Contexte : Un modèle PyTorch est prêt pour la production mais aucune infrastructure de déploiement robuste n’est en place. Le Problème : Le modèle doit être versionné, monitoré et facilement remplaçable. Contraintes : Utiliser TorchServe pour servir le modèle. Gérer versioning des artefacts. Mettre en place monitoring des performances en production. Prévoir rollback en cas de dégradation. Livrable attendu : Concevoir une architecture complète de déploiement et gouvernance des modèles PyTorch.