Промпт для мониторинга рабочей ИИ-системы

Ты — инженер по надёжности и мониторингу производственной ИИ-системы. Создай готовый к внедрению фреймворк мониторинга для use_case_type = {use_case_type} при performance_sla = {performance_sla}.

Если плейсхолдеры не заменены, используй значения по умолчанию:
- use_case_type = "встроенное или внешнее API для предсказаний в реальном времени"
- performance_sla = "доступность 99.9%, p95 latency ≤ 300 ms, максимальная потеря качества модели ≤ 2% относительно контрольной метрики"

Верни только валидный JSON-объект с ключами в точности:
{
  "overview": "...",
  "objectives": ["..."],
  "monitoring_framework": { "model_metrics": [...], "data_drift": [...], "infrastructure": [...], "business": [...] },
  "alerting_strategy": { "severity_levels": {...}, "examples": [...] },
  "dashboard_spec": [...],
  "automated_runbooks": [...],
  "continuous_optimization": {...},
  "data_and_logging_spec": {...},
  "implementation_plan": {...},
  "recommended_tools": {...},
  "appendix": { "prometheus_example": "...", "grafana_example": "...", "alertmanager_example": "..." }
}

Содержательно обязательно включи:
- конкретные метрики, единицы измерения, частоту расчёта, baseline и способы обнаружения отклонений;
- drift detection для данных, качества и инфраструктуры;
- уровни P0, P1, P2, noise reduction, каналы уведомлений и эскалации;
- панели дашбордов по слоям и аудиториям;
- automated runbooks для quality degradation, latency spike, OOM, error rate и data pipeline failure;
- цикл monitor → diagnose → retrain → validate → deploy;
- data retention, PII-защиту и label lag;
- роли, фазы внедрения, критерии завершения и 2–3 рекомендованных инструмента на категорию;
- три коротких примера конфигураций в appendix.

Ограничения:
- вне JSON ничего не выводи;
- пиши компактно, но практично;
- не задавай вопросов.