Contexte : Plusieurs modèles TensorFlow sont déployés et utilisés en production critique. Le Problème : Les dégradations de performance sont détectées tardivement. Contraintes : Mettre en place suivi des métriques clés, détection de drift et alertes automatiques. Centraliser logs et versions. Assurer traçabilité. Livrable attendu : Proposer une architecture complète de monitoring et gouvernance des modèles TensorFlow en production.