diff --git a/README.MD b/README.MD
index fdbf375..e2f11da 100644
--- a/README.MD
+++ b/README.MD
@@ -1,226 +1,235 @@
-# Système de Recommandation de Contenu - My Content
-
-Projet de développement d'un système de recommandation d'articles basé sur une architecture serverless Azure Functions avec interface utilisateur Streamlit.
-
-
-## Livrables du Projet
-1. **Application fonctionnelle** : Streamlit + Azure Functions déployée
-2. **Code source versionné** : Repository GitHub complet
-3. **Présentation technique** : Support PDF (docs/presentation.pdf)
-
-
-## Vue d'ensemble
-
-Ce projet implémente un système de recommandation de contenu utilisant des algorithmes de filtrage collaboratif et basé sur le contenu. L'architecture serverless permet une mise à l'échelle automatique et un coût optimisé.
-
-### Fonctionnalités principales
-
-- **API de recommandation** : Azure Function retournant le top 5 des articles recommandés pour un utilisateur
-- **Interface utilisateur** : Application Streamlit pour tester et démontrer le système
-- **Algorithmes implémentés** : Content-Based Filtering avec embeddings pré-calculés
-- **Architecture serverless** : Déploiement sur Azure Functions avec plan Consumption
-
-
-## Analyse et Développement
-
-### Notebook Jupyter
-- **Exploration des données** : Analyse du dataset Kaggle Globo.com
-- **Implémentation des algorithmes** : Content-Based et Collaborative Filtering
-- **Comparaison des approches** : Évaluation et choix technique
-- **Optimisation ACP** : Réduction dimensionnelle 250D → 50D
-
-Localisation : `notebook/p10_notebook.ipynb`
-
-## Architecture
-
-### MVP Actuel
-```
-[Interface Streamlit] → [Azure Functions API] → [Algorithme de recommandation]
-                                ↓
-                        [Données embeddings + historique utilisateur]
-```
-
-### Composants
-- **Frontend** : Streamlit (interface de test)
-- **Backend** : Azure Functions (Python 3.12, Linux)
-- **Algorithme** : Content-Based Filtering avec similarité cosinus
-- **Données** : Embeddings articles (50D via PCA vs 250D embeddings originaux) + historique des clics
-
-## Structure synthétique du Projet
-
-```
-Project_10/
-├── azure-app/                  # Azure Function
-│   ├── function_app.py         # Point d'entrée Azure Function
-│   ├── requirements.txt        # Dépendances Python
-│   ├── host.json              # Configuration Azure Functions
-│   ├── local.settings.json    # Configuration locale (non versionnée)
-│   ├── data/
-│   │   ├── embeddings_azure_50d.pkl    # Embeddings articles (PCA 50D)
-│   │   └── clicks_sample.csv           # Historique des clics utilisateurs
-│   └── utils/
-│       ├── data_loader.py      # Chargement et cache des données
-│       └── content_based.py    # Algorithme de recommandation
-├── notebook/
-│   └── p10_notebook.ipynb     # Analyse données + développement modèles
-├── docs/
-│   ├── presentation.pdf       # Support de présentation (15-25 slides)
-│   └── illustrations/         # Schémas d'architecture et captures
-├── streamlit_app.py           # Interface utilisateur
-├── streamlit_requirements.txt # Dépendances Streamlit
-└── README.md
-```
-
-## Installation et Déploiement
-
-### Prérequis
-- Python 3.12+
-- Azure CLI
-- Azure Functions Core Tools
-- Compte Azure
-
-### Déploiement Azure Functions
-
-1. **Connexion à Azure**
-```bash
-az login
-```
-
-2. **Création de l'infrastructure**
-```bash
-# Groupe de ressources
-az group create --name rg-content-recommender --location francecentral
-
-# Compte de stockage
-az storage account create --name [votre-nom-stockage-unique] \
-  --resource-group rg-content-recommender \
-  --location francecentral \
-  --sku Standard_LRS
-
-# Function App Linux avec Python 3.12
-az functionapp create \
-  --resource-group rg-content-recommender \
-  --consumption-plan-location francecentral \
