ktg-plugin-marketplace/plugins/ms-ai-architect/skills/ms-ai-engineering/references/azure-ai-services/content-understanding-multimodal-analysis.md

Content Understanding - Multimodal Analysis and Video Intelligence

Last updated: 2026-04 | Verified: MCP 2026-04 Status: Preview (GA for core features, Limited Access for face description) Category: Azure AI Services (Foundry Tools)

---

Introduksjon

Azure AI Content Understanding er en generativ AI-tjeneste designet for å transformere ustrukturert multimodalt innhold – dokumenter, bilder, video og audio – til strukturert, maskinlesbar informasjon. Tjenesten kombinerer avansert innholdsekstraksjon med generative modeller for å skape skreddersydd metadata og innsikter på tvers av modaliteter.

For video- og audioanalyse opererer Content Understanding i to hovedfaser: innholdsekstraksjon (transcription, shot detection, keyframe extraction) og feltekstraksjon (custom fields, segmentering basert på generative modeller). Dette muliggjør alt fra RAG-optimaliserte workflows til detaljert media asset management og compliance-sjekk.

Tjenesten skiller seg fra Azure AI Video Indexer ved at den fokuserer på fleksibel, schema-drevet ekstraksjon med generative modeller, mens Video Indexer leverer et bredere spekter av pre-definerte AI-innsikter (face recognition, celebrity identification, content moderation, observed people detection). Content Understanding er ideell når du trenger tilpassede felt og segmenteringslogikk definert i naturlig språk, mens Video Indexer passer bedre for omfattende, predefinerte video-innsikter.

---

Kjernekomponenter

Støttede modaliteter

Modalitet	Format-eksempler	Bruksområder
Video	MP4, AVI, MOV, MKV	Media asset management, advertising analysis, training videos
Audio	MP3, WAV, AAC, FLAC	Podcast transcription, call center analytics, audio content classification
Dokumenter	PDF, DOCX, XLSX, PPTX, HTML	Document intelligence, form processing, contract analysis
Bilder	JPEG, PNG, BMP, TIFF	Image classification, OