چالش اصلی، یک کلمه بود: مقیاس. چطور می‌توان میلیون‌ها فریم را پردازش کرد و بعد، یک شیء مشخص را میان آن‌ها برق‌آسا یافت؟ پاسخ، تفکیک دو مسئله بود — پردازش سنگینِ تصویر، و جست‌وجوی سریع روی نتایج.

در لایهٔ پردازش، تصاویر با مدل‌های تشخیص شیء تحلیل و اشیای کشف‌شده برداری و ایندکس می‌شوند؛ سپس یک رابط کاربری ساده اجازه می‌دهد کاربر به‌دنبال آنچه می‌خواهد بگردد؛ سامانه نزدیک‌ترین تصاویر را به‌ترتیب بیشترین شباهت بازمی‌گرداند و حتی محل دقیق شیء در تصویر را روی همان عکس مشخص می‌کند.

همین معماری، سامانه را تا چند ده میلیون تصویر مقیاس‌پذیر کرد: حالت لوکال با بیش از یک میلیون تصویر در ساعت روی یک GPU انویدیا ۲۰۸۰، و حالت توزیع‌شده روی شبکهٔ ۱ گیگابیتی با سه سرور V100 و توان بیش از ۱۰ میلیون تصویر در شبانه‌روز — سامانه‌ای که در سطح کشوری به‌کار گرفته شد.

هر دیتاست تعریف متفاوتی از «ناهنجاری» دارد. به‌جای تحمیل یک روش ثابت، سامانه بیش از ۵۰ الگوریتم را در اختیار می‌گیرد و بسته به ماهیت مسئله، مناسب‌ترین‌ها را برای نگاه از زوایای مختلف به داده انتخاب و ترکیب می‌کند.

متمایزکنندهٔ اصلی، رابط کاربریِ کاملاً موتورمحور است: فرانت‌اند از پیش هیچ تصوری از اجزای صفحه ندارد. این موتور هوش مصنوعی است که — علاوه بر داده — تصمیم می‌گیرد چه اجزایی روی صفحه ساخته و چگونه چیده شوند و این دستورها را از طریق پروتکل‌های استانداردی که توسعه دادیم به فرانت‌اند می‌فرستد؛ فرانت‌اند تنها همان چیزی را که موتور می‌گوید می‌سازد و نمایش می‌دهد. همین، کار را به‌شدت داینامیک می‌کند و جابه‌جایی میان مسائل کاملاً متفاوت را بدون هیچ تغییری در فرانت‌اند ممکن می‌سازد. سامانه مسئله را در دو حالت Supervised و Unsupervised حل می‌کند و انتخاب با خود کاربر است.

همین انعطاف، سامانه را به ابزاری برای استقرارهای حساس کشوری بدل کرد: از کشف الگوهای اپیدمی کرونا در سطح کشور تا تحلیل داده‌های بیمهٔ بازنشستگان نیروهای مسلح و بیمهٔ سلامت ایرانیان.

ایدهٔ اصلی ساده اما سخت بود: تخفیف باید بدون عنوان کردن اینکه شخص عضو باشگاه تخفیف است اعمال شود. کاربر تا ۱۰ کارت بانکی عضو شبکهٔ شتاب را یک‌بار معرفی می‌کرد و دیگر هیچ صدور کارت عضویتی لازم نبود؛ ثبت‌نام هم به‌صورت انفرادی با لینک یا دسته‌ای از سوی سازمان انجام می‌شد.

برای تحقق این تجربه، باید با روال اختصاصی هر PSP یکپارچه می‌شدیم. سامانه با سپ، به‌پرداخت ملت، پک‌کو، پارسیان و فن‌آوا کارت — که روی‌هم بیش از ۹۰٪ بازار تراکنش را در اختیار داشتند — طرف قرارداد بود و کارت‌های کاربر را مطابق رویهٔ هر PSP ثبت می‌کرد.

هنگام خرید در شبکهٔ بیش از ۶۰۰۰ پذیرنده، تراکنش بی‌درنگ دریافت، تخفیف به‌صورت آنلاین محاسبه و از مبلغ کسر می‌شد؛ مبلغ اصلی، تخفیف و مبلغ پرداختی روی فیش پوز چاپ و هم‌زمان پیامک خرید برای کاربر ارسال می‌شد. تخفیف‌ها داینامیک بودند و در مناسبت‌ها فراتر از نرخ پایهٔ فروشگاه می‌رفتند.

حملهٔ استاکس‌نت نشان داد اتکای زیرساخت‌های حیاتی کشور به آنتی‌ویروس‌های خارجی یک ریسک راهبردی است. در پاسخ، توسعهٔ یک موتور ضدبدافزار بومی در سطح دانشگاهی به شش دانشگاه برتر کشور سپرده شد.

مرکز آپای دانشگاه شیراز مسئول نسخهٔ ویندوز ۷ شد. هستهٔ محصول با C/C++ نوشته شد و معماری آن بر پایهٔ بیش از ۱۶ زیرماژول مستقل بنا شد؛ هر ماژول یک مسئولیت داشت — از محافظت از هستهٔ برنامه و انطباق با الگوهای ویروس تا زمان‌بندی اسکن خودکار و یافتن فایل‌ها.

اجزای مستقل از طریق Named Pipe با هم در ارتباط بودند؛ تصمیمی معماری‌محور که جداسازی، پایداری و محافظت متقابل ماژول‌ها را تضمین می‌کرد — اگر بخشی از کار می‌افتاد، بقیه سالم می‌ماندند.