test(ms-ai-architect): playground v3 markdown fixtures (17 commands) [skip-docs]

Synthetic markdown fixtures for the 17 report-producing commands per the canonical archetype-routing-tabell. Each fixture uses the consistent ANPR-trafikkanalyse system from brief example to produce parser-input that exercises every archetype path (aiact, requirements-list, text-document, fria, conformity-checklist, matrix-risk 5x5, matrix-risk-6x5, findings, cost-distribution, capability, phased-plan, markdown, verdict, comparison). Real /architect:<command> capture deferred to incremental work; synthetic fixtures suffice as parser test input for Steps 11-12.
2026-05-03 19:23:26 +02:00 · 2026-05-03 19:23:26 +02:00 · b4a5ff0c75
commit b4a5ff0c75
parent 3750bee48b
17 changed files with 744 additions and 0 deletions
--- a/plugins/ms-ai-architect/playground/test-fixtures/adr.md
+++ b/plugins/ms-ai-architect/playground/test-fixtures/adr.md
@ -0,0 +1,52 @@
+# ADR-001 — Velg Azure AI Foundry som primær AI-plattform for ANPR-trafikkanalyse
+
+Status: accepted
+Date: 2026-04-30
+Deciders: AI-arkitekt, sikkerhetsarkitekt, seksjonsleder
+Consulted: personvernombud, juridisk rådgiver, Drift
+Informed: prosjekteierskap, KI-seksjonen
+
+## Context and Problem Statement
+
+Statens vegvesen skal modernisere ANPR-trafikkanalyse fra on-prem OCR-løsning til skybasert AI-plattform. Plattformen må støtte custom modell-trening, audit-logging på inferens-nivå, real-time inferens (<100ms P95), og full compliance med EU AI Act + GDPR + sikkerhetsloven.
+
+## Decision Drivers
+
+- Compliance med EU AI Act høyrisiko-krav (Art. 9-15)
+- Norsk dataresidens-krav
+- Customer-managed keys og Private Endpoints
+- Custom modell-trening kapabilitet
+- Total cost of ownership over 3 år
+- Driftbarhet for KI-seksjonen
+
+## Considered Options
+
+1. **Azure AI Foundry** — Enterprise AI-plattform med full compliance-pakke
+2. **Azure ML + AKS** — Mer kontroll, men høyere driftskost
+3. **AWS SageMaker** — Konkurransedyktig, men mangler norske compliance-sertifiseringer
+4. **On-prem GPU-cluster** — Maks kontroll, men krever betydelig CapEx og driftskompetanse
+
+## Decision Outcome
+
+Chosen option: **Azure AI Foundry**, fordi det balanserer compliance, driftbarhet, og fleksibilitet best for vår bemanning og tidsramme.
+
+### Consequences
+
+- Good: full compliance-pakke for offentlig sektor, raskere time-to-prod, integrert med eksisterende Entra ID
+- Good: customer-managed keys og Customer Lockbox tilgjengelig
+- Bad: lock-in til Azure, men mitigert via standardiserte modell-formater (ONNX) og data-portabilitet
+- Bad: høyere månedlig kostnad enn ren Azure ML — kompenseres ved redusert egen-drift
+
+## Validation
+
+Beslutning evalueres etter 12 måneder mot KPI-er:
+- Saksbehandlingstid (mål: -40%)
+- Modell-nøyaktighet (mål: ≥96% F1)
+- Total cost (mål: ≤ NOK 1.7M/år)
+- Compliance-status (mål: 100% av krav dekket innen 2027-08-02)
+
+## More Information
+
+- Compare-rapport: see `compare-foundry-vs-aml.md`
+- Cost-analyse: see `cost-tco-3year.md`
+- Security-vurdering: see `security-foundry-baseline.md`
--- a/plugins/ms-ai-architect/playground/test-fixtures/classify.md
+++ b/plugins/ms-ai-architect/playground/test-fixtures/classify.md
@ -0,0 +1,33 @@
+# EU AI Act — Klassifisering: ANPR-trafikkanalyse
+
+System: ANPR-trafikkanalyse (Statens vegvesen)
+Beskrivelse: AI-system som identifiserer kjøretøy som har overtrådt fartsgrense via kameradata + kjøretøyregister
+
+## Risikonivå
+
+Risk-level: høy
+
+## Rolle
+
+Rolle: Provider og Deployer (utvikler internt + drifter selv)
+
+## Begrunnelse
+
+Reasoning: Systemet brukes av offentlig myndighet for håndheving av lov, og påvirker individers rettigheter direkte gjennom automatisert beslutningsstøtte for sanksjonering. Dette plasserer systemet under Annex III, punkt 6 (rettshåndhevelse) og krever full høyrisiko-compliance per Art. 6(2).
+
+## Forpliktelser
+
+- Risk management system per Art. 9
+- Data governance og -kvalitet per Art. 10
+- Teknisk dokumentasjon per Art. 11
+- Logging og sporbarhet per Art. 12
+- Transparens overfor deployer per Art. 13
+- Menneskelig oversikt per Art. 14
+- Robusthet, sikkerhet og nøyaktighet per Art. 15
+- FRIA (Fundamental Rights Impact Assessment) per Art. 27 — obligatorisk for offentlig sektor
+- Registrering i EU-database per Art. 49
+- Conformity assessment per Art. 43
+
+## Frist
+
+Full compliance innen 2027-08-02 (Annex III høyrisiko full compliance).
