {{profile_label}}, {{language_hints}}, {{script_type}}
-Créer backend/app/services/ai/pipeline.py
-→ analyze_page(image_bytes, corpus_profile, model_id) → PageMaster
-→ Appelle le prompt primary_v1.txt du profil
-→ Stocke ai_raw.json (brut) + master.json (validé Pydantic)
-→ Lève une erreur explicite si le JSON retourné est invalide
-Tester sur les 3 images dans l'ordre :
-a. Beatus haute résolution + profil medieval-illuminated
-→ master.json valide, confidence attendue > 0.6
-b. Beatus basse résolution + profil medieval-illuminated
-→ master.json valide, confidence attendue plus faible
-→ vérifier que editorial.status = "needs_review" si confidence < 0.4
-c. Grandes Chroniques + profil medieval-textual
-→ master.json valide, extensions sans iconography
-→ valide la généricité (zéro logique Beatus dans le code)
-Vérifier pour chaque master.json :
-→ ai_raw.json bien séparé
-→ processing.provider = "vertex_api_key"
-→ schema_version = "1.0"
-→ bbox toutes en format [x, y, w, h] avec w > 0 et h > 0
-Ajouter tests/test_pipeline.py
-
-Critère de done Session C
+
+### Tâches dans l'ordre
+
+1. Créer backend/app/services/ai/prompt_loader.py
+   → load_and_render(template_path, context_dict) → str
+   → remplace {{profile_label}}, {{language_hints}}, {{script_type}}
+
+2. Créer backend/app/services/ai/pipeline.py
+   → analyze_page(image_bytes, corpus_profile, model_id) → PageMaster
+   → Appelle le prompt primary_v1.txt du profil
+   → Stocke ai_raw.json (brut) + master.json (validé Pydantic)
+   → Lève une erreur explicite si le JSON retourné est invalide
+
+3. Tester sur les 3 images dans l'ordre :
+   a. Beatus haute résolution + profil medieval-illuminated
+      → master.json valide, confidence attendue > 0.6
+   b. Beatus basse résolution + profil medieval-illuminated
+      → master.json valide, confidence attendue plus faible
+      → vérifier que editorial.status = "needs_review" si confidence < 0.4
+   c. Grandes Chroniques + profil medieval-textual
+      → master.json valide, extensions sans iconography
+      → valide la généricité (zéro logique Beatus dans le code)
+
+4. Vérifier pour chaque master.json :
+   → ai_raw.json bien séparé
+   → processing.provider = "vertex_api_key"
+   → schema_version = "1.0"
+   → bbox toutes en format [x, y, w, h] avec w > 0 et h > 0
+
+5. Ajouter tests/test_pipeline.py
+
+### Critère de done Session C
 3 master.json valides produits (Beatus HR + Beatus BR + Grandes Chroniques).
 La basse résolution déclenche bien un score de confidence plus faible.
 Les Grandes Chroniques ne contiennent pas de bloc iconography dans extensions.
 pytest 100% sur tous les fichiers de test.
 ai_raw.json et master.json bien séparés dans data/ pour chaque page.
 
-Critère de fin du Sprint 2
-
- 3 providers connectés et testés
- Syntaxe AQ.Ab documentée dans DECISIONS.md
- Pipeline page unique fonctionnel
- 3 master.json valides (Beatus HR + Beatus BR + Grandes Chroniques)
- La basse résolution produit un confidence plus faible que la haute résolution
- Règle de généricité respectée (zéro logique hardcodée Beatus)
- pytest 100%
-
-
-Ne pas faire dans ce sprint
-
-Aucune API FastAPI
-Aucune interface web
-Aucun ALTO / METS / IIIF
-Aucun traitement en lot
-Passes dérivées (traduction, commentaire) : Sprint 3
+---
+
+## Critère de fin du Sprint 2
+- [ ] 3 providers connectés et testés
+- [ ] Syntaxe AQ.Ab documentée dans DECISIONS.md
+- [ ] Pipeline page unique fonctionnel
+- [ ] 3 master.json valides (Beatus HR + Beatus BR + Grandes Chroniques)
+- [ ] La basse résolution produit un confidence plus faible que la haute résolution
+- [ ] Règle de généricité respectée (zéro logique hardcodée Beatus)
+- [ ] pytest 100%
+
+---
+
+## Ne pas faire dans ce sprint
+- Aucune API FastAPI
+- Aucune interface web
+- Aucun ALTO / METS / IIIF
+- Aucun traitement en lot
+- Passes dérivées (traduction, commentaire) : Sprint 3