# 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.