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
|
|
@ -114,7 +114,7 @@ class AgentPluginRegistry:
|
|||
{
|
||||
"$schema": "https://schemas.microsoft.com/agent/v2.1/manifest.json",
|
||||
"manifestVersion": "2.1",
|
||||
"id": "no.svv.agent.byggesak",
|
||||
"id": "no.ddt.agent.byggesak",
|
||||
"version": "1.3.0",
|
||||
"name": {
|
||||
"short": "Byggesak-agent",
|
||||
|
|
|
|||
|
|
@ -414,7 +414,7 @@ A2A er spesielt relevant for offentlig sektor fordi norske myndigheter opererer
|
|||
| Scenario | Aktører | A2A-kobling |
|
||||
|----------|---------|-------------|
|
||||
| Innbygger-henvendelse (NAV + Skatteetaten) | NAV-agent, Skatteetaten-agent | NAV-agent delegerer skatteoppslag via A2A |
|
||||
| Statens vegvesen + Politiet | Kjøretøy-agent, Trafikk-agent | Felles trafikkanalyse via A2A |
|
||||
| Direktoratet for digital tjenesteutvikling + Politiet | Kjøretøy-agent, Trafikk-agent | Felles trafikkanalyse via A2A |
|
||||
| Helseforetak på tvers | Sykehus A-agent, Fastlege-agent | Pasienthistorikk-utveksling (med samtykke) |
|
||||
| DigDir-tjenester | eID-agent, Altinn-agent | Autentisert datautveksling |
|
||||
|
||||
|
|
@ -432,7 +432,7 @@ A2A er spesielt relevant for offentlig sektor fordi norske myndigheter opererer
|
|||
|
||||
```json
|
||||
{
|
||||
"name": "Vegvesen Kjøretøy-agent",
|
||||
"name": "Direktoratet Kjøretøy-agent",
|
||||
"version": "2.0.0",
|
||||
"capabilities": {
|
||||
"streaming": false,
|
||||
|
|
@ -586,7 +586,7 @@ Ingen sentral koordinering, hardkodede endpoints, minimal overhead.
|
|||
[Borger] → [Felles inngangsagent (DigDir)]
|
||||
├─ A2A → [NAV-agent]
|
||||
├─ A2A → [Skatteetaten-agent]
|
||||
└─ A2A → [Vegvesen-agent]
|
||||
└─ A2A → [Direktoratet-agent]
|
||||
```
|
||||
|
||||
Hver etat eier og drifter sin egen agent. Felles inngangsagent orkestrerer via A2A.
|
||||
|
|
|
|||
|
|
@ -34,14 +34,14 @@ For mange organisasjoner er svaret ikke enten-eller, men en hybrid tilnærming d
|
|||
{
|
||||
"name": "IT-Helpdesk",
|
||||
"description": "Hjelper ansatte med IT-problemer",
|
||||
"instructions": "Du er en IT-helpdesk-assistent for Statens vegvesen. Svar på spørsmål om tilganger, programvare og nettverksproblemer. Referer alltid til relevante KB-artikler. Eskalér til ServiceDesk hvis du ikke kan løse problemet.",
|
||||
"instructions": "Du er en IT-helpdesk-assistent for Direktoratet for digital tjenesteutvikling. Svar på spørsmål om tilganger, programvare og nettverksproblemer. Referer alltid til relevante KB-artikler. Eskalér til ServiceDesk hvis du ikke kan løse problemet.",
|
||||
"capabilities": [
|
||||
{"name": "WebSearch", "disabled": true},
|
||||
{"name": "CodeInterpreter", "disabled": false}
|
||||
],
|
||||
"knowledge": {
|
||||
"sharepoint_sites": [
|
||||
"https://svv.sharepoint.com/sites/IT-KB"
|
||||
"https://ddt.sharepoint.com/sites/IT-KB"
|
||||
],
|
||||
"graph_connectors": ["servicenow-connector"]
|
||||
},
|
||||
|
|
|
|||
|
|
@ -89,7 +89,7 @@ public class TenantDeploymentManager
|
|||
var deploymentName = _tenantDeployments[tenantId];
|
||||
|
||||
return new AzureChatCompletion(
|
||||
deploymentName: deploymentName, // f.eks. "gpt-4o-tenant-svv"
|
||||
deploymentName: deploymentName, // f.eks. "gpt-4o-tenant-ddt"
|
||||
endpoint: _endpoint,
|
||||
credentials: new DefaultAzureCredential()
|
||||
);
|
||||
|
|
|
|||
|
|
@ -202,7 +202,7 @@ Tving en standard system prompt for alle forespørsler:
|
|||
// Organisasjonens mandatory system prompt
|
||||
var orgSystemPrompt = new JObject {
|
||||
["role"] = "system",
|
||||
["content"] = "You are a helpful assistant for Statens vegvesen. " +
|
||||
["content"] = "You are a helpful assistant for Direktoratet for digital tjenesteutvikling. " +
|
||||
"You must respond in Norwegian unless explicitly asked otherwise. " +
|
||||
"Never share personal data, internal processes, or confidential information. " +
|
||||
"Always cite sources when providing factual information."
