En este artículo revisamos una implementación sencilla de un recomendador epsilon-greedy en Java y comprobamos cómo se alinea con los principios SOLID, y cómo refactorizarla para mejorar mantenibilidad, extensibilidad y capacidad de prueba.

Descripción original del problema: una clase que gestiona el estado del bandit, decide qué elemento recomendar y actualiza estadísticas. Esto provoca violaciones de principios de diseño cuando la clase hace demasiadas cosas a la vez.

Análisis según SOLID:

SRP Principio de responsabilidad única
Observación: la clase original almacena estado, implementa la política de selección y actualiza estadísticas. Eso significa que cualquier cambio en la política o en la forma de almacenar el estado obliga a modificar la misma clase.

Veredicto: SRP parcialmente violado.

OCP Principio abierto/cerrado
Observación: cambiar la política de selección, por ejemplo a softmax o UCB, requiere editar el método de recomendación directamente en la clase original.

Veredicto: OCP violado.

LSP Principio de sustitución de Liskov
Observación: no hay jerarquía de clases en el diseño inicial, por lo que no hay violación evidente de LSP.

Veredicto: LSP respetado.

ISP Principio de segregación de interfaces
Observación: al no definirse interfaces, no existe un contrato amplio que obligue a depender de métodos innecesarios.

Veredicto: ISP respetado.

DIP Principio de inversión de dependencias
Observación: la clase crea su propia instancia de Random, lo que introduce una dependencia directa sobre una implementación concreta y complica las pruebas unitarias.

Veredicto: DIP violado.

Resumen ejecutivo: el diseño original concentra estado y política en una sola clase, lo que complica la extensión y las pruebas. La solución pasa por separar responsabilidades y por inyectar dependencias.

Refactorización propuesta: aplicar patrón estrategia y dependencia por inyección. Pasos clave:

1 Definir una interfaz para la política de selección que exponga un método select que reciba los valores estimados y devuelva el índice seleccionado. 2 Implementar una política epsilon-greedy que reciba epsilon y un generador aleatorio inyectado para facilitar pruebas. 3 Crear una clase Bandit que solo maneje el estado: contadores, valores y método de actualización. El método de recomendación delega en la política inyectada.

Beneficios del refactor:

SRP La clase Bandit solo gestiona estado y actualización, la política se encarga de la selección. OCP Se pueden añadir nuevas políticas sin tocar la clase Bandit. DIP La inyección de Random o de un proveedor de números aleatorios facilita tests deterministas.

Consejos prácticos de diseño: preferir interfaces claras para las políticas, inyectar dependencias desde el exterior y escribir pruebas unitarias que reemplacen el RNG por una implementación controlada. Para proyectos muy pequeños puede parecer más sencillo mantener estado y política juntos, pero si se prevé evolución o pruebas automatizadas la separación aporta un retorno de inversión rápido.

En Q2BSTUDIO aplicamos estos principios al desarrollar soluciones reales. Somos una empresa de desarrollo de software que ofrece aplicaciones a medida y software a medida, con especialización en inteligencia artificial, ciberseguridad y servicios cloud aws y azure. Si necesitas proyectos que integren modelos de recomendación, agentes IA o soluciones de IA para empresas, nuestros equipos pueden diseñar arquitecturas que cumplan principios SOLID y garanticen testabilidad y escalabilidad. Conectamos lógica de negocio con visualización y analítica avanzada mediante servicios de inteligencia de negocio y power bi para tomar decisiones basadas en datos.

Si te interesa profundizar en desarrollos a medida visita nuestra página sobre aplicaciones a medida desarrollo de aplicaciones multiplataforma y para soluciones de IA conoce nuestros servicios en inteligencia artificial para empresas.

Palabras clave integradas naturalmente para mejorar posicionamiento: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi.

Conclusión: aplicar SOLID en algoritmos como un recomendador epsilon-greedy reduce el acoplamiento, mejora la mantenibilidad y facilita la implementación de nuevas políticas experimentales sin tocar el núcleo del sistema. En Q2BSTUDIO diseñamos e implementamos estas buenas prácticas en proyectos reales para que las soluciones sean robustas y evolutivas.