Почему ML-модель ошибается: Event Time, Watermarks и Flink

Статья разбирает проблему несоответствия Event Time и Processing Time в Apache Flink, которая приводит к некорректной работе ML-моделей. На примере антифрод-системы показывается, как даже при нулевом consumer lag и стабильной работе Kafka модель может получать искажённые признаки из-за задержек в поступлении событий.

Автор объясняет роль watermark'ов в Flink и показывает, как неправильная настройка времени событий влияет на качество предсказаний. Подробности о настройке watermark и обработке out-of-order событий — на сайте источника.