--- a/plugins/ms-ai-architect/playground/test-fixtures/compare.md
+++ b/plugins/ms-ai-architect/playground/test-fixtures/compare.md
@ -0,0 +1,40 @@
+# Sammenligning — Azure AI Foundry vs Azure ML + AKS
+
+System: ANPR-trafikkanalyse (Statens vegvesen)
+Sammenligningsdato: 2026-04-30
+
+## Subjects
+
+Subject 1: Azure AI Foundry
+Subject 2: Azure ML + AKS
+
+## Sammenligning
+
+| Aspekt | Azure AI Foundry | Azure ML + AKS | Vinner |
+|--------|------------------|----------------|--------|
+| Time-to-prod | 6-8 uker for fundament | 12-16 uker | Foundry |
+| Custom modell-trening | Integrert via Azure ML under panseret | Direkte Azure ML | Lik |
+| Compliance-pakke for offentlig sektor | Inkludert | Må bygges selv | Foundry |
+| Driftbarhet for KI-seksjonen | Lav driftbyrde, mest klikk-ops | Høy driftbyrde, full DevOps | Foundry |
+| Fleksibilitet for custom infrastruktur | Begrenset til Foundry-mønstre | Full kontroll over AKS-cluster | Azure ML + AKS |
+| Audit-logging på inferens | Innebygd | Må konfigureres manuelt | Foundry |
+| Customer-managed keys | Tilgjengelig | Tilgjengelig | Lik |
+| Customer Lockbox | Tilgjengelig | Tilgjengelig | Lik |
+| Private Endpoints | Tilgjengelig | Tilgjengelig | Lik |
+| Real-time inferens (<100ms) | Tilgjengelig via Foundry endpoints | Tilgjengelig via AKS | Lik |
+| Total cost (3 år) | NOK 6.7M | NOK 5.9M | Azure ML + AKS |
+| Lock-in til Azure | Høy | Medium (mer portabilitet i AKS) | Azure ML + AKS |
+| Forklaringsmodell-integrasjon | Native Foundry-integrasjon | Krever egen wrapper | Foundry |
+| Multi-region failover | Innebygd | Må implementeres manuelt | Foundry |
+
+## Sammendrag
+
+Azure AI Foundry vinner på time-to-prod, compliance-pakke, og driftbarhet. Azure ML + AKS vinner på pris (-12%) og fleksibilitet. Differansen i pris (~NOK 800k over 3 år) er liten sammenlignet med besparelsen i drift-tid for KI-seksjonen.
+
+## Anbefaling
+
+For Statens vegvesen med begrenset KI-driftkapasitet anbefales Azure AI Foundry. For organisasjoner med dedikert MLOps-team kan Azure ML + AKS gi marginalt bedre kost-nytte.
+
+## Kontekst
+
+Beslutningen er sterkere drevet av compliance og driftbarhet enn ren kostnad. Foundry's offentlig sektor-pakke sparer 8-12 uker arbeid med å sertifisere baseline-konfigurasjonen.
--- a/plugins/ms-ai-architect/playground/test-fixtures/conformity.md
+++ b/plugins/ms-ai-architect/playground/test-fixtures/conformity.md
@ -0,0 +1,34 @@
+# Samsvarsvurdering (Art. 43) — ANPR-trafikkanalyse
+
+System: ANPR-trafikkanalyse (Statens vegvesen)
+Vurderingsprosedyre: Annex VI (intern kontroll)
+
+## Sjekkliste
+
+| Krav | Status | Bevis |
+|------|--------|-------|
+| Risk Management System dokumentert | met | RMS-rapport v2.1 (2026-04-15) |
+| Treningsdata-governance med kvalitetskriterier | met | Data-governance handbook §4.2 |
+| Teknisk dokumentasjon Annex IV komplett | partial | Mangler ytelsesmål per stratum |
+| Logging av hendelser implementert | met | OpenTelemetry-spans i Azure Monitor |
+| Transparens-instruksjoner skrevet | missing | Skal leveres innen 2026-09-01 |
+| Menneskelig oversikt på saksbehandlere | met | Workflow-design godkjent av juridisk |
+| Nøyaktighetsmål dokumentert | partial | 96.3% overall, men ikke per kjennemerke-region |
+| Robusthet under adversarielle forhold | partial | Test-suite mangler skitne plater og natt-scenarier |
+| Cybersikkerhetstiltak per Art. 15 | met | NSM Grunnprinsipper-vurdering bestått |
+| Conformity assessment underskrevet | missing | Avhengig av FRIA-resultat |
+| EU declaration of conformity utstedt | missing | Avhenger av Art. 47 |
+| CE-merking påført | missing | Markedsplassering ikke aktuell (intern bruk) — vurder om Art. 48 gjelder |
+
+## Frister
+
+| Dato | Milepæl | Status |
+|------|---------|--------|
+| 2026-08-02 | GPAI-krav + Annex III høyrisiko | upcoming |
+| 2026-09-01 | Transparens-instruksjoner ferdigstilt | upcoming |
+| 2027-02-01 | FRIA og DPIA-revisjon | upcoming |
+| 2027-08-02 | Full Annex III høyrisiko-compliance | upcoming |
+
+## Konklusjon
+
+5 av 12 krav er fullt møtt; 4 er delvis møtt; 3 mangler implementering. Critical path: transparens-instruksjoner (Art. 13) blokkerer conformity declaration.
