Files
boc/IOM_PRIORITY_ROADMAP.md
T
Bernt bae705aa97 ARCHITECTURE: NFC roadmap, edge AI, audit logging
- Add NFC ePassport roadmap (ICAO 9303, eIDAS)
- Add TensorFlow.js edge face detection (BlazeFace)
- Add structured audit logger (GDPR-compliant)
- Risk scoring support

Part of KYC Apple Native UX v1.1.0
2026-06-29 16:24:48 +00:00

7.1 KiB

IOM Prioriteringsroadmap

Vilka lager ger mest värde snabbast för quiXzoom Fas 1 Status: Utkast | 2026-06-26


Sammanfattning

Alla 10 lager är värdefulla, men inte alla är kritiska för Fas 1. Denna roadmap prioriterar utifrån:

  • Tid till värde: Hur snabbt ger det kundnytta?
  • Teknisk komplexitet: Hur mycket arbete krävs?
  • Beroenden: Vilka lager måste finnas innan andra kan byggas?

Status: Produktionspaus hävd 2026-06-25. Full fart framåt.


Fas 1: Grund (Månad 1-2)

Lager 1 — Objektshierarkin (Taxonomi) KRITISK

Varför först: Allt annat bygger på detta.

Scope:

  • Definiera 3-5 domäner för quiXzoom Fas 1
    • BYG (Byggnad): Fasader, tak, fönster, entréer
    • BEL (Belysning): Gatubelysning, trafiksignaler
    • TRN (Transport): Vägar, broar, parkeringar
    • ENE (Energi): Laddstationer, transformatorer
    • COM (Kommersiellt): Skyltfönster, reklam, butiksfronter

Exempel:

BYG (Byggnad)
├── FAC (Fasad)
│   ├── WIN (Fönster)
│   │   ├── GLA (Glas)
│   │   ├── FRM (Fönsterkarm)
│   │   └── SIL (Fönsterbleck)
│   ├── PAN (Fasadpanel)
│   └── ENT (Entré)

Leverans:

  • JSON-fil med hierarki
  • Valideringsregler (3 bokstäver, unika inom förälder)
  • Dokumentation med exempel

Tid: 1 vecka Komplexitet: Låg


Lager 2 — Global Object ID (GOID) KRITISK

Varför först: Utan ID kan man inte referera till objekt.

Scope:

  • Format: [DOM]-[SYS]-[SUB]-[OBJ]-[SEQ]
  • Sekvens: Löpnummer per objekttyp
  • Regler: Permanent, unikt, oföränderligt

Exempel:

BYG-FAC-WIN-GLA-0001   # Fönsterglas #1
BYG-FAC-WIN-GLA-0002   # Fönsterglas #2
BYG-FAC-ENT-DOR-0047   # Entrédörr #47

Leverans:

  • ID-genereringsfunktion
  • Kollisionsdetektering
  • API-endpoint: POST /objects → returnerar GOID

Tid: 3 dagar Komplexitet: Låg


Lager 5 — Standardiserade egenskaper KRITISK

Varför först: Gör det möjligt att jämföra objekt och filtrera.

Scope (minimal):

Egenskap Typ Exempel
condition 1-5 3 (tillfredsställande)
location lat/lng 59.3293, 18.0686
risk_level 1-5 3
function_status enum "operational"

Leverans:

  • JSON-schema
  • Validering
  • Filter-API: GET /objects?condition=4&risk_level>3

Tid: 3 dagar Komplexitet: Låg


Lager 6 — Observationer KRITISK

Varför först: Det är vad quiXzoom faktiskt samlar in.

Scope (minimal):

observation:
  id: "OBS-2026-0012847"
  timestamp: "2026-06-26T09:15:00Z"
  object_goid: "BYG-FAC-WIN-GLA-2847"
  observer: "zoomer:anna_k"
  findings:
    - type: "dirt_accumulation"
      description: "Smuts på fönster"
      confidence: 0.94
  media:
    - type: "image"
      url: "..."
  ai_analysis:
    overall_condition: 3

Leverans:

  • Observation-API
  • Bilduppladdning
  • AI-integrationspunkt

Tid: 2 veckor Komplexitet: Medel


Fas 2: Struktur (Månad 2-3)

Lager 3 — Objektets DNA (Metadata)

Varför nu: När objekt skapas behöver de metadata.