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@
|
|||
|
||||
Azure API Management (APIM) tilbyr over 75 innebygde policies for transformasjon av foresporsler og svar. Nar organisasjoner eksponerer AI-modeller gjennom APIM som AI gateway, blir transformasjon av request og response kritisk for a standardisere grensesnittet mellom ulike AI-backends (Azure OpenAI, Microsoft Foundry, tredjeparts LLM-er) og konsumerende applikasjoner. Ved a implementere model-agnostiske API-schemaer kan man bytte ut underliggende modeller uten a bryte klientkontrakter.
|
||||
|
||||
For norsk offentlig sektor er dette spesielt relevant: organisasjoner som Statens vegvesen, NAV og Skatteetaten kan etablere et standardisert AI-API-lag som abstraherer bort leverandoravhengigheter. Dette stotter prinsippet om leverandoruavhengighet fra Digitaliseringsdirektoratets arkitekturprinsipper, og gir fleksibilitet til a bytte mellom Azure OpenAI, Microsoft Foundry-modeller og fremtidige norske sprakmodeller uten endringer i klientapplikasjoner.
|
||||
For norsk offentlig sektor er dette spesielt relevant: organisasjoner som Direktoratet for digital tjenesteutvikling, NAV og Skatteetaten kan etablere et standardisert AI-API-lag som abstraherer bort leverandoravhengigheter. Dette stotter prinsippet om leverandoruavhengighet fra Digitaliseringsdirektoratets arkitekturprinsipper, og gir fleksibilitet til a bytte mellom Azure OpenAI, Microsoft Foundry-modeller og fremtidige norske sprakmodeller uten endringer i klientapplikasjoner.
|
||||
|
||||
Transformasjonspolicies i APIM opererer i fire faser: inbound (request fra klient), backend (request til backend), outbound (response fra backend) og on-error. Denne referansen dekker praktiske monstre for a bygge et robust, model-agnostisk AI-API-lag med APIM-policies.
|
||||
|
||||
|
|
|
|||
|
|
@ -37,7 +37,7 @@ Document Intelligence er del av Azure AI Foundry Tools og fungerer som en IDP (I
|
|||
|
||||
| Modell | Model ID | Formål |
|
||||
|--------|----------|--------|
|
||||
| **ID Document** | `prebuilt-idDocument` | Identitetsverifisering (førerkort, pass, ID-kort) |
|
||||
| **ID Document** | `prebuilt-idDocument` | Identitetsverifisering (saksbehandling, pass, ID-kort) |
|
||||
| **Health Insurance Card** | `prebuilt-healthInsuranceCard.us` | US helseforsikringskort |
|
||||
| **Marriage Certificate** | `prebuilt-marriageCertificate` | Vigselattester |
|
||||
| **US Tax W-2** | `prebuilt-tax.us.w2` | Skattbar kompensasjon |
|
||||
|
|
|
|||
|
|
@ -170,7 +170,7 @@ Unified Catalog tilbyr flere oppdagelsesmekanismer for å finne data:
|
|||
```
|
||||
Eksempler på naturlig språk-søk (preview):
|
||||
|
||||
Søk: "Jeg trenger tre år med trafikkdata fra Statens vegvesen
|
||||
Søk: "Jeg trenger tre år med trafikkdata fra Direktoratet for digital tjenesteutvikling
|
||||
