gRPC-сервис инференса моделей

Runtime ML-gating обращается к Python gRPC сервису инференса.

Внешний интерфейс:

• @tradejs/node
• gRPC контракт Predict (PredictRequest / PredictResponse)

Запуск / остановка

Запускайте и останавливайте inference-сервис вашим deployment-инструментом (Docker/Kubernetes/systemd и т.д.).

Адрес по умолчанию:

• 127.0.0.1:50051

Адрес для runtime:

ML_GRPC_ADDRESS=127.0.0.1:50051

RPC контракт

PredictRequest:

• strategy (string)
• features (map<string,double>)
• threshold (double)

PredictResponse:

• probability
• threshold
• passed

Загрузка моделей

Сервис ищет модели в MODEL_DIR:

• ensemble aliases: <Strategy>.modelN.joblib
• single alias: <Strategy>.joblib

Если найдены ensemble-файлы, вероятность усредняется по всем участникам.

Типичный локальный сценарий:

• обученные модели лежат в ./data/ml/models
• контейнер запущен с MODEL_DIR=/app/data/ml/models
• хост-папка ./data смонтирована в /app/data для infer-контейнера

Поэтому aliases после тренировки (./data/ml/models/<Strategy>.joblib) сразу доступны inference-сервису.

Интеграция в runtime

На стороне runtime, ML-gating:

1. Строит ML payload из сигнала.
2. Применяет тот же trim policy, что и train (trimMlTrainingRowWindows(..., 5)).
3. Удаляет non-feature поля.
4. Вызывает gRPC Predict.

Если сервис недоступен, runtime пишет ошибку в лог и возвращает null для ML-решения.

Проверка доступности

npx @tradejs/cli doctor --require-ml