-  --runtime python \
-  --runtime-version 3.12 \
-  --functions-version 4 \
-  --name contentrecommender-linux \
-  --storage-account stcontentrecommend2025 \
-  --os-type Linux
-```
-
-3. **Déploiement du code**
-```bash
-# Depuis le dossier azure-app
-func azure functionapp publish contentrecommender-linux
-```
-
-### Interface Streamlit
-
-1. **Installation des dépendances**
-```bash
-pip install -r streamlit_requirements.txt
-```
-
-2. **Lancement de l'interface**
-```bash
-streamlit run streamlit_app.py
-```
-
-## Utilisation
-
-### API Azure Functions
-
-**Endpoint** : `https://contentrecommender-linux.azurewebsites.net/api/recommend`
-
-**Paramètres** :
-- `user_id` (int) : Identifiant de l'utilisateur (0-706)
-
-**Exemple d'appel** :
-```bash
-curl "https://contentrecommender-linux.azurewebsites.net/api/recommend?user_id=0"
-```
-
-**Réponse** :
-```json
-{
-  "user_id": 0,
-  "recommendations": [157519, 157944, 159495, 156690, 162857]
-}
-```
-
-### Interface Streamlit
-
-1. Configurer l'URL de l'API (local ou Azure)
-2. Sélectionner un ID utilisateur
-3. Obtenir les recommandations
-4. Tester les fonctionnalités avancées
-
-## Algorithme de Recommandation
-
-### Content-Based Filtering
-
-1. **Chargement des données** : Embeddings pré-calculés et historique utilisateur
-2. **Calcul du profil utilisateur** : Moyenne des embeddings des articles consultés
-3. **Similarité cosinus** : Calcul avec tous les articles du catalogue
-4. **Filtrage** : Exclusion des articles déjà vus
-5. **Sélection** : Top 5 des articles les plus similaires
-
-### Optimisations
-
-- **Réduction dimensionnelle** : PCA 250D → 50D pour optimiser les performances Azure
-- **Cache en mémoire** : Embeddings et données utilisateur chargés une seule fois
-- **Architecture serverless** : Mise à l'échelle automatique selon la demande
-
-## Tests et Validation
-
-### Tests locaux
-```bash
-# Démarrage Azure Functions local
-func start
-
-# Test de l'algorithme
-python test_local.py
-```
-
-### Métriques de performance
-- **Temps de réponse** : ~200ms par recommandation
-- **Utilisateurs supportés** : 707 dans le dataset actuel
-- **Articles disponibles** : 364,047 avec embeddings
-
-## Problèmes Connus et Solutions
-
-### Déploiement Azure
-- **Python sur Windows** : Non supporté, utiliser Linux obligatoirement
-- **Authentification** : Configurer `http_auth_level=func.AuthLevel.ANONYMOUS`
-- **Erreurs "Service unavailable"** : Problèmes temporaires Azure, réessayer plus tard
-
-### Limitations actuelles
-- **Cold start** : Première requête lente après période d'inactivité
-- **Nouveaux utilisateurs** : Pas de gestion du problème de démarrage à froid
-- **Mise à jour des données** : Processus manuel
-
-## Architecture Cible (Future)
-
-### Améliorations prévues
-- **Gestion cold start** : Recommandations populaires pour nouveaux utilisateurs
-- **Pipeline de données** : Mise à jour automatique des embeddings
-- **Base de données** : Stockage persistant des profils utilisateur
-- **API hybride** : Combinaison Content-Based + Collaborative Filtering
-- **Cache distribué** : Précalcul des recommandations populaires
-
-## Technologies Utilisées
-
-- **Backend** : Azure Functions, Python 3.12
-- **Frontend** : Streamlit
-- **ML/Data** : scikit-learn, pandas, numpy
-- **Infrastructure** : Azure CLI, Azure Storage
-- **Déploiement** : Azure Functions Core Tools
-
-## Auteur
-
-Projet réalisé dans le cadre d'une formation OpenClassrooms - Ingénieur IA.
-
-## Licence
-
+**Source de vérité** : https://git.gregoiremureau.com/grgmro/oc-p10-content-recommendation
+
+```bash
+git clone https://git.gregoiremureau.com/grgmro/oc-p10-content-recommendation.git
+git clone https://git.gregoiremureau.com/grgmro/oc-p10-content-recommendation.git
+```
+
+Dataset : voir `fetch-data.sh` (hors git si volumineux).