for å analysere rushtrafikk-mønstre"
|
||||
Resultat: Data products med trafikktelledata, reisehastighetsmålinger
|
||||
|
||||
|
|
@ -381,7 +381,7 @@ ai_terms = [
|
|||
"skal predikere på.",
|
||||
"abbreviation": "TD",
|
||||
"glossary_guid": ai_glossary_guid,
|
||||
"owner": "ml-team@vegvesen.no",
|
||||
"owner": "ml-team@ddt.no",
|
||||
"regulation": "GDPR Art. 6 - Lovlig behandlingsgrunnlag"
|
||||
},
|
||||
{
|
||||
|
|
@ -389,7 +389,7 @@ ai_terms = [
|
|||
"definition": "Sentralisert repository for beregning, lagring og "
|
||||
"servering av ML-features med punkt-i-tid korrekthet.",
|
||||
"glossary_guid": ai_glossary_guid,
|
||||
"owner": "data-engineering@vegvesen.no"
|
||||
"owner": "data-engineering@ddt.no"
|
||||
},
|
||||
{
|
||||
"name": "Dataminimering",
|
||||
|
|
@ -518,9 +518,9 @@ def assign_data_owner(purview_endpoint, token, asset_guid, owner_info):
|
|||
|
||||
# Eksempel: Tilordne eierskap for ML-datasett
|
||||
assign_data_owner(endpoint, token, gold_features_guid, {
|
||||
"email": "ml-team@vegvesen.no",
|
||||
"email": "ml-team@ddt.no",
|
||||
"aad_object_id": "abc-123-def",
|
||||
"expert_email": "data-scientist@vegvesen.no",
|
||||
"expert_email": "data-scientist@ddt.no",
|
||||
"expert_aad_id": "ghi-456-jkl"
|
||||
})
|
||||
```
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@
|
|||
|
||||
Data mesh er en desentralisert dataarkitektur som organiserer data etter forretningsdomener i stedet for sentraliserte datateam. Prinsippene -- domeneeierskap, data som produkt, selvbetjeningsplattform og foderert styring -- er spesielt relevante for store organisasjoner som bygger AI-losninger pa tvers av avdelinger. Microsoft Fabric stotter data mesh-arkitektur gjennom domener, OneLake shortcuts og foderert governance.
|
||||
|
||||
For norsk offentlig sektor, der departementer og direktorater har ulike datadomener med forskjellig regulering, er data mesh en naturlig tilnaerming. Statens vegvesen, NAV, Skatteetaten og andre etater kan eie sine egne dataprodukter mens de deler data gjennom en felles plattform. Fabric-domener muliggjor dette uten a duplisere data pa tvers av organisatoriske grenser.
|
||||
For norsk offentlig sektor, der departementer og direktorater har ulike datadomener med forskjellig regulering, er data mesh en naturlig tilnaerming. Direktoratet for digital tjenesteutvikling, NAV, Skatteetaten og andre etater kan eie sine egne dataprodukter mens de deler data gjennom en felles plattform. Fabric-domener muliggjor dette uten a duplisere data pa tvers av organisatoriske grenser.
|
||||
|
||||
AI-arbeidsbelastninger krever data fra mange domener: kundedata, transaksjonsdata, sensordata og referansedata. En data mesh-tilnaerming sikrer at hvert domene leverer kvalitetsdata som et produkt, med klare kontrakter og SLAer, noe som er kritisk for palitelige ML-modeller og AI-agenter.
