Contexte : Plusieurs modèles PyTorch sont déployés dans un environnement critique. Le Problème : Les dégradations de performance ne sont détectées qu’après impact métier. Contraintes : Mettre en place suivi des métriques clés, détection automatique de drift et alertes. Centraliser logs et versions des modèles. Livrable attendu : Proposer une architecture complète de monitoring et gouvernance des modèles PyTorch en production.