Scope (minimal):

object:
  goid: "BYG-FAC-WIN-GLA-2847"
  object_type: "window_glass"
  material: ["glass"]
  dimensions: {width: 2.1, height: 1.5, unit: "m"}
  installation_date: "2020-03-15"
  owner: "org:ikea"

Leverans:

  • Metadata-API
  • Materialkatalog (20 vanligaste)
  • Dimensionsvalidering

Tid: 1 vecka Komplexitet: Låg


Lager 7 — Felklassificering

Varför nu: AI behöver koder för att klassificera.

Scope (minimal — Fas 1-relevanta):

2000 — Ytskada
├── 2100 — Smuts / Nedsmutsning
├── 2200 — Färgförändring
└── 2300 — Skada på yta

3000 — Strukturell skada
├── 3100 — Spricka
├── 3200 — Deformation
└── 3300 — Materialförlust

4000 — Saknad / Trasig komponent
├── 4100 — Saknad del
└── 4200 — Trasig del

5000 — Blockering
├── 5100 — Fysisk blockering
└── 5200 — Synlig blockering

Leverans:

  • Felkods-API
  • AI-klassificeringsmapping
  • Mänsklig gransknings-UI

Tid: 1 vecka Komplexitet: Låg


Lager 4 — Komponentstruktur (BOM) 🔄 FÖRENKLAT

Varför senare: Komplext, men ger stort värde för underhåll.

Scope (förenklat för Fas 1):

# Endast 1 nivå djup
object:
  goid: "ENE-EVC-CHA-AC22-003"
  components:
    - goid: "ENE-EVC-CHA-FND-003"
      name: "Fundament"
    - goid: "ENE-EVC-CHA-POL-003"
      name: "Stolpe"
    - goid: "ENE-EVC-CHA-CBL-003"
      name: "Kabel"

Leverans:

  • BOM-API (1 nivå)
  • Komponentkoppling

Tid: 1 vecka Komplexitet: Medel


Fas 3: Intelligens (Månad 3-4)

Lager 8 — Riskmodell

Varför nu: Kräver observationer och felkoder för att fungera.

Scope (förenklat):

risk:
  dimensions:
    safety: 0-10
    economic: 0-10
    operational: 0-10
  
  # För Fas 1: endast 3 dimensioner
  weights:
    safety: 0.4
    economic: 0.3
    operational: 0.3

Leverans:

  • Riskberäknings-API
  • Risktröskel-alerts
  • Dashboard-visning

Tid: 1 vecka Komplexitet: Medel


Lager 9 — Relationer (Kunskapsgraf) 🔄 FÖRENKLAT

Varför senare: Kraftfullt men komplext.

Scope (förenklat):

# Endast 3 relationstyper
relations:
  - type: "part_of"
    target: "BYG-FAC-001"
    
  - type: "owned_by"
    target: "org:ikea"
    
  - type: "adjacent_to"
    target: "BYG-FAC-WIN-GLA-2848"

Leverans:

  • Relations-API
  • Enkel grafquery

Tid: 2 veckor Komplexitet: Medel


Fas 4: Vision (Månad 4-6)

Lager 10 — Digital tvilling

Varför sist: Bygger på alla andra lager.

Scope:

  • Grafvisualisering
  • Tidslinje per objekt
  • Prediktiva modeller
  • Kontradiktionsdetektering

Leverans:

  • Dashboard
  • API för komplexa frågor
  • Exporter (PDF, Excel)

Tid: 4-6 veckor Komplexitet: Hög


Sammanfattning: Prioritering

Fas Lager Tid Värde Komplexitet
1 1 (Taxonomi) 1v Låg
1 2 (GOID) 3d Låg
1 5 (Egenskaper) 3d Låg
1 6 (Observationer) 2v Medel
2 3 (Metadata) 1v Låg
2 7 (Felkoder) 1v Låg
2 4 (BOM, förenklat) 1v Medel
3 8 (Risk) 1v Medel
3 9 (Relationer, förenklat) 2v Medel
4 10 (Digital tvilling) 4-6v Hög

Total tid till full IOM: 4-6 månader Tid till första kundvärde: 2-3 veckor (Fas 1)


Rekommendation

Börja med Fas 1 omedelbart. De fyra lagren är tekniskt enkla och ger direkt värde:

  1. Zoomers kan klassificera objekt (Lager 1)
  2. Objekt får permanenta ID:n (Lager 2)
  3. Systemet kan filtrera och jämföra (Lager 5)
  4. Observationer sparas strukturerat (Lager 6)

Detta möjliggör redan i vecka 3:

  • "Visa alla smutsiga fönster i Stockholm"
  • "Hur många observationer har vi på objekt X?"
  • "Vilka objekt har försämrats sedan förra månaden?"

Resten bygger ni ovanpå efterhand.