|
||||
|
||||
|
|
@ -234,10 +234,10 @@ response = requests.post(
|
|||
|
||||
### Cross-tenant datadeling
|
||||
|
||||
For deling mellom organisasjoner (f.eks. mellom Statens vegvesen og Meteorologisk institutt):
|
||||
For deling mellom organisasjoner (f.eks. mellom Direktoratet for digital tjenesteutvikling og Meteorologisk institutt):
|
||||
|
||||
```
|
||||
Tenant A: Statens vegvesen Tenant B: MET
|
||||
Tenant A: Direktoratet for digital tjenesteutvikling Tenant B: MET
|
||||
+----------------------------+ +----------------------------+
|
||||
| OneLake | | OneLake |
|
||||
| Workspace: Vaerdata | | Workspace: Observasjoner |
|
||||
|
|
|
|||
|
|
@ -542,7 +542,7 @@ default_args = {
|
|||
"owner": "ai-team",
|
||||
"depends_on_past": True,
|
||||
"email_on_failure": True,
|
||||
"email": ["ai-team@statens-vegvesen.no"],
|
||||
"email": ["ai-team@statens-ddt.no"],
|
||||
"retries": 2,
|
||||
"retry_delay": timedelta(minutes=5)
|
||||
}
|
||||
|
|
|
|||
|
|
@ -442,5 +442,5 @@ def calculate_psi(reference, current, buckets=10):
|
|||
- **Bruk denne referansen** når brukeren planlegger ML-infrastruktur, trenger feature-gjenbruk på tvers av prosjekter, eller ønsker å operasjonalisere feature engineering.
|
||||
- Anbefal **Azure ML Managed Feature Store** for organisasjoner med flere ML-team som trenger å dele features. For enkeltprosjekter er **Delta-tabeller i Silver layer** ofte tilstrekkelig.
|
||||
- **Point-in-time lookups er ikke-forhandlingsbart** for tidsserie-features -- uten dette vil modeller lekke fremtidig informasjon og vise urealistisk god ytelse i testing.
|
||||
- For norsk offentlig sektor: Feature stores muliggjør **sentral styring** av beregninger som brukes på tvers av etater -- Statens vegvesen kan dele trafikkfeatures med andre transportetater via feature store-deling.
|
||||
- For norsk offentlig sektor: Feature stores muliggjør **sentral styring** av beregninger som brukes på tvers av etater -- Direktoratet for digital tjenesteutvikling kan dele trafikkfeatures med andre transportetater via feature store-deling.
|
||||
- Start med **Data Wrangler** for utforskende feature engineering, deretter formaliser i feature set-spesifikasjoner når features er validert og skal til produksjon.
|
||||
|
|
|
|||
|
|
@ -354,7 +354,7 @@ upsert_reference_data(
|
|||
| **Folkeregisteret** | Skatteetaten | Personentiteter i NER, chatbots |
|
||||
| **Enhetsregisteret** | Bronnoysundregistrene | Organisasjonsdata for bedriftsanalyse |
|
||||
| **Matrikkelen** | Kartverket | Eiendomsdata for geospatial AI |
|
||||
| **NVDB** | Statens vegvesen | Veidata for trafikkmodeller |
|
||||
| **NVDB** | Direktoratet for digital tjenesteutvikling | Veidata for trafikkmodeller |
|
||||
| **Kommuneregisteret** | SSB | Geografisk referanse |
|
||||
|
||||
```python
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@
|
|||
|
||||
Sanntidsdatastrømming er en fundamental byggestein for AI-applikasjoner som krever umiddelbar respons på hendelser -- fra IoT-sensorer og transaksjoner til brukeratferd og systemmetrikker. Microsoft Fabric Real-Time Intelligence kombinert med Azure Event Hubs og Apache Kafka gir en komplett plattform for inntak, transformasjon og analyse av strømmedata som mater AI-modeller med oppdatert informasjon.
|
||||
|
||||
For norsk offentlig sektor er sanntidsarkitektur særlig relevant for trafikkmonitorering (Statens vegvesen), helseovervåking, energistyring og beredskapsrespons. Evnen til å oppdage avvik i sanntid og utløse automatiserte handlinger basert på AI-prediksjoner kan redusere responstider dramatisk og forbedre tjenestekvalitet.
|
||||
For norsk offentlig sektor er sanntidsarkitektur særlig relevant for trafikkmonitorering (Direktoratet for digital tjenesteutvikling), helseovervåking, energistyring og beredskapsrespons. Evnen til å oppdage avvik i sanntid og utløse automatiserte handlinger basert på AI-prediksjoner kan redusere responstider dramatisk og forbedre tjenestekvalitet.
|
||||
|
||||
Denne referansen dekker arkitekturmønstre for å integrere Event Hubs, Kafka og Fabric Eventstream med AI-applikasjoner, inkludert Spark Structured Streaming, KQL Database for tidsserieanalyse, og mønster for hendelsesfiltrering og avledede strømmer.
