chore(privacy): scrub real-org references from plugin internals (phase 2)
Same bulk replacement applied to plugin-internal KB, examples, fixtures, tests, and docs. Real organization names, persona names, internal system identifiers, and domain-specific terms replaced with fictional generic public-sector entity (DDT) and generic terminology. Scope: - okr/ — examples, governance, framework, integrations, sources - ms-ai-architect/ — KB references (engineering, governance, security, infrastructure, advisor), tests/fixtures, agents, docs - linkedin-thought-leadership/ — voice samples, network-builder, examples (genericized identifying headlines to "[your organization]") - llm-security/ — research notes, scan report Manual genericization beyond bulk replace: - okr SKILL.md "Primary user / Domain" — generic Norwegian public sector - linkedin-voice SKILL.md headline placeholder - network-builder.md headline placeholder - high-engagement-posts.md voice sample employer line + hashtag Phase 3 (factual-attribution review) remains: a few KB files attribute publicly known transport-sector docs/datasets (e.g. håndbok V440, NVDB) to the fictional DDT after bulk replace. Needs manual semantic review to either remove or restore correct citation without re-introducing affiliation references. Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
This commit is contained in:
Kjell Tore Guttormsen
parent
f95cc4b13d
commit
9ea5a2e6c6
76 changed files with 191 additions and 191 deletions
|
|
@ -308,7 +308,7 @@ Architecture Decision Records (ADR) er ett av de viktigste leveransene fra en l
|
|||
### Kontekst og problemstilling
|
||||
|
||||
**Bakgrunn:**
|
||||
Statens vegvesen trenger en AI-drevet intern helpdesk for å svare på vanlige spørsmål fra 10 000+ ansatte om HR-policyer, IT-prosedyrer og administrative rutiner. Dagens løsning er et tradisjonelt FAQ-system som krever manuell søking og har lav brukertilfredshet.
|
||||
Direktoratet for digital tjenesteutvikling trenger en AI-drevet intern helpdesk for å svare på vanlige spørsmål fra 10 000+ ansatte om HR-policyer, IT-prosedyrer og administrative rutiner. Dagens løsning er et tradisjonelt FAQ-system som krever manuell søking og har lav brukertilfredshet.
|
||||
|
||||
**Problem statement:**
|
||||
Velge teknologiplattform for conversational AI agent som kan:
|
||||
|
|
@ -646,7 +646,7 @@ Selv om Azure AI Foundry gir mer fleksibilitet, oppveier ikke dette den 60% høy
|
|||
### Kontekst og problemstilling
|
||||
|
||||
**Bakgrunn:**
|
||||
Vi har en kunde-facing chatbot for Statens vegvesen sitt "Min Side"-portal (brukt av 500k+ innbyggere for å sjekke kjøretøyinfo, bøter, etc.). Chatbot skal svare på vanlige spørsmål og navigere brukere til riktig selvbetjeningsportal. Prototypen er bygget med Azure OpenAI GPT-4 på Standard (pay-as-you-go) deployment.
|
||||
Vi har en kunde-facing chatbot for Direktoratet for digital tjenesteutvikling sitt "Min Side"-portal (brukt av 500k+ innbyggere for å sjekke kjøretøyinfo, bøter, etc.). Chatbot skal svare på vanlige spørsmål og navigere brukere til riktig selvbetjeningsportal. Prototypen er bygget med Azure OpenAI GPT-4 på Standard (pay-as-you-go) deployment.
|
||||
|
||||
**Problem statement:**
|
||||
Bestemme deployment-type for production: Standard (pay-per-token) vs Provisioned Throughput Units (PTU) for forutsigbar ytelse og kostnad.
|
||||
|
|
@ -946,7 +946,7 @@ Selv om initial kostnad er høyere (50k belastningtest), er total TCO lavere (5.
|
|||
### Kontekst og problemstilling
|
||||
|
||||
**Bakgrunn:**
|
||||
Statens vegvesen bygger en intern "Ask HR"-chatbot (M365 Copilot declarative agent) som skal svare på HR-policy spørsmål basert på ~5000 dokumenter i SharePoint (arbeidsmiljøloven, ferie-regler, pensjon, etc.). Dokumentene oppdateres ukentlig av HR-avdelingen.