+
+# Système de Recommandation de Contenu - My Content
+
+Projet de développement d'un système de recommandation d'articles basé sur une architecture serverless Azure Functions avec interface utilisateur Streamlit.
+
+
+## Livrables du Projet
+1. **Application fonctionnelle** : Streamlit + Azure Functions déployée
+2. **Code source versionné** : Repository GitHub complet
+3. **Présentation technique** : Support PDF (docs/presentation.pdf)
+
+
+## Vue d'ensemble
+
+Ce projet implémente un système de recommandation de contenu utilisant des algorithmes de filtrage collaboratif et basé sur le contenu. L'architecture serverless permet une mise à l'échelle automatique et un coût optimisé.
+
+### Fonctionnalités principales
+
+- **API de recommandation** : Azure Function retournant le top 5 des articles recommandés pour un utilisateur
+- **Interface utilisateur** : Application Streamlit pour tester et démontrer le système
+- **Algorithmes implémentés** : Content-Based Filtering avec embeddings pré-calculés
+- **Architecture serverless** : Déploiement sur Azure Functions avec plan Consumption
+
+
+## Analyse et Développement
+
+### Notebook Jupyter
+- **Exploration des données** : Analyse du dataset Kaggle Globo.com
+- **Implémentation des algorithmes** : Content-Based et Collaborative Filtering
+- **Comparaison des approches** : Évaluation et choix technique
+- **Optimisation ACP** : Réduction dimensionnelle 250D → 50D
+
+Localisation : `notebook/p10_notebook.ipynb`
+
+## Architecture
+
+### MVP Actuel
+```
+[Interface Streamlit] → [Azure Functions API] → [Algorithme de recommandation]
+                                ↓
+                        [Données embeddings + historique utilisateur]
+```
+
+### Composants
+- **Frontend** : Streamlit (interface de test)
+- **Backend** : Azure Functions (Python 3.12, Linux)
+- **Algorithme** : Content-Based Filtering avec similarité cosinus
+- **Données** : Embeddings articles (50D via PCA vs 250D embeddings originaux) + historique des clics
+
+## Structure synthétique du Projet
+
+```
+Project_10/
+├── azure-app/                  # Azure Function
+│   ├── function_app.py         # Point d'entrée Azure Function
+│   ├── requirements.txt        # Dépendances Python
+│   ├── host.json              # Configuration Azure Functions
+│   ├── local.settings.json    # Configuration locale (non versionnée)
+│   ├── data/
+│   │   ├── embeddings_azure_50d.pkl    # Embeddings articles (PCA 50D)
+│   │   └── clicks_sample.csv           # Historique des clics utilisateurs
+│   └── utils/
+│       ├── data_loader.py      # Chargement et cache des données
+│       └── content_based.py    # Algorithme de recommandation
+├── notebook/
+│   └── p10_notebook.ipynb     # Analyse données + développement modèles
+├── docs/
+│   ├── presentation.pdf       # Support de présentation (15-25 slides)
+│   └── illustrations/         # Schémas d'architecture et captures
+├── streamlit_app.py           # Interface utilisateur
+├── streamlit_requirements.txt # Dépendances Streamlit
+└── README.md
+```
+
+## Installation et Déploiement
+
+### Prérequis
+- Python 3.12+
+- Azure CLI
+- Azure Functions Core Tools
+- Compte Azure
+
+### Déploiement Azure Functions
+
+1. **Connexion à Azure**
+```bash
+az login
+```
+
+2. **Création de l'infrastructure**
+```bash
+# Groupe de ressources
+az group create --name rg-content-recommender --location francecentral
+
+# Compte de stockage
+az storage account create --name [votre-nom-stockage-unique] \
+  --resource-group rg-content-recommender \
+  --location francecentral \
+  --sku Standard_LRS
+
+# Function App Linux avec Python 3.12
+az functionapp create \
+  --resource-group rg-content-recommender \
+  --consumption-plan-location francecentral \
+  --runtime python \
+  --runtime-version 3.12 \
+  --functions-version 4 \
+  --name contentrecommender-linux \