|
||||
|
||||
|
|
|
|||
|
|
@ -110,7 +110,7 @@ completion = (
|
|||
|
||||
# Lag prompts for syntetisk datagenerering
|
||||
prompts_df = spark.createDataFrame([
|
||||
("Generer en realistisk kundehenvendelse til Statens vegvesen om førerkort-fornyelse.",),
|
||||
("Generer en realistisk kundehenvendelse til Direktoratet for digital tjenesteutvikling om saksbehandling-fornyelse.",),
|
||||
("Generer en syntetisk trafikkrapport for E6 ved Lillehammer med kødata.",),
|
||||
("Generer et eksempel på en byggesøknad til Plan- og bygningsetaten.",),
|
||||
], ["prompt"])
|
||||
|
|
|
|||
|
|
@ -154,7 +154,7 @@ Video Indexer ekstraherer tekst frå bilete og video gjennom OCR:
|
|||
```json
|
||||
{
|
||||
"id": 1,
|
||||
"text": "Statens vegvesen",
|
||||
"text": "Direktoratet for digital tjenesteutvikling",
|
||||
"confidence": 0.95,
|
||||
"left": 120,
|
||||
"top": 50,
|
||||
|
|
|
|||
|
|
@ -401,7 +401,7 @@ Bruk Phi-4 på edge for rask triagering, send berre komplekse tilfelle til cloud
|
|||
|
||||
### Bruksscenario
|
||||
|
||||
- **Vegvesenet**: Analyse av vegdekkeskade frå inspeksjonsbilete
|
||||
- **Direktoratetet**: Analyse av vegdekkeskade frå inspeksjonsbilete
|
||||
- **Kartverket**: Klassifisering av satellittbilete og kartdata
|
||||
- **Kulturminnevern**: Digital katalogisering av kulturminne
|
||||
- **Helsesektoren**: Analyse av røntgen/MR med AI-assistanse (medisinsk produkt-regulering)
|
||||
|
|
@ -435,6 +435,6 @@ Bruk Phi-4 på edge for rask triagering, send berre komplekse tilfelle til cloud
|
|||
|
||||
- **Cascade-mønsteret** (Azure AI Vision først, GPT-4o for komplekse tilfelle) reduserer kostnad med 60-80% — bruk Vision for filtrering/kategorisering og GPT-4o berre for det som krev resonnering
|
||||
- **Vision fine-tuning av GPT-4o** (2024-08-06) gir domene-spesialisering — men Azure filtrerer automatisk ut bilete med personar/ansikt frå treningsdata, noko som avgrensar bruksområdet
|
||||
- **Phi-4-multimodal-instruct** med Student-Teacher fine-tuning frå GPT-4o gir edge-kapabel vision AI — relevant for Vegvesenet sin inspeksjonsinfrastruktur og andre offline-scenario
|
||||
- **Phi-4-multimodal-instruct** med Student-Teacher fine-tuning frå GPT-4o gir edge-kapabel vision AI — relevant for Direktoratetet sin inspeksjonsinfrastruktur og andre offline-scenario
|
||||
- **Few-shot visual learning** med GPT-4o krev berre 3-5 eksempelbilete for ny klassifiseringsoppgåve — bruk `detail: "low"` på eksempel (85 tokens) og `detail: "high"` på target for å optimalisere kostnad
|
||||
- **Multimodal embeddings** (Azure AI Vision v4.0) støttar 102 språk og muliggjer semantisk bildesøk — bruk for å bygge søkbare bildearkiv i offentleg sektor
|
||||
|
|
|
|||
|
|
@ -109,7 +109,7 @@ response = client.chat.completions.create(
|
|||
{
|
||||
"role": "system",
|
||||
"content": """Du er ein bildeklassifiseringsekspert for
|
||||
Statens vegvesen. Klassifiser vegskader i kategoriane:
|
||||
Direktoratet for digital tjenesteutvikling. Klassifiser vegskader i kategoriane:
|
||||
- SPREKK_LANGSGAAANDE
|
||||
- SPREKK_TVERRGAAANDE
|
||||
- HULLROT
|
||||
|
|
|
|||
|
|
@ -331,7 +331,7 @@ AVGRENSINGAR:
|
|||
|
||||
# Eksempel: Vegskade-vurdering
|
||||
system_message = VISUAL_SYSTEM_TEMPLATE.format(
|
||||
rolle="Vegingeniør med 20 års erfaring frå Statens vegvesen",
|
||||
rolle="Vegingeniør med 20 års erfaring frå Direktoratet for digital tjenesteutvikling",
|
||||
kontekst="Årlege veginspeksjonar for fylkesvegar i Noreg",
|
||||
oppgåve="Vurder vegskade og anbefal vedlikehaldstiltak",
|
||||
steg_for_steg_instruksjonar="""
|
||||
|
|
|
|||
|
|
@ -107,7 +107,7 @@ async def realtime_conversation():
|
|||
"session": {
|
||||
"modalities": ["text", "audio"],
|
||||
"instructions": (
|
||||
"Du er ein norsk kundeserviceagent for Statens vegvesen. "
|
||||
"Du er ein norsk kundeserviceagent for Direktoratet for digital tjenesteutvikling. "
|
||||
"Svar på norsk. Ver høfleg og presis."