--- a/plugins/ms-ai-architect/playground/test-fixtures/cost.md
+++ b/plugins/ms-ai-architect/playground/test-fixtures/cost.md
@ -0,0 +1,48 @@
+# Kostnadsestimat — ANPR-trafikkanalyse
+
+System: ANPR-trafikkanalyse (Statens vegvesen)
+Periode: 12 måneder fra produksjonssetting
+Valuta: NOK
+
+## Distribusjon (P10/P50/P90)
+
+| Persentil | Månedlig (NOK) | Årlig (NOK) |
+|-----------|----------------|-------------|
+| P10 | 78 000 | 936 000 |
+| P50 | 142 000 | 1 704 000 |
+| P90 | 285 000 | 3 420 000 |
+
+## Månedlig fordeling (P50)
+
+| Komponent | Kostnad (NOK/mnd) |
+|-----------|-------------------|
+| Azure AI Services (OCR + classification) | 64 000 |
+| Azure OpenAI (forklaringsmodell) | 28 000 |
+| Azure AI Search (indeks for kjøretøyregister) | 12 000 |
+| Storage (blob + cosmos for audit) | 8 500 |
+| Compute (Container Apps for orchestration) | 11 000 |
+| Networking (Private Endpoints + egress) | 5 200 |
+| Monitoring (Sentinel + Log Analytics) | 9 800 |
+| Backup og DR | 3 500 |
+
+## TCO-tabell (3 år)
+
+| År | Capex | Opex | Total | Akkumulert |
+|----|-------|------|-------|------------|
+| År 1 | 850 000 | 1 704 000 | 2 554 000 | 2 554 000 |
+| År 2 | 120 000 | 1 875 000 | 1 995 000 | 4 549 000 |
+| År 3 | 80 000 | 2 060 000 | 2 140 000 | 6 689 000 |
+
+## Kostnadsdrivere
+
+- Trafikkvolum: ~12 millioner ANPR-deteksjoner/mnd
+- Forklaring-prompt-tokens: ~250 tokens per flagged hendelse
+- Reservert kapasitet for 99.9% SLA
+
+## Konfidensgradering
+
+P50 er beregnet med 95% konfidens basert på 6 måneder pilot-data. P90 inkluderer 2× volum-skalering ved fullnasjonal utrulling. P10 forutsetter optimaliserte prompt-cache (>40% hit-rate).
+
+## Anbefaling
+
+Bruk P50 som budsjettlinje. Sett alarm på 1.4× P50 (≈ 200 000/mnd) for tidlig varsling.
--- a/plugins/ms-ai-architect/playground/test-fixtures/dpia.md
+++ b/plugins/ms-ai-architect/playground/test-fixtures/dpia.md
@ -0,0 +1,41 @@
+# DPIA / PVK — ANPR-trafikkanalyse
+
+System: ANPR-trafikkanalyse (Statens vegvesen)
+Metodikk: Datatilsynets veileder + ISO/IEC 29134
+
+## Risikomatrise (5×5)
+
+| Trussel | Sannsynlighet | Konsekvens | Score | Nivå |
+|---------|---------------|------------|-------|------|
+| Feilaktig kjennemerke-tolkning fører til urettmessig sanksjon | 3 | 4 | 12 | medium |
+| Massiv lokasjonsdata-lekkasje fra kjøretøyregister | 2 | 5 | 10 | medium |
+| AI-forklaring viser sensitiv kontekst om eier | 3 | 3 | 9 | medium |
+| Stratifisert bias mot utenlandske kjennemerker | 4 | 3 | 12 | medium |
+| Fysisk angrep på kameraer skaper deteksjonshull | 2 | 2 | 4 | low |
+| Insider-misbruk for sporing av enkeltpersoner | 2 | 5 | 10 | medium |
+| Auto-flagging utløser kjedereaksjon ved system-feil | 1 | 5 | 5 | low |
+| Subject Access Request (GDPR Art. 15) ignoreres | 3 | 3 | 9 | medium |
+
+## Trusler
+
+| ID | Beskrivelse | Severity | Tiltak |
+|----|-------------|----------|--------|
+| T-001 | Feilaktig OCR av kjennemerker | high | Konfidensgrad-cutoff på 0.95; saksbehandler-review under cutoff |
+| T-002 | Lokasjonsdata-lekkasje | critical | Pseudonymisering ved lagring; HSM-backed nøkler i Azure Key Vault |
+| T-003 | Kontekst-eksponering i AI-forklaring | high | Filter på sensitive felt; kontekst kun til autorisert saksbehandler |
+| T-004 | Bias mot utenlandske registre | high | Kvartalsvis stratifisert testing; juster modell ved >5% avvik |
+| T-005 | Insider-misbruk | critical | Audit-logging på alle oppslag; SIEM-deteksjon av unormale mønstre |
+
+## Tiltak
+
+| ID | Tiltak | Status | Eier |
+|----|--------|--------|------|
+| M-001 | Cutoff-konfidensgrad implementert | done | Tech Lead |
+| M-002 | Pseudonymisering pilotert | in-progress | Sikkerhetsarkitekt |
+| M-003 | Bias-test-pipeline etablert | planned | Data Scientist |
+| M-004 | Audit-logging utrullet | done | Drift |
+| M-005 | SIEM-regler kalibrert | in-progress | SOC |
+
+## Konklusjon
+
+Restrisiko etter tiltak: medium-lav. DPIA godkjent av personvernombud 2026-04-22.
