Rendre l'apprentissage PPO effectif via l'API publique

[salim4n]

Parent

#6

What to build

un environnement entraîné via la boucle publique produit un apprentissage PPO guidé par la récompense.

Acceptance criteria

• Reproduction de la régression actuelle avant correction.
• Rollouts cohérents, bootstrap du dernier état non terminal et comportement défini pour les petits lots.
• Fin réelle et troncature distinctes dans un contrat compatible ; tests des transitions entre épisodes.
• Tests de comportement et preuve d'apprentissage sur plusieurs graines ; régressions DQN/Q-table couvertes.

Blocked by

Aucun (peut démarrer immédiatement).

Delivery order

Étape 1 sur 6 du lot validé. Le catalogue est indépendant techniquement et vient après le Circuit dans l’ordre produit.