fix: résoudre les timeouts MLflow/MinIO dans le script de ré-entraînement

[alanconqrepo]

Problème

L'exécution de train_iris.py via l'endpoint /retrain partait systématiquement en timeout. L'investigation avec des timestamps [TIMING] a permis d'identifier plusieurs causes cumulatives.

Causes identifiées

Cause	Impact
MLFLOW_HTTP_REQUEST_TIMEOUT non défini	Timeout par défaut 120s sur chaque appel HTTP MLflow
AWS_ACCESS_KEY_ID / AWS_SECRET_ACCESS_KEY absents du container API	log_model pendait 15s — boto3 parcourt tous les credential providers avant d'abandonner
Bucket mlflow inexistant dans MinIO	NoSuchBucket à chaque tentative d'upload d'artifact
MINIO_SECRET_KEY généré comme clé aléatoire séparée dans init_env.sh	SignatureDoesNotMatch hors Docker (docker-compose injecte MINIO_ROOT_PASSWORD à la place)
log_metric() appelé en boucle (~23 fois)	~23 requêtes HTTP au lieu de 1 appel log_metrics() batch
Emoji 🏃 dans les messages de fin de run MLflow	Crash charmap Windows → mlflow_run_id perdu silencieusement

Corrections

documentation/Scripts/train_iris.py

• MLFLOW_HTTP_REQUEST_TIMEOUT=8 par défaut via setdefault
• load_dotenv(find_dotenv()) — charge le .env quelle que soit le répertoire d'exécution
• Wrapper UTF-8 sys.stdout/stderr pour neutraliser le crash charmap Windows
• Credentials MinIO consolidés en section 1 avec fallback AWS_* > MINIO_ROOT_* > MINIO_*
• Substitution automatique mlflow: / minio: → localhost: hors Docker (détection /.dockerenv)
• log_metrics() batch au lieu de log_metric() en boucle
• Signature MLflow explicite via predict_proba() (float) — supprime le warning integer columns
• Timestamps [TIMING] sur chaque étape pour diagnostiquer les futures lenteurs

docker-compose.yml

• Ajout de MLFLOW_S3_ENDPOINT_URL, AWS_ACCESS_KEY_ID, AWS_SECRET_ACCESS_KEY dans le service API

docker/mlflow-entrypoint.sh

• Création automatique du bucket mlflow dans MinIO au démarrage du service (boto3)

scripts/init_env.sh

• MINIO_SECRET_KEY = MINIO_ROOT_PASSWORD (plus de clé générée séparément)
• Génération de MLFLOW_TRACKING_USERNAME, MLFLOW_TRACKING_PASSWORD, MLFLOW_FLASK_SERVER_SECRET_KEY, MLFLOW_S3_ENDPOINT_URL, AWS_ACCESS_KEY_ID, AWS_SECRET_ACCESS_KEY

.env.example

• Documentation des nouvelles variables MLflow/MinIO avec commentaires

Test

# Depuis l'hôte (les hostnames Docker sont remplacés automatiquement)
$env:TRAIN_START_DATE = "2025-01-01"
$env:TRAIN_END_DATE   = "2025-12-31"
$env:OUTPUT_MODEL_PATH = ".\test_output.pkl"
cd documentation\Scripts
python .\train_iris.py

🤖 Generated with Claude Code