--- a/plugins/ms-ai-architect/playground/test-fixtures/frimpact.md
+++ b/plugins/ms-ai-architect/playground/test-fixtures/frimpact.md
@ -0,0 +1,25 @@
+# FRIA (Fundamental Rights Impact Assessment) — ANPR-trafikkanalyse
+
+System: ANPR-trafikkanalyse (Statens vegvesen)
+Hjemmel: EU AI Act Art. 27 (obligatorisk for offentlig sektor)
+
+## Vurderte rettigheter
+
+| Rettighet | Impact | Tiltak |
+|-----------|--------|--------|
+| Menneskeverd | 1 | Ingen reduksjon — saksbehandler tar endelig avgjørelse, ikke AI |
+| Rett til frihet og sikkerhet | 1 | Ingen frihetsberøvelse direkte fra AI; politi/domstol er reell beslutter |
+| Respekt for privatliv | 4 | Massiv overvåking via veikameraer — kompenseres med strenge oppbevaringsregler (90 dager), formålsbegrensning, og minimering av kobling til kjøretøyregister |
+| Personvern | 4 | DPIA gjennomført; Datatilsynet konsultert; rettslig grunnlag i vegtrafikkloven §13 — likevel høy impact pga skala |
+| Ikke-diskriminering | 3 | Algoritmisk bias-testing på kjennemerker fra utenlandske registre (lavere ANPR-nøyaktighet) — kvartalsvis review |
+| Ytringsfrihet og informasjonsfrihet | 0 | Ikke berørt |
+| Forsamlingsfrihet | 0 | Ikke berørt |
+| Religionsfrihet | 0 | Ikke berørt |
+| Eiendomsrett | 2 | Gebyr/sanksjoner berører eiendomsrett — kompenseres med klagemulighet og rettslig prøving |
+| Rett til effektivt rettsmiddel | 2 | Klageadgang sikret; menneskelig review garantert; AI-forklaring tilgjengelig for klager |
+| Barns rettigheter | 1 | Lav direkte påvirkning; barn er sjelden registrerte førere |
+| Eldres rettigheter | 2 | Eldre kan ha vanskeligere for å klage digitalt — papir-klage må fortsatt være tilgjengelig |
+
+## Konklusjon
+
+Tre rettigheter har høy impact (3-4): privatliv, personvern og ikke-diskriminering. Tiltakene reduserer reell risiko, men FRIA må re-evalueres årlig per Art. 27(2).
--- a/plugins/ms-ai-architect/playground/test-fixtures/license.md
+++ b/plugins/ms-ai-architect/playground/test-fixtures/license.md
@ -0,0 +1,34 @@
+# Lisens-kapabilitetsmatrise — ANPR-trafikkanalyse
+
+System: ANPR-trafikkanalyse (Statens vegvesen)
+Vurderingsdato: 2026-04-30
+
+## Matrise
+
+| Kapabilitet | M365 E3 | M365 E5 | Copilot for M365 | Copilot Studio | Azure AI Foundry |
+|-------------|---------|---------|------------------|----------------|------------------|
+| OCR av kjennemerker | missing | missing | missing | conditional | available |
+| Custom modell-trening | missing | missing | missing | missing | available |
+| Audit-logging på AI-input | missing | available | available | available | available |
+| Customer-managed keys | missing | available | conditional | conditional | available |
+| Private Endpoints | missing | available | missing | conditional | available |
+| Saksbehandler-co-pilot UI | missing | missing | available | available | conditional |
+| Norsk språkstøtte i prompts | available | available | available | available | available |
+| Compliance-pakke for offentlig sektor | missing | available | conditional | conditional | available |
+| Real-time inference (<100ms) | missing | missing | missing | missing | available |
+| Batch-inference for nattlige jobber | missing | missing | missing | missing | available |
+
+## Status-betydning
+
+- available: Inkludert i lisensen, klar til bruk
+- cost: Tilgjengelig som tillegg, krever separat fakturering
+- conditional: Kan brukes med begrensninger eller add-on
+- missing: Ikke tilgjengelig på dette lisensnivået
+
+## Sammendrag
+
+Azure AI Foundry er eneste lisens som dekker alle kjernekapabiliteter. Copilot Studio passer for saksbehandler-UI men kan ikke håndtere OCR/custom modeller alene. Hybrid: Foundry (kjerne) + Copilot Studio (UI) gir best dekning.
+
+## Anbefaling
+
+Bruk Azure AI Foundry for AI-tjenester (OCR, klassifisering, forklaring). Hold M365 E5 på saksbehandler-arbeidsstasjoner for audit-logging og compliance-pakke. Vurder Copilot Studio i fase 2 for saksbehandler-co-pilot.
--- a/plugins/ms-ai-architect/playground/test-fixtures/migrate.md
+++ b/plugins/ms-ai-architect/playground/test-fixtures/migrate.md
@ -0,0 +1,80 @@
+# Migrasjonsplan — ANPR-trafikkanalyse
+
+System: ANPR-trafikkanalyse (Statens vegvesen)
+Fra: On-prem OCR + manuell klassifisering
+Til: Azure AI Foundry + saksbehandler-co-pilot
+
+## Faser
+
+### Fase 1 — Foundry-fundament (uker 1-6)
+
+Varighet: 6 uker
+
+Milepæler:
+- Hub + projects opprettet i West Europe
+- Network isolation: Private Endpoints + Vnet integration
+- Identity: Entra ID-integrasjon med PIM
+- Logging: OpenTelemetry → Sentinel pipeline
+
+Suksesskriterier:
+- Pilot OCR-modell deployert med <100ms latency P95
+- Audit-logg fanger 100% av inferences
+- Sikkerhetsarkitekt godkjenner foundation-design
+
+### Fase 2 — Modell-trening og baseline (uker 7-14)
+
+Varighet: 8 uker
+
+Milepæler:
+- Treningsdata kuratert (200k norske kjennemerker, stratifisert)
+- Custom modell trent på Azure ML
+- Baseline-nøyaktighet etablert (mål: ≥96% F1)
+- Bias-evaluering på utenlandske registre fullført
+
+Suksesskriterier:
+- F1 ≥ 96% overall, ≥ 92% per kjøretøy-segment
+- Drift-deteksjon kalibrert med terskel
+- ROS-revisjon godkjent
+
+### Fase 3 — Saksbehandler-co-pilot (uker 15-22)
+
+Varighet: 8 uker
+
+Milepæler:
+- Forklaringsmodell (GPT-4 Turbo) integrert via Foundry
+- Saksbehandler-UI bygget (Copilot Studio + Power Platform)
+- Workflow: AI flagger → saksbehandler reviewer → klar for sanksjon
+- Brukertest med 12 saksbehandlere fra ulike regioner
+
+Suksesskriterier:
+- Saksbehandlingstid -40% vs baseline
+- Saksbehandler-tillit >7/10 i post-pilot survey
+- Ingen kritiske UX-feil
+
+### Fase 4 — Compliance og produksjonssetting (uker 23-28)
+
+Varighet: 6 uker
+
+Milepæler:
+- FRIA gjennomført og godkjent
+- Conformity assessment ferdigstilt per Annex VI
+- DPIA oppdatert med nye operasjonelle data
+- Produksjonssetting til 3 piloter (Oslo, Bergen, Trondheim)
+
+Suksesskriterier:
+- Personvernombud signerer DPIA
+- Ingen open critical-funn fra arkitekturgjennomgang
+- Stabil 99.9% uptime i 30 dager pilot
+
+## Risiko
+
+| Risiko | Sannsynlighet | Konsekvens | Tiltak |
+|--------|---------------|------------|--------|
+| Custom modell underyter mot 96% mål | medium | high | Backup-strategi: bruk Azure AI Vision OCR som fallback |
+| Saksbehandler-motstand mot AI | medium | medium | Tidlig involvering; transparent forklaring; opt-out på enkelt-saker |
+| FRIA blokkerer fase 4 | low | high | Pre-FRIA-kjøring i fase 2 for tidlig varsling |
+| Cost-overrun ved skalering | medium | medium | Reserved capacity-binding etter fase 3 |
+
+## Total varighet
+
+28 uker (~7 måneder). Avhengighet: Foundry-fundament må være ferdig før modell-trening starter.
