Contexte : Un modèle complexe nécessite optimisation fine pour atteindre les performances attendues. Le Problème : La recherche manuelle d’hyperparamètres est inefficace et coûteuse. Contraintes : Mettre en place recherche distribuée (grid ou random search). Gérer parallélisation sur plusieurs GPUs. Centraliser résultats d’expériences. Livrable attendu : Proposer une architecture d’optimisation distribuée des hyperparamètres pour modèle PyTorch.