Использовался ли Machine Learning в ваших рабочих проектах? Если да, как была организована интеграция?

Да, в одном из проектов мы использовали ML для автоматической категоризации текстовых обращений пользователей в службу поддержки.

Архитектура решения:

1. Обучение модели (Python): Модель на основе scikit-learn (TF-IDF + классификатор) обучалась на размеченных исторических данных.
2. ML-микросервис (Python): Обученная модель была обернута в REST API с помощью Flask/FastAPI и развернута как отдельный сервис.
3. Интеграция (Java): Основное бизнес-приложение на Java взаимодействовало с ML-сервисом через HTTP.

Код клиента на Java (упрощенно):

@Component
public class MlClassificationClient {
    private final RestTemplate restTemplate;
    private final String mlServiceUrl;

    public String predictCategory(String userText) {
        MlRequest request = new MlRequest(userText);
        // Синхронный вызов ML-сервиса
        ResponseEntity<MlResponse> response = restTemplate.postForEntity(
            mlServiceUrl + "/predict",
            request,
            MlResponse.class
        );
        return response.getBody().getPredictedCategory(); // Например, "billing", "technical"
    }
}

// DTO для запроса
public class MlRequest {
    private String text;
    // constructor, getter, setter
}

Ключевые моменты и выводы:

• Разделение ответственности: ML-логика изолирована в отдельный сервис, что позволяет переобучать и обновлять модель независимо.
• Производительность: Для снижения задержек (latency) использовалось кэширование частых запросов и асинхронные вызовы (CompletableFuture) для неблокирующей интеграции.
• Сложности: Основные вызовы были связаны с поддержанием актуальности модели (дрейф данных) и мониторингом качества предсказаний в production.