--- a/plugins/ms-ai-architect/playground/test-fixtures/poc.md
+++ b/plugins/ms-ai-architect/playground/test-fixtures/poc.md
@ -0,0 +1,75 @@
+# POC-plan — ANPR-trafikkanalyse
+
+System: ANPR-trafikkanalyse (Statens vegvesen)
+POC-mål: Validere at Azure AI Foundry kan dekke OCR + forklaring + audit innen tids- og kostbudsjett
+
+## Faser
+
+### Fase 1 — Foundation (uker 1-2)
+
+Varighet: 2 uker
+
+Milepæler:
+- Foundry hub + project i West Europe
+- Identity og networking konfigurert
+- Sample-data uploadet (10k anonymiserte kjennemerker)
+
+Suksesskriterier:
+- Inferens-endpoint nåbart fra dev-Vnet via Private Endpoint
+- Audit-logg fanger første test-inferens
+- Cost-monitor viser daglig forbruk i Azure portal
+
+### Fase 2 — OCR-modell (uker 3-5)
+
+Varighet: 3 uker
+
+Milepæler:
+- Pre-trent Azure AI Vision OCR pilotert
+- Custom fine-tune på 10k kjennemerker
+- Sammenligning av accuracy/latency mellom de to
+
+Suksesskriterier:
+- F1 ≥ 92% på pilot-sett (lavere mål enn produksjon, akseptabelt for POC)
+- Latency P95 < 200ms
+- Inference-cost ≤ NOK 0.04 per kall
+
+### Fase 3 — Forklarings-loop (uker 6-7)
+
+Varighet: 2 uker
+
+Milepæler:
+- GPT-4 Turbo via Foundry integrert
+- Prompt-template for forklaring av flagged sak
+- Saksbehandler-mock UI (en enkel webside) prøvd ut med 3 brukere
+
+Suksesskriterier:
+- Forklaring referer til konfidens og kontekst korrekt i 95% av tilfellene
+- Saksbehandler-feedback kvalitativt positiv ("forståelig, men trenger justering")
+- Prompt-tokens under 250 i snitt per sak
+
+### Fase 4 — Compliance-pre-check (uke 8)
+
+Varighet: 1 uke
+
+Milepæler:
+- Audit-logg mot EU AI Act Art. 12-krav
+- Customer-managed keys verifisert
+- Pre-DPIA-sjekk gjort med personvernombud
+
+Suksesskriterier:
+- Audit-logg dekker 100% av inferences med tidsstempel + bruker
+- Personvernombud signer pre-DPIA-utkast
+- Ingen åpenbare GDPR-blokkere
+
+## Risiko
+
+| Risiko | Sannsynlighet | Konsekvens | Tiltak |
+|--------|---------------|------------|--------|
+| Custom OCR-modell underyter pre-trent | medium | medium | Aksepter pre-trent for POC; planlegg custom for full prod |
+| Foundry-quota i West Europe utilstrekkelig | low | medium | Reserver kapasitet før POC starter |
+| Saksbehandler-recruitment forsinker fase 3 | medium | low | Bruk interne ressurser i KI-seksjonen som mock |
+| Audit-logg-format ikke kompatibelt med Sentinel | low | medium | Test integrasjon i fase 1 |
+
+## Total varighet
+
+8 uker. Beslutningskriterium for full prosjektgodkjenning: alle 4 fasers suksesskriterier møtt.
