AI / ML 스택

Data → Train → Deploy → Audit. 4 layer · 동일한 3 운영 원칙. ship 하는 것과 ship 하지 않는 것에 대해 정확합니다.

네 layer.

1. 01

   Data

   AVIX 데이터셋 (한국 비행장 종 + 글로벌 이동 프로파일) + STANAG 2103 reference 시나리오. ingest 시점에 doctrine-tagged 처리되어 모든 downstream artefact 가 provenance 보유.

   • ▸AVIX 데이터셋 · 250K labeled frame
   • ▸CBRN scenario corpus · 40 STANAG case
   • ▸Habitat profile · LULC + 종
2. 02

   Train

   YOLO 급 detection + Re-ID head 를 edge-friendly backbone (Jetson Orin Nano) 으로 학습. 결심 지원 layer 는 합성 augmentation 이 아닌 doctrine 기반 prompt corpus 로 fine-tune.

   • ▸YOLO 급 detector · 4 ms/frame
   • ▸Re-ID tracker · 다중 타겟
   • ▸Doctrine prompt fine-tune · TPE-001~006
3. 03

   Deploy

   활주로 / 버티포트 / hazard cell 의 edge 추론. 모든 모델은 consumer 급 edge hardware 에서 실행 가능해야 deployment 통과.

   • ▸Jetson Orin Nano · 8 GB
   • ▸TensorRT 급 quantisation
   • ▸OTA 모델 업데이트 · sandbox-gated
4. 04

   Audit

   본사가 게시하는 모든 entity 에 `_uamkt_extensions:doctrine_ref` tag. 동맹 운용자가 자체 검증 harness 로 본사 제출을 replay 후 운용 결심 surface 에 promote.

   • ▸Doctrine-ref payload · 모든 entity
   • ▸Replay harness · 19/19 reference run
   • ▸공개 sample payload (Phase 2)