MASTER PROMPT: Intelligence Lab Development Mode v1.0

- 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

docs/design/INTELLIGENCE_LAB_MASTER_PROMPT.md

@@ -0,0 +1,150 @@
+# 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.