# AWR-007-LAB1 — فضای learner

از evidence مصنوعی قابل‌مشاهده، `Multi-region/Ad Automation Risk Decision Matrix v1` را بسازید. starter هیچ final decision ازپیش‌پرشده ندارد. دو axis را مستقل نگه دارید، evidence را دقیقاً به fixture shipped bind کنید، چهار mutation را diagnose کنید، مورد `fixture://AWR007-MISSING-EVIDENCE-01` را برای شواهد تعیین‌کننده‌ی مفقود بررسی کنید و transfer را از evidence خودش recompute کنید.

اجرا: `python run_checks.py evidence/your_matrix.json`

`CONSISTENT` فقط یعنی matrix به fixture اعلام‌شده دقیقاً bind است و با `CHECK_RULES.json` سازگار است؛ production infrastructure approval، مجوز خرج واقعی تبلیغات یا answer key پنهان نیست.


نکته‌ی سازگاری: هر وضعیت مثبت باید نوع هزینه‌ی عملیاتی/مالکیتی را صریح ثبت کند. در Ad Automation، وضعیت `USE` از `PILOT` سخت‌گیرانه‌تر است و فقط با شواهد موجود در داده‌ی مصنوعی درباره‌ی تکمیل مرحله‌ی simulation/recommendation بررسی می‌شود؛ سامانه‌ی بررسی اجازه‌ی ساختن این شواهد را ندارد.


مورد شواهد مفقود عمداً `failover_owner` ندارد. با حفظ exact fixture binding، وضعیت مثبت Multi-region باید رد شود؛ checker پاسخ مطلوب را انتخاب نمی‌کند و شما باید یک وضعیت non-success مجاز و سازگار با شواهد ثبت کنید.