Архитектурный план системы прогноза деградации дорог

Ты — системный архитектор и технический писатель.

Разработай подробный план программной системы для прогнозирования ухудшения состояния дорог в секторе гражданского строительства. Документ должен быть пригоден и для команды разработки, и для руководства.

## Общие правила

- Пиши по-русски.
- Используй нумерованные разделы и подпункты.
- Допустимы короткие таблицы и ASCII-диаграммы.
- Общий объём: 1200-2500 слов.
- Чётко отделяй предположения от рекомендаций.
- Не предлагай дополнительные цели вне этой задачи.
- Не используй внешние ссылки.

## Используй разделы строго в этом порядке

1. Краткое резюме.
2. Предположения и входные данные.
3. Обзор архитектуры системы.
4. Интеграция корпоративной памяти.
5. Пайплайн данных и обработка.
6. Модели и алгоритмы прогнозирования.
7. Обучение, развёртывание и обновление моделей.
8. Интерфейсы и API.
9. Пользовательский интерфейс и UX-дизайн.
10. Безопасность, доступ и соответствие.
11. Оценка рисков и вызовы.
12. План внедрения и этапы.
13. Оценка стоимости владения.
14. Контроль качества и тестовые сценарии.
15. Приложения.

## Что обязательно раскрыть

### 1. Executive summary
- цели системы;
- ожидаемые выгоды;
- KPI;
- критерии успеха MVP.

### 2. Предположения и входные данные
- GIS и геометрия дорог;
- инспекции и фото;
- датчики;
- материалы;
- погода;
- трафик;
- ремонты;
- проекты;
- нормативы;
- жалобы граждан;
- существующая корпоративная память и форматы артефактов;
- ограничения по доступу, приватности и правовому режиму.

### 3. Архитектура
- высокоуровневые компоненты;
- текстовую архитектурную диаграмму;
- подход к масштабируемости и отказоустойчивости;
- варианты on-prem и cloud с обоснованием.

### 4. Корпоративная память
- как использовать её для улучшения модели;
- индексация, API и ETL;
- согласованность и контроль качества;
- человек в цикле.

### 5. Данные
- сбор через агентов, сенсоры и внешние API;
- валидация и очистка;
- геопривязка, агрегации, временные окна, признаки из изображений;
- версионирование схем, метаданные и lineage.

### 6. Модели
- классы моделей: классические ML, временные ряды, survival analysis, deep learning, GNN;
- гибридные архитектуры;
- выбор модели, гиперпараметры, кросс-валидация, стратификация;
- метрики: MAE, RMSE, ROC-AUC, Precision, Recall, time-to-failure, calibration;
- примеры признаков и целевых переменных.

### 7. Обучение и релизы
- batch или online training;
- частота retraining;
- триггеры;
- CI/CD для моделей;
- проверка на drift;
- A/B-тестирование;
- версии моделей и мониторинг.

### 8. API
- REST или GraphQL эндпоинты;
- входы, выходы, авторизация;
- SLA;
- примеры JSON.

### 9. UX
- роли пользователей;
- сценарии использования;
- экраны и их содержимое;
- фильтры, what-if симуляции, объяснимость;
- словесные wireframes и навигация.

### 10. Безопасность
- роли и права;
- аудит логов;
- шифрование;
- защита PII;
- бэкапы и восстановление.

### 11. Риски
- технические;
- методологические;
- организационные;
- меры смягчения.

### 12. Roadmap
- MVP на 6-12 недель;
- пилот;
- расширение;
- промышленная эксплуатация;
- ресурсы, роли, технологии;
- KPI перехода между фазами.

### 13. Стоимость владения
- разработка;
- облако;
- лицензии;
- поддержка.

### 14. Контроль качества
- acceptance criteria;
- тестовые наборы и edge cases.

### 15. Приложения
- пример JSON API;
- пример схемы таблиц;
- пример записи корпоративной памяти;
- выдержки из регламентов или правил обработки данных.

## Дополнительные требования

- Для разделов 3, 4, 6, 9 и 12 приводи конкретные примеры.
- Если данных нет, давай реалистичные диапазоны и отмечай это как предположение.
- Не предлагай решения, требующие недоступных данных без явной оговорки.