Bernt
e2e3d00936
- Verkliga data först - Pipeline före modell - Decision Case är målet - Träna kontinuerligt - STOP-regel: ingen funktion utan validering på pilotmaterial - Sista princip: ingen modellförbättring färdig utan mätbar förbättring Stoppregel: Ingen ny arkitektur förrän MVP-0 genomfört med verkligt uppdrag. Next: Pilot 001 — First real field upload
151 lines
3.7 KiB
Markdown
151 lines
3.7 KiB
Markdown
# MASTER PROMPT — LandveX Intelligence Lab Development Mode v1.0
|
|
|
|
## Mål
|
|
|
|
Vi utvecklar **LandveX Intelligence Lab**, det interna utvecklingsverktyget för att bygga, testa och validera LandveX Control Intelligence.
|
|
|
|
Målet är **inte** att träna AI-modeller isolerat.
|
|
|
|
Målet är att kontinuerligt förbättra hela kedjan:
|
|
|
|
```
|
|
Reality → Observation → Evidence → Finding → Decision → Business Impact → Learning
|
|
```
|
|
|
|
All utveckling ska kunna valideras med verkliga filmer och bilder från pilotuppdrag.
|
|
|
|
---
|
|
|
|
## Grundprinciper
|
|
|
|
### 1. Verkliga data först
|
|
|
|
Om verkligt material finns ska det alltid användas före syntetiska exempel.
|
|
|
|
Varje utvecklingscykel ska utgå från riktiga filmer, bilder och metadata från quiXzoom.
|
|
|
|
### 2. Pipeline före modell
|
|
|
|
Ingen modell tränas isolerat.
|
|
|
|
Varje förbättring ska kunna följas genom hela pipelinen:
|
|
|
|
```
|
|
Import → Metadata → Observation → Evidence → Finding → Decision → Review → Replay
|
|
```
|
|
|
|
### 3. Decision Case är målet
|
|
|
|
Framgång mäts inte i mAP, F1 eller precision ensamt.
|
|
|
|
Framgång mäts i:
|
|
|
|
- fler verifierade Decision Cases
|
|
- bättre Decision Quality
|
|
- kortare Reality-to-Decision Lead Time
|
|
- högre Knowledge Yield
|
|
|
|
### 4. Träna kontinuerligt
|
|
|
|
Under utvecklingen ska systemet kunna:
|
|
|
|
- importera nytt pilotmaterial
|
|
- skapa nya dataset
|
|
- köra annotering
|
|
- träna modeller
|
|
- jämföra modeller
|
|
- köra replay
|
|
- verifiera Decision Cases
|
|
|
|
Detta är en kontinuerlig utvecklingsloop.
|
|
|
|
---
|
|
|
|
## För varje nytt pilotmaterial
|
|
|
|
Utför automatiskt:
|
|
|
|
| Steg | Åtgärd |
|
|
|------|--------|
|
|
| 1 | Registrera Artifact |
|
|
| 2 | Extrahera metadata |
|
|
| 3 | Länka till Session och Mission |
|
|
| 4 | Kör nuvarande AI-modeller |
|
|
| 5 | Skapa Observationer |
|
|
| 6 | Bygg Evidence |
|
|
| 7 | Generera preliminära Findings |
|
|
| 8 | Generera preliminära Decision Objects |
|
|
| 9 | Skicka till mänsklig review |
|
|
| 10 | Spara hela kedjan som ett nytt Decision Case |
|
|
|
|
---
|
|
|
|
## Efter varje review
|
|
|
|
Systemet ska automatiskt analysera:
|
|
|
|
- vilka objekt missades
|
|
- vilka falska positiva hittades
|
|
- vilka regler gav fel beslut
|
|
- vilka observationsmönster återkommer
|
|
- vilka Knowledge Gaps upptäcktes
|
|
|
|
---
|
|
|
|
## Träningsloop
|
|
|
|
Om tillräckligt många nya verifierade observationer finns:
|
|
|
|
1. skapa nytt träningsdataset
|
|
2. versionera dataset
|
|
3. träna modell
|
|
4. kör Golden Missions
|
|
5. kör Replay
|
|
6. jämför mot tidigare modell
|
|
7. skapa Evaluation Report
|
|
|
|
**Ingen modell får promotas utan att regressionstester passerar.**
|
|
|
|
---
|
|
|
|
## Utvecklingsprincip
|
|
|
|
Vid varje implementation ska AI-agenten fråga:
|
|
|
|
1. Gör detta fler verifierade Decision Cases möjliga?
|
|
2. Förkortar detta Reality-to-Decision?
|
|
3. Förbättrar detta Knowledge Yield?
|
|
4. Hjälper detta utvecklarna under pilot?
|
|
5. Hjälper detta framtida kunder?
|
|
|
|
Om svaret är nej ska förändringen ifrågasättas.
|
|
|
|
---
|
|
|
|
## STOP-regel
|
|
|
|
Ingen ny avancerad funktion implementeras om den inte kan valideras med verkligt pilotmaterial.
|
|
|
|
Observationer från riktiga uppdrag väger alltid tyngre än antaganden.
|
|
|
|
---
|
|
|
|
## Slutmål
|
|
|
|
LandveX Intelligence Lab ska utvecklas till en intern fabrik där varje nytt pilotuppdrag:
|
|
|
|
- förbättrar modeller
|
|
- förbättrar Decision Cases
|
|
- förbättrar ontologin
|
|
- förbättrar Mission Engine
|
|
- förbättrar Economic Engine
|
|
- och gör nästa pilot bättre än den föregående
|
|
|
|
---
|
|
|
|
## Sista princip
|
|
|
|
**Ingen modellförbättring är färdig förrän den har visat förbättring på verkliga pilotdata och lett till minst ett mätbart bättre Decision Case eller en tydlig förbättring i en definierad kvalitetsindikator (t.ex. färre manuella korrigeringar, högre precision eller kortare ledtid).**
|
|
|
|
Den principen håller utvecklingen förankrad i verklig användning och gör att modellträningen hela tiden styrs av affärsnytta och verifierbara resultat, inte bara av tekniska modellmått.
|