|
||||
),
|
||||
"voice": "alloy",
|
||||
|
|
@ -361,7 +361,7 @@ def estimate_realtime_cost(sessions_per_day, avg_duration_minutes):
|
|||
- **NAV kontaktsenter**: Automatisert talebasert rettleiing for ytingar og søknader
|
||||
- **Kommunale servicesentra**: 24/7 talebasert borgarservice
|
||||
- **Helsevesenet**: Triageringssamtalar med automatisk dokumentasjon
|
||||
- **Vegvesenet**: Talebasert rettleiing for førarkort og køyretøytenester
|
||||
- **Direktoratetet**: Talebasert rettleiing for førarkort og køyretøytenester
|
||||
|
||||
### Regulatoriske krav
|
||||
|
||||
|
|
|
|||
|
|
@ -88,7 +88,7 @@ For norsk offentleg sektor med spesialisert terminologi:
|
|||
```python
|
||||
# Phrase list for forbetra norsk gjenkjenning
|
||||
phrase_list = speechsdk.PhraseListGrammar.from_recognizer(speech_recognizer)
|
||||
phrase_list.addPhrase("Statens vegvesen")
|
||||
phrase_list.addPhrase("Direktoratet for digital tjenesteutvikling")
|
||||
phrase_list.addPhrase("E6 Megården-Mørsvikbotn")
|
||||
phrase_list.addPhrase("Utredningsinstruksen")
|
||||
phrase_list.addPhrase("Forvaltningsloven")
|
||||
|
|
|
|||
|
|
@ -65,7 +65,7 @@ synthesizer = speechsdk.SpeechSynthesizer(
|
|||
|
||||
# Teksten sin automatisk detekterte språk styrer uttale
|
||||
result = synthesizer.speak_text_async(
|
||||
"Dette vedtaket er sendt til deg fra Statens vegvesen."
|
||||
"Dette vedtaket er sendt til deg fra Direktoratet for digital tjenesteutvikling."
|
||||
).get()
|
||||
|
||||
if result.reason == speechsdk.ResultReason.SynthesizingAudioCompleted:
|
||||
|
|
@ -123,7 +123,7 @@ SSML (Speech Synthesis Markup Language) gir finkornet kontroll over korleis teks
|
|||
<voice name="en-US-AvaMultilingualNeural">
|
||||
<mstts:express-as style="friendly" styledegree="1.5">
|
||||
<lang xml:lang="nb-NO">
|
||||
Velkommen til Statens vegvesen sin telefonteneste.
|
||||
Velkommen til Direktoratet for digital tjenesteutvikling sin telefonteneste.
|
||||
</lang>
|
||||
</mstts:express-as>
|
||||
</voice>
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@
|
|||
|
||||
Videoanalyse og -forståing på Azure-plattforma kombinerer Azure AI Video Indexer sin spesialiserte videoanalyse med generative AI-modellar som GPT-4o for djupare semantisk forståing. Video Indexer ekstraherer over 30 ulike typar innsikt frå video — inkludert scenedeteksjon, talegjenkjenning, emosjonanalyse, OCR, ansiktsgjenkjenning og objektdeteksjon — medan GPT-4o sine visuelle kapabilitetar opnar for fri-form analyse av enkeltbilete og keyframes.