--- a/plugins/ms-ai-architect/playground/test-fixtures/requirements.md
+++ b/plugins/ms-ai-architect/playground/test-fixtures/requirements.md
@ -0,0 +1,31 @@
+# EU AI Act — Krav for høyrisiko provider+deployer
+
+System: ANPR-trafikkanalyse (Statens vegvesen)
+Klassifisering: høy risiko, rolle Provider+Deployer
+
+## Krav
+
+| Krav | Status | Kilde |
+|------|--------|-------|
+| Risk Management System etablert og dokumentert | partial | Art. 9 |
+| Treningsdata-governance med kvalitetssjekker | met | Art. 10 |
+| Teknisk dokumentasjon (Annex IV) komplett | partial | Art. 11 |
+| Automatisk logging av hendelser implementert | met | Art. 12 |
+| Transparens-instruksjoner for deployer skrevet | missing | Art. 13 |
+| Human-in-the-loop på alle sanksjonsavgjørelser | met | Art. 14 |
+| Nøyaktighetsmål med stratifisert testing | partial | Art. 15 |
+| Cybersikkerhetstiltak verifisert (NSM Grunnprinsipper) | met | Art. 15 |
+| FRIA gjennomført før idriftsettelse | missing | Art. 27 |
+| Registrering i EU-database planlagt | missing | Art. 49 |
+| Conformity assessment per Annex VI gjennomført | missing | Art. 43 |
+| CE-merking utført før markedsføring | missing | Art. 48 |
+| Post-market monitoring system etablert | partial | Art. 72 |
+| Avviksrapportering til myndigheter rutinert | partial | Art. 73 |
+
+## Sammendrag
+
+- 4 krav er møtt (met)
+- 4 krav er delvis møtt (partial)
+- 6 krav mangler implementering (missing)
+
+Prioritering: FRIA og transparens-instruksjoner må adresseres før idriftsettelse 2027-08-02.
--- a/plugins/ms-ai-architect/playground/test-fixtures/review.md
+++ b/plugins/ms-ai-architect/playground/test-fixtures/review.md
@ -0,0 +1,30 @@
+# Arkitekturgjennomgang — ANPR-trafikkanalyse
+
+System: ANPR-trafikkanalyse (Statens vegvesen)
+Vurderingsdato: 2026-04-30
+Reviewers: AI-arkitekt, sikkerhetsarkitekt, personvernombud
+
+## Funn
+
+| ID | Severity | Lokasjon | Anbefaling |
+|----|----------|----------|------------|
+| F-01 | critical | Authentication layer | Tilgang til AI-forklaringer mangler attribute-based access control — alle saksbehandlere ser alle saker. Implementer ABAC basert på sak-tildeling. |
+| F-02 | high | Data pipeline | Treningsdata oppdateres månedlig, men ingen formell drift-deteksjon. Etabler statistisk drift-monitoring i Azure Monitor. |
+| F-03 | high | Model serving | Modellen serves fra en enkelt regional endpoint uten failover. Replikér til en sekundær region for RTO < 1t. |
+| F-04 | high | Logging | Audit-logg lagres 30 dager — under arkivlovens krav for sak-relevant info. Endre retensjon til 7 år for sak-knyttede oppslag. |
+| F-05 | medium | Cost management | Ingen budsjettalarmer på Azure AI Services — prediction-kostnaden kan øke med 4× ved trafikk-topp uten varsel. |
+| F-06 | medium | Compliance | FRIA-rapport ikke vedlikeholdt etter modell-endring 2026-03-12. Re-evaluering trengs. |
+| F-07 | medium | UX | Saksbehandler-grensesnitt viser ikke konfidensgrad tydelig nok — risiko for over-trust på AI-output. |
+| F-08 | low | Documentation | README mangler oppdatert arkitekturdiagram (siste fra 2025-11). |
+| F-09 | low | Testing | Manglende E2E-test for utenlandske kjennemerker. |
+
+## Sammendrag
+
+Critical (1): ABAC mangler — må fikses før idriftsettelse.
+High (3): Drift-deteksjon, failover, logg-retensjon — må fikses innen 6 mnd.
+Medium (3): Budsjett, FRIA-revisjon, UX-konfidens — bør fikses innen 12 mnd.
+Low (2): Dokumentasjon, testing — opportunity-quality.
+
+## Anbefaling
+
+Idriftsettelse anbefales IKKE før F-01 er løst. F-02 til F-04 må adresseres innen 2026-09-01 for å holde 2027-08-02-fristen.
--- a/plugins/ms-ai-architect/playground/test-fixtures/ros.md
+++ b/plugins/ms-ai-architect/playground/test-fixtures/ros.md
@ -0,0 +1,53 @@
+# ROS-analyse — ANPR-trafikkanalyse
+
+System: ANPR-trafikkanalyse (Statens vegvesen)
+Metodikk: NS 5814 / ISO 31000 + AI-trusselbibliotek
+
+## Risikomatrise (5×5)
+
+| Trussel | Sannsynlighet | Konsekvens | Score | Nivå |
+|---------|---------------|------------|-------|------|
+| Modell-drift som degraderer nøyaktighet | 4 | 3 | 12 | medium |
+| Treningsdata-bias mot småbiler eller MC | 3 | 3 | 9 | medium |
+| Adversarielle plate-design unngår OCR | 2 | 4 | 8 | medium |
+| API-utilgjengelighet i kritisk periode | 2 | 4 | 8 | medium |
+| Klage-saksbehandling overbelastet ved skalering | 4 | 3 | 12 | medium |
+| Datatap pga manglende georedundans | 1 | 5 | 5 | low |
+| Misbruk av AI-forklaring som bevis | 3 | 4 | 12 | medium |
+| Kjedevirkning ved feil i kjøretøyregister | 2 | 5 | 10 | medium |
+
+## Radar-akser (7 dimensjoner)
+
+| Akse | Score (1-5) |
+|------|-------------|
+| Tilgjengelighet | 4 |
+| Konfidensialitet | 4 |
+| Integritet | 4 |
+| Sporbarhet | 5 |
+| Pålitelighet | 3 |
+| Robusthet | 3 |
+| Etterlevelse | 4 |
+
+## Trusler
+
+| ID | Beskrivelse | Severity | Tiltak |
+|----|-------------|----------|--------|
+| T-101 | Modell-drift over tid | high | Månedlig retraining-pipeline; alarm ved >2% nøyaktighetsfall |
+| T-102 | Bias mot småbiler/MC | high | Stratifisert evaluering ved hver release |
+| T-103 | Adversarielle plate-design | medium | Robusthetstest mot kjente angreps-mønstre |
+| T-104 | API-utilgjengelighet | medium | Multi-region failover med RTO 1t |
+| T-105 | Saksbehandlings-overbelastning | high | Automatisk batching + prioriteringsregler |
+
+## Tiltak
+
+| ID | Tiltak | Status | Eier |
+|----|--------|--------|------|
+| M-101 | Retraining-pipeline etablert | done | MLOps |
+| M-102 | Stratifisert evalueringssett bygget | in-progress | Data Scientist |
+| M-103 | Robusthetstest planlagt | planned | Sikkerhetsarkitekt |
+| M-104 | Multi-region failover testet | done | Drift |
+| M-105 | Batching-logikk implementert | in-progress | Tech Lead |
+
+## Konklusjon
+
+Restrisiko etter tiltak: medium. ROS godkjent av seksjonsleder 2026-04-25.
