Contexte : Une entreprise utilise un LLM pour générer des recommandations critiques. Le Problème : Aucune évaluation automatique ne mesure la qualité réelle des réponses après déploiement. Contraintes : Définir dataset de test continu. Implémenter scoring automatique (similarité, cohérence, pertinence). Suivre dérive de performance dans le temps. Livrable attendu : Concevoir une architecture d’évaluation continue permettant surveillance et comparaison des performances des versions successives.