//
// (MlPredictResultDto/MlServiceStatusDto/MlEvalDto/MlResetResultDto).
// Модель per-tenant: пул в ml-service, файл SQLite data/ml/<tenantId>.sqlite
//
//   tenant-id     — id тенанта (строка; модель тенанта — в пуле сервиса);
//   service-token — общий токен сервисов (env DEAL_SERVICE_TOKEN); неверный/
//                   пустой → UNAUTHENTICATED.
//
//   INVALID_ARGUMENT — невалидный запрос (пустой text и т.п.);
//   UNAVAILABLE      — хранилище модели недоступно (ядро отвечает «не уверен»,
//
// Семантика неготовой модели: Predict НЕ ошибка — модель без опыта отвечает
// фиксированным «не уверен»: take=false, label пуст, scores пуст, hits=0,
//
// Deadlines (клиент ядра): Predict — 5 с; Status/Reset — 10 с; TrainBatch — 30 с
// (батч ≤100 примеров, одна транзакция).
syntax = "proto3";

package deal.ml.v1;

option csharp_namespace = "Deal.Grpc.Ml";

service MlService {
  // take/label/scores/hits/margin/terms/type осмысленны только при take=true;
  // scores — до 5 лучших «класс → вес» (round 3), margin — адаптивный порог
  // (0.9/0.7/0.5/0.35 после 0/60/150/400 примеров), terms — узнанные термины
  // класса-победителя, type — решение о типе заявки (t:hire/t:order).
  rpc Predict(PredictRequest) returns (PredictReply);

  // classes — «label → вес» (round 2, по убыванию); eval — самооценка по окну
  // последних подтверждённых решений (EVAL_WINDOW). Модель создаётся лениво
  rpc Status(StatusRequest) returns (StatusReply);

  // терминов и журнала самооценки + пересоздание файла. Ok=true; мягкая
  // ошибка — Ok=false + error (ядро чистит свою ml_outbox только при успехе).
  rpc Reset(ResetRequest) returns (ResetReply);

  // пакетные вставки терминов; самооценка по действиям пользователя (delta=1,
  // не t:*) до применения. Ответ — число применённых примеров.
  rpc TrainBatch(TrainBatchRequest) returns (TrainBatchReply);
}

message PredictRequest {
  // Текст сообщения (ядро передаёт уже обрезанный/нормализованный, как
  string text = 1;
}

message PredictReply {
  // True — модель уверена (take) и решение можно использовать без ИИ.
  bool take = 1;
  // Класс решения: id колонки канбана (b_…) или "spam"; пуст, если не уверена.
  optional string label = 2;
  // Веса классов: «label → вес» (до 5 лучших; пуст у неготовой модели).
  map<string, double> scores = 3;
  // Сколько терминов класса-победителя модель узнала в тексте.
  int32 hits = 4;
  // Модель обучена (набрала MIN_TOTAL/MIN_WINNER/MIN_WINNER_SPAM) и может
  // принимать решения.
  bool ready = 5;
  // Порог уверенности решения (адаптивный margin, 2 знака); пуст — нет решения.
  optional double margin = 6;
  // Узнанные термины класса-победителя (подсказка структуры карточки, ≤8).
  repeated string terms = 7;
  // Решение о типе заявки (hire/order); пуст — модель тип не определила.
  TypeDecision type = 8;
}

message TypeDecision {
  // True — модель уверена в типе.
  bool take = 1;
  // Тип: "hire" | "order".
  string label = 2;
  // Внутренний класс ML: "t:hire" | "t:order" (не показывается UI).
  string value = 3;
  // Запас уверенности (margin, 2 знака).
  double margin = 4;
}

message StatusRequest {}

message StatusReply {
  // Модель готова принимать решения.
  bool ready = 1;
  // Классы модели: «label → вес» (round 2; пуст, пока нет обучения).
  map<string, double> classes = 2;
  // Всего примеров, на которых модель обучалась (сумма по классам).
  int32 learned = 3;
  // Самооценка модели по последним подтверждённым решениям.
  ModelEval eval = 4;
}

message ModelEval {
  // Решений в окне самооценки (последние EVAL_WINDOW).
  int32 count = 1;
  // Из них совпавших с действием пользователя.
  int32 correct = 2;
  // Доля верных (correct/count, 0..1; 0 при пустом окне).
  double accuracy = 3;
}

message ResetRequest {}

message ResetReply {
  // True — модель сброшена (и ядро очищает свою очередь обучения).
  bool ok = 1;
  // Текст ошибки при сбое сброса (пуст при успехе) — мягкая ошибка.
  optional string error = 2;
}

message TrainBatchRequest {
  repeated TrainExample items = 1;
}

// Один обучающий пример (строка ml_outbox ядра: text/label/delta).
message TrainExample {
  // Текст примера (source_msg карточки или title).
  string text = 1;
  // Метка: id доски (b_…), "spam" либо тип "t:hire"/"t:order".
  string label = 2;
  // Вес сигнала: 1.0 — действие пользователя; −1.0 — снять метку;
  double delta = 3;
}

message TrainBatchReply {
  // Число применённых примеров (= len(items) при успехе).
  int32 learned = 1;
}