🛠 工作項目
1) 特徵工程（Python, 本機）

原始欄位 → 特徵：

grade（A/B/C/D → one-hot 或 ordinal: A=3,B=2,C=1,D=0）

direction（improves=+1, no_effect=0, worsens=-1）

magnitude（缺值補 0；可 winsorize ±1）

文獻密度：同食物在同 effect 下的證據數 n_refs

近期度（可選）：取 reference/pmid_or_doi 年份 → recency

標籤（暫定弱監督）：

用 Day 5 規則分數作為「教師分數」（回歸），或

用 top-k 食物標 1 其餘 0（分類）

產生 X.npy / y.npy 與 feature_schema.json

2) 訓練與匯出 ONNX

模型選項（擇一）：

sklearn Logistic/Linear/RandomForest → skl2onnx 匯出

或 xgboost/lightgbm → onnxconverter-common 匯出

校驗：

hold-out 或簡單 K-fold；指標：RMSE（回歸）或 AUC/F1（分類）

產出：

models/reco_ranker.onnx (<10MB)

models/feature_schema.json（欄位順序/標準化規則）
3) Java 端整合（Spring Boot）

依賴：ai.onnxruntime:onnxruntime（CPU）

新增 MlScoringStrategy：

將候選食物的特徵照 feature_schema.json 組成 float[]/OnnxTensor

OrtEnvironment 單例；OrtSession 啟動時載入

score(items)：呼叫 session.run(inputs) → 取輸出分數 → 組合排序結果

切換策略：

application.yml：scoring.mode=rule|ml（預設 rule）

ScoringStrategy 介面 + @ConditionalOnProperty 裝配

失敗回退：

若 ONNX 檔不存在 / 版本不符 / 推論拋例外 → 自動 fallback 到 rule

4) 效能與安全閥

啟動時預載模型 + 預熱一次

每請求推論時間統計（Micrometer 計 recommendations.ml_infer_ms）

模型健康檢查端點（Actuator info 替換：model name/version/hash）

限制批次尺寸：一次請求不超過 200 候選；超出則只取前 200 做 ML 排序

5) 測試與驗收

單元測試：MlScoringStrategyTest（fixture 特徵 → 預期分數）

整合測試：啟動 app → hit /api/recommendations?effectId=E002&mode=ml（或用設定檔切換）

基準測試（M4 Air）：100 次請求平均延遲、P95、JVM 記憶體占用
📦 交付物

python/train_ranker_day11.ipynb（或 .py 腳本）：特徵工程、訓練、匯出 ONNX

models/reco_ranker.onnx、models/feature_schema.json

Java：

service/scoring/MlScoringStrategy.java

service/scoring/RuleScoringStrategy.java（保留）

config/OnnxConfig.java（載入 OrtEnvironment/OrtSession）

application.yml 新增 scoring.mode、model.path

測試：

src/test/.../MlScoringStrategyTest.java

文件：

README_DAY11.md：如何再訓練與更換模型、如何切換/回退、效能指標查看

✅ 驗收標準

scoring.mode=ml 時，/api/recommendations 正常回應、排序與 rule 版不同（可見差異）

任何推論錯誤會自動回退 rule，不影響 API 可用性

本機 M4 Air：單請求 ML 推論時間 < 50ms（候選 ≤ 100）