LOT 1 - Optimizare script build -Instalare mono comanda

ai_platform/modules/forensic_features/docs/ARCHITECTURE.md

@@ -75,13 +75,13 @@ LLM-ul integrează totul și decide singur. **Noi nu decidem nimic.**
 
 Pentru `POST /api/forensic-evidence` cu un video:
 
-### 1. Upload + validare (api.py:106-180)
+### 1. Upload + validare (api.py:152-211, în `handle_forensic_evidence`)
 - Multipart streaming în chunks 64KB (nu buffer tot fișierul)
 - Validare extensie: mp4/mov/avi/mkv/webm/jpg/png
 - Asignare `job_id` UUID hex 16 chars
 - Salvare temporară la `/app/data/inference/{job_id}/`
 
-### 2. Orchestrator setup (forensic/orchestrator.py:75-110)
+### 2. Orchestrator setup (forensic/orchestrator.py:220-270, în `run_forensic_pipeline`)
 - **Adaptive `every_n_frames`** bazat pe durata video:
   - < 5s → every_n=1 (toate cadrele)
   - < 30s → every_n=3 (~10 fps efectiv)
@@ -91,7 +91,7 @@ Pentru `POST /api/forensic-evidence` cu un video:
 - Extracție cadre cu ffmpeg via `preprocessing.extract_frames()`
 - Scriere `_meta.json` cu fps efectiv (m25 îl folosește pentru rPPG)
 
-### 3. Rulare module (forensic/orchestrator.py:120-145)
+### 3. Rulare module (forensic/orchestrator.py:283-296, via `_run_single_module` la :77)
 Fiecare modul rulează **secvențial** (default), izolat în try/except:
 - Crash într-un modul NU oprește restul
 - Modulul eșuat returnează `empty_response()` cu primary_score=None
@@ -117,7 +117,7 @@ Construiește:
 - **summary** — obiect cu scoruri agregate pentru parsing programatic
 - **instruction_for_llm** — text fix care explică LLM-ului cum să folosească datele
 
-### 6. Răspuns (api.py:225-265)
+### 6. Răspuns (api.py:235-256, ramura sync din `handle_forensic_evidence`)
 - Sync (default): JSON imediat
 - Async (`async_mode=1`): 202 cu job_id, polling pe `/api/status/{id}`