+  --storage-account stcontentrecommend2025 \
+  --os-type Linux
+```
+
+3. **Déploiement du code**
+```bash
+# Depuis le dossier azure-app
+func azure functionapp publish contentrecommender-linux
+```
+
+### Interface Streamlit
+
+1. **Installation des dépendances**
+```bash
+pip install -r streamlit_requirements.txt
+```
+
+2. **Lancement de l'interface**
+```bash
+streamlit run streamlit_app.py
+```
+
+## Utilisation
+
+### API Azure Functions
+
+**Endpoint** : `https://contentrecommender-linux.azurewebsites.net/api/recommend`
+
+**Paramètres** :
+- `user_id` (int) : Identifiant de l'utilisateur (0-706)
+
+**Exemple d'appel** :
+```bash
+curl "https://contentrecommender-linux.azurewebsites.net/api/recommend?user_id=0"
+```
+
+**Réponse** :
+```json
+{
+  "user_id": 0,
+  "recommendations": [157519, 157944, 159495, 156690, 162857]
+}
+```
+
+### Interface Streamlit
+
+1. Configurer l'URL de l'API (local ou Azure)
+2. Sélectionner un ID utilisateur
+3. Obtenir les recommandations
+4. Tester les fonctionnalités avancées
+
+## Algorithme de Recommandation
+
+### Content-Based Filtering
+
+1. **Chargement des données** : Embeddings pré-calculés et historique utilisateur
+2. **Calcul du profil utilisateur** : Moyenne des embeddings des articles consultés
+3. **Similarité cosinus** : Calcul avec tous les articles du catalogue
+4. **Filtrage** : Exclusion des articles déjà vus
+5. **Sélection** : Top 5 des articles les plus similaires
+
+### Optimisations
+
+- **Réduction dimensionnelle** : PCA 250D → 50D pour optimiser les performances Azure
+- **Cache en mémoire** : Embeddings et données utilisateur chargés une seule fois
+- **Architecture serverless** : Mise à l'échelle automatique selon la demande
+
+## Tests et Validation
+
+### Tests locaux
+```bash
+# Démarrage Azure Functions local
+func start
+
+# Test de l'algorithme
+python test_local.py
+```
+
+### Métriques de performance
+- **Temps de réponse** : ~200ms par recommandation
+- **Utilisateurs supportés** : 707 dans le dataset actuel
+- **Articles disponibles** : 364,047 avec embeddings
+
+## Problèmes Connus et Solutions
+
+### Déploiement Azure
+- **Python sur Windows** : Non supporté, utiliser Linux obligatoirement
+- **Authentification** : Configurer `http_auth_level=func.AuthLevel.ANONYMOUS`
+- **Erreurs "Service unavailable"** : Problèmes temporaires Azure, réessayer plus tard
+
+### Limitations actuelles
+- **Cold start** : Première requête lente après période d'inactivité
+- **Nouveaux utilisateurs** : Pas de gestion du problème de démarrage à froid
+- **Mise à jour des données** : Processus manuel
+
+## Architecture Cible (Future)
+
+### Améliorations prévues
+- **Gestion cold start** : Recommandations populaires pour nouveaux utilisateurs
+- **Pipeline de données** : Mise à jour automatique des embeddings
+- **Base de données** : Stockage persistant des profils utilisateur
+- **API hybride** : Combinaison Content-Based + Collaborative Filtering
+- **Cache distribué** : Précalcul des recommandations populaires
+
+## Technologies Utilisées
+
+- **Backend** : Azure Functions, Python 3.12
+- **Frontend** : Streamlit
+- **ML/Data** : scikit-learn, pandas, numpy
+- **Infrastructure** : Azure CLI, Azure Storage
+- **Déploiement** : Azure Functions Core Tools
+
+## Auteur
+
+Projet réalisé dans le cadre d'une formation OpenClassrooms - Ingénieur IA.
+
+## Licence
+
 Ce projet est à des fins éducatives uniquement.
\ No newline at end of file
diff --git a/fetch-data.sh b/fetch-data.sh
new file mode 100755
index 0000000..3e39ade
--- /dev/null
+++ b/fetch-data.sh
@@ -0,0 +1,9 @@
+#!/usr/bin/env bash
+set -euo pipefail
+cat <<'TXT'
+P10 — recommandation de contenu
+
+Hors git : embeddings pickle (~73 Mo) et articles_metadata.csv.
+Récupération : archive Nextcloud dossier « 10 Réalisez une application de recommandation… »
+ou artefacts Azure du projet (non publics).
+TXT