--- a/plugins/ms-ai-architect/playground/test-fixtures/security.md
+++ b/plugins/ms-ai-architect/playground/test-fixtures/security.md
@ -0,0 +1,41 @@
+# Sikkerhetsvurdering 6×5 — ANPR-trafikkanalyse
+
+System: ANPR-trafikkanalyse (Statens vegvesen)
+Rammeverk: NSM Grunnprinsipper + Microsoft Cloud Security + EU AI Act Art. 15
+
+## Score per dimensjon
+
+| Dimensjon | Score | Vurdering |
+|-----------|-------|-----------|
+| Identitet og tilgang | 4 | Entra ID med MFA, conditional access; mangler PIM på enkelte serviceprinciper |
+| Datasikkerhet og personvern | 3 | Customer-managed keys, pseudonymisering pilotert; full Customer Lockbox ikke aktivert |
+| Modell- og prompt-sikkerhet | 3 | Content filters aktivert; jailbreak-deteksjon via Azure AI Content Safety; ingen red-team-runde gjort |
+| Nettverk og perimeter | 5 | Private Endpoint mot alle Azure AI-tjenester; ingen offentlig eksponering |
+| Logging og hendelseshåndtering | 4 | OpenTelemetry → Sentinel; SOC integrert; mangler automatisk avviksdeteksjon for AI-output |
+| Operasjonell og leverandørsikkerhet | 3 | Hovedleverandører verifisert; mangler third-party penetrasjons-test siste 12 mnd |
+
+## Risikomatrise (6×5)
+
+| Risiko | Sannsynlighet | Konsekvens | Score |
+|--------|---------------|------------|-------|
+| Lekkasje av treningsdata | 2 | 5 | 10 |
+| Prompt injection i forklaringsmodell | 3 | 3 | 9 |
+| Modell-tyveri (model extraction) | 2 | 3 | 6 |
+| Adversarielt eksempel forgifter output | 2 | 4 | 8 |
+| Cloud-leverandør-utilgjengelighet | 2 | 4 | 8 |
+| Insider-trussel (unauthorized inference) | 2 | 5 | 10 |
+
+## Funn
+
+| ID | Severity | Lokasjon | Anbefaling |
+|----|----------|----------|------------|
+| S-01 | high | Identity | Aktivér PIM på alle serviceprinciper innen 2026-06-01 |
+| S-02 | medium | Data | Aktivér Customer Lockbox for trafikkdata |
+| S-03 | high | Model | Gjennomfør formell red-team-runde med Azure AI Red Team-veiledning |
+| S-04 | low | Network | Periodisk verifikasjon av Private Endpoint-konfigurasjon |
+| S-05 | medium | Logging | Implementer ML-basert avviksdeteksjon på AI-output-rate |
+| S-06 | medium | Vendor | Bestilt third-party penetrasjons-test for Q3 2026 |
+
+## Aggregat
+
+Totalscore: 22/30 (73%) — modent men ikke best-i-klassen. Modell- og prompt-sikkerhet er svakeste dimensjon.
--- a/plugins/ms-ai-architect/playground/test-fixtures/summary.md
+++ b/plugins/ms-ai-architect/playground/test-fixtures/summary.md
@ -0,0 +1,41 @@
+# Beslutningsnotat — ANPR-trafikkanalyse
+
+System: ANPR-trafikkanalyse (Statens vegvesen)
+Dato: 2026-04-30
+Til: Direktør for Digital og IT
+Fra: KI-seksjonen
+
+## Verdict
+
+Verdict: warning
+Sub: Pilot anbefalt med betingelser
+
+## Rationale
+
+Arkitekturen er teknisk solid og økonomisk forsvarlig (P50 NOK 1.7M/år), men compliance-arbeidet ligger 6 måneder bak ideell tidslinje. Pilot kan starte etter at FRIA og transparens-instruksjoner er ferdigstilt; full produksjonssetting krever lukking av alle critical funn fra arkitekturgjennomgang.
+
+## Key Metrics
+
+| Metric | Verdi | Mål |
+|--------|-------|-----|
+| Compliance-dekning | 33% (4/12 fullt møtt) | 100% innen 2027-08-02 |
+| Sikkerhetsscore | 22/30 (73%) | ≥27/30 (90%) |
+| TCO 3 år | NOK 6.7M | ≤ NOK 7M |
+| Saksbehandlingstid (pilot) | -32% (estimert) | -40% |
+| ROS-restrisiko | medium | low-medium |
+
+## Next Steps
+
+- Lukk F-01 (ABAC) innen 2026-06-15
+- Gjennomfør FRIA innen 2026-07-15 (Art. 27-frist)
+- Produksjonsdokumentere transparens-instruksjoner innen 2026-09-01
+- Pilot 3 regioner (Oslo, Bergen, Trondheim) Q4 2026
+- Full utrulling Q2 2027
+
+## Restrisiko
+
+Etter foreslåtte tiltak: medium. Hovedeksponering: bias mot utenlandske kjennemerker krever løpende monitoring.