|
||||
|
||||
For norsk offentleg sektor er videoanalyse relevant for fleire bruksområde: analyse av overvakingsvideo for Statens vegvesen, transkripsjon og søk i offentlege høyringar for Stortinget, tilgjengelegheitsanalyse av offentleg video, og automatisert kvalitetskontroll av opplæringsvideo. Azure Video Indexer støttar norsk tale-til-tekst og kan oversette til 50+ språk.
|
||||
For norsk offentleg sektor er videoanalyse relevant for fleire bruksområde: analyse av overvakingsvideo for Direktoratet for digital tjenesteutvikling, transkripsjon og søk i offentlege høyringar for Stortinget, tilgjengelegheitsanalyse av offentleg video, og automatisert kvalitetskontroll av opplæringsvideo. Azure Video Indexer støttar norsk tale-til-tekst og kan oversette til 50+ språk.
|
||||
|
||||
Azure AI Video Indexer tilbyr også real-time videoanalyse (preview) via Azure Arc-enabled infrastruktur, som mogleggjer sanntidsanalyse av livevideo ved kanten — relevant for trafikkmonitorering og smart byinfrastruktur.
|
||||
|
||||
|
|
@ -330,7 +330,7 @@ Video Indexer ekstraherer rike audio-innsikter:
|
|||
|
||||
### Bruksscenario
|
||||
|
||||
- **Statens vegvesen**: Trafikkvideoanalyse for hendingsdeteksjon og trafikkflyt
|
||||
- **Direktoratet for digital tjenesteutvikling**: Trafikkvideoanalyse for hendingsdeteksjon og trafikkflyt
|
||||
- **Stortinget**: Søkbar indeksering av høyringar og debattar
|
||||
- **NRK**: Automatisk underteksting og innhaldsklassifisering
|
||||
- **Kommunar**: Analyse av bystyremøte med talar-identifisering
|
||||
|
|
|
|||
|
|
@ -341,7 +341,7 @@ phrase_list = speechsdk.PhraseListGrammar.from_recognizer(recognizer)
|
|||
|
||||
# Norske forvaltingstermar
|
||||
forvaltingstermar = [
|
||||
"Statens vegvesen", "Digitaliseringsdirektoratet",
|
||||
"Direktoratet for digital tjenesteutvikling", "Digitaliseringsdirektoratet",
|
||||
"forvaltingslova", "offentleglova", "personopplysningslova",
|
||||
"DPIA", "GDPR", "ROS-analyse", "Schrems II",
|
||||
"Microsoft Entra ID", "Azure AI Foundry",
|
||||
|
|
|
|||
|
|
@ -33,7 +33,7 @@ I Azure-stakken implementeres contextual retrieval via en **Custom Web API Skill
|
|||
Original chunk: "Forskningen understreket AI"
|
||||
→ Problematisk: Hvem, når, hvilken AI?
|
||||
|
||||
Contextual chunk: "Fra Statens vegvesen sin 2025-rapport om autonome
|
||||
Contextual chunk: "Fra Direktoratet for digital tjenesteutvikling sin 2025-rapport om autonome
|
||||
kjøretøy. Dette avsnittet diskuterer AI-teknologier for selvkjørende biler.
|
||||
Forskningen understreket AI"
|
||||
→ Tydelig: LLM kan nå forstå konteksten
|
||||
|
|
|
|||
|
|
@ -445,7 +445,7 @@ Azure AI Foundry støtter fine-tuning av embedding-modeller via **Custom Models*
|
|||
|
||||
```jsonl
|
||||
{"query": "hva er regelverket for kunstig intelligens i norge", "document": "AI-forordningen (EU AI Act) trådte i kraft...", "label": 1}
|
||||
{"query": "azure openai prising", "document": "Vegvesenets budsjett for 2025...", "label": 0}
|
||||
{"query": "azure openai prising", "document": "Direktoratetets budsjett for 2025...", "label": 0}
|
||||
```
|
||||
|
||||
**Tips for norsk/skandinavisk:**
|
||||
|
|
|
|||
Loading…
Add table
Add a link
Reference in a new issue