Pipeline Kubeflow : entraîner, évaluer, déployer sous condition

Automatisez le cycle du modèle de fraude avec Kubeflow Pipelines (SDK KFP v2). Écrivez ~/kfp/pipeline.py :

• trois composants @dsl.component(base_image="python:3.12") : preparer, entrainer et evaluer (ce dernier renvoie l'average precision, type float)
• pipeline @dsl.pipeline(name="fraude-entrainement") qui enchaîne les trois (sorties passées en entrées)
• déploiement conditionnel : with dsl.If(evaluation.output >= 0.45): appelle le composant deployer
• ressources de l'entraînement : .set_cpu_limit("8") et .set_memory_limit("32G")
• compilation : compiler.Compiler().compile(fraude_entrainement, "fraude-entrainement.yaml")

Compilez (python3 pipeline.py) puis soumettez (python3 soumettre.py), depuis ~/kfp. Le modèle a-t-il été déployé ? → answer deploye <oui|non>