+
+## Anbefaling
+
+Godkjenn pilot-fase med tydelig stage-gate til full produksjonssetting. Avstem med Datatilsynet før fase 4.
--- a/plugins/ms-ai-architect/playground/test-fixtures/transparency.md
+++ b/plugins/ms-ai-architect/playground/test-fixtures/transparency.md
@ -0,0 +1,25 @@
+# Transparensnotis — ANPR-trafikkanalyse
+
+Tittel: Informasjon om automatisert trafikkanalyse (Art. 13 og Art. 50)
+
+## Hva systemet gjør
+
+Statens vegvesen bruker et AI-system som leser av kjennemerker (ANPR — Automatic Number Plate Recognition) fra kameraer langs riksveg og kommunal veg. Systemet identifiserer kjøretøy som har overtrådt fartsgrensen gjennom å beregne gjennomsnittsfart mellom to kameraposisjoner.
+
+## Hvilke data som behandles
+
+Behandlede data inkluderer kjennemerke, tidsstempel, kameraposisjon, kjøretøytype og oppslag i Statens vegvesens kjøretøyregister. Personlig identifiserbar informasjon kobles ikke til oppføring uten saksbehandlers eksplisitte godkjenning.
+
+## Hvordan beslutninger tas
+
+Systemet er beslutningsstøtte, ikke -taker. Hver flagged hendelse går til menneskelig saksbehandler som tar endelig avgjørelse om gebyr eller anmeldelse. AI-output inkluderer konfidensgrad og forklaring av hvorfor saken ble flagget.
+
+## Dine rettigheter
+
+Som registrert har du rett til innsyn (GDPR Art. 15), retting (Art. 16), sletting (Art. 17 — med begrensninger ved lovhjemmel), og å klage til Datatilsynet. Du kan også be om manuell vurdering uten AI-bistand per GDPR Art. 22.
+
+## Kontakt
+
+Personvernombud: pvo@vegvesen.no
+Tilsyn: Datatilsynet — postkasse@datatilsynet.no
+EU AI Act-tilsyn: under etablering (Digitaliseringsdirektoratet er forventet)
--- a/plugins/ms-ai-architect/playground/test-fixtures/utredning.md
+++ b/plugins/ms-ai-architect/playground/test-fixtures/utredning.md
@ -0,0 +1,61 @@
+# AI-arkitekturutredning — ANPR-trafikkanalyse for Statens vegvesen
+
+## 1. Bakgrunn og formål
+
+Statens vegvesen har siden 2018 driftet en on-prem ANPR-løsning for trafikkanalyse på riksveger og enkelte kommunale veger. Løsningen er basert på OCR-bibliotek fra 2017 og leveres som et lukket system uten mulighet for retrening eller forbedring av modell. Saksbehandlingen er manuell og tar i snitt 14 minutter per sak. KI-seksjonen utreder modernisering til en skybasert AI-plattform som støtter custom modell-trening, audit-logging på inferens-nivå, og saksbehandler-co-pilot.
+
+## 2. Mandat
+
+Utredningen skal:
+- Anbefale teknologivalg blant Azure AI Foundry, Azure ML+AKS, AWS SageMaker og on-prem GPU-cluster
+- Vurdere compliance-status mot EU AI Act, GDPR, sikkerhetsloven og arkivloven
+- Estimere TCO over 3 år
+- Identifisere risiko og foreslå mitigerende tiltak
+- Definere KPI-er for produksjonssetting
+
+## 3. Metode
+
+Utredningen kombinerer:
+- Kvalitativ analyse av compliance-krav per relevante lover og forskrifter
+- Kvantitativ TCO-analyse basert på 12 millioner ANPR-deteksjoner/mnd
+- Risikoanalyse per NS 5814 og DPIA per Datatilsynets veileder
+- Markedsundersøkelse av tilgjengelige plattformer fra Azure, AWS og GCP
+
+## 4. Funn
+
+### 4.1 Compliance
+
+EU AI Act klassifiserer systemet som høyrisiko (Annex III, punkt 6 — rettshåndhevelse). Statens vegvesen er Provider og Deployer, hvilket trigger alle krav i Art. 9-15 + Art. 27 (FRIA) + Art. 49 (registrering).
+
+### 4.2 Teknologivalg
+
+Azure AI Foundry er anbefalt primær plattform fordi:
+- Full compliance-pakke for offentlig sektor
+- Customer-managed keys og Customer Lockbox tilgjengelig
+- Custom modell-trening via integrert Azure ML
+- Norsk dataresidens (West Europe + EU Data Boundary)
+
+### 4.3 TCO
+
+3-års TCO estimert til NOK 6.7M (P50). Hovedkostnad: Azure AI Services (38%) + Azure OpenAI (16%).
+
+### 4.4 Risiko
+
+Hovedrisiko: bias mot utenlandske kjennemerker, modell-drift over tid, og manglende ABAC-implementering på saksbehandler-tilgang. Alle har konkrete tiltak.
+
+## 5. Konklusjon
+
+Anbefalt: gjennomfør 8-ukers POC før formell prosjektoppstart. Ved vellykket POC, full implementering over 28 uker mot produksjonssetting Q2 2027.
+
+## 6. Anbefaling
+
+Godkjenn POC-budsjett på NOK 1.2M og forenkle prosjekt-mandat for fase 1-4 ved positiv POC-evaluering.
+
+## 7. Referanser
+
+- EU AI Act 2024/1689
+- GDPR 2016/679
+- Sikkerhetsloven (LOV-2018-06-01-24)
+- Arkivloven (LOV-1992-12-04-126)
+- NS 5814:2008 — Krav til risikovurderinger
+- Datatilsynets veileder for AI og personvern (2024)