|
||||
Direktoratet for digital tjenesteutvikling bygger en intern "Ask HR"-chatbot (M365 Copilot declarative agent) som skal svare på HR-policy spørsmål basert på ~5000 dokumenter i SharePoint (arbeidsmiljøloven, ferie-regler, pensjon, etc.). Dokumentene oppdateres ukentlig av HR-avdelingen.
|
||||
|
||||
**Problem statement:**
|
||||
Velge data source for Retrieval-Augmented Generation (RAG): Skal vi bruke Azure AI Search (med custom indexing) eller SharePoint som direkte data source via Microsoft Graph connectors?
|
||||
|
|
|
|||
|
|
@ -455,7 +455,7 @@ Hvis Copilot-svar brukes til **vedtak i offentlig sektor**, må:
|
|||
- Kan data forlate Norge? (compliance-vurdering)
|
||||
- Hvilke Microsoft-underleverandører har tilgang?
|
||||
|
||||
**Anbefaling for SVV:**
|
||||
**Anbefaling for DDT:**
|
||||
- **Synced connectors** kun for ikke-sensitive data (public policies, FAQs)
|
||||
- **Federated connectors** for sensitive data (saksdokumenter, brukerdata)
|
||||
- **On-prem connector agent** for høyeste data sovereignty
|
||||
|
|
|
|||
|
|
@ -522,7 +522,7 @@ Start-SPOAccessReview -SiteUrl "https://contoso.sharepoint.com/sites/Finance"
|
|||
- Tilgangskontroll: RBAC via Microsoft Entra ID
|
||||
- Logging og sporbarhet: Microsoft Purview Audit (1 år retention minimum)
|
||||
|
||||
### Statens vegvesen-spesifikke hensyn
|
||||
### Direktoratet for digital tjenesteutvikling-spesifikke hensyn
|
||||
|
||||
**Dataklassifisering:**
|
||||
- **Åpne data** — Kan brukes i Copilot uten restriksjoner
|
||||
|
|
@ -594,7 +594,7 @@ Descriptor:
|
|||
|
||||
### Når anbefale hvilken security pattern?
|
||||
|
||||
**Scenario 1: Offentlig sektor (Statens vegvesen) trenger M365 Copilot med intern vegdata**
|
||||
**Scenario 1: Offentlig sektor (Direktoratet for digital tjenesteutvikling) trenger M365 Copilot med intern vegdata**
|
||||
|
||||
**Anbefaling:**
|
||||
1. **Zero Trust foundation (E5 + SharePoint Advanced Management):**
|
||||
|
|
|
|||
|
|
@ -42,7 +42,7 @@ Klare til bruk uten trening:
|
|||
- **Invoice processing** - Trekk ut felt fra fakturaer
|
||||
- **Receipt processing** - Les kvitteringsdata
|
||||
- **Business card reader** - Skann visittkort
|
||||
- **ID reader** - Les pass, førerkort, etc.
|
||||
- **ID reader** - Les pass, saksbehandling, etc.
|
||||
- **Text translation** - Oversett tekst
|
||||
- **Sentiment analysis** - Analyser følelser i tekst
|
||||
- **Key phrase extraction** - Finn nøkkelord
|
||||
|
|
|
|||
|
|
@ -346,7 +346,7 @@ Can you tell me what the image depicts?
|
|||
|
||||
| Sektor | Use case | Multimodal pattern |
|
||||
|--------|----------|-------------------|
|
||||
| **Vegvesen** | Skaderegistrering vei/bruer fra drone-bilder | Multi-image damage assessment |
|
||||
| **Direktoratet** | Skaderegistrering vei/bruer fra drone-bilder | Multi-image damage assessment |
|
||||
| **NAV** | Automatisk dokumentklassifisering (skjema med vedlegg) | OCR + structured extraction |
|
||||
| **Helsedirektoratet** | Visuell analyse av offentlige helsedata (grafer) | ⚠️ IKKE medisinske bilder |
|
||||
| **Kulturminnevern** | Katalogisering av bygninger/artefakter | Product catalog pattern |
|
||||
|
|
|
|||
Loading…
Add table
Add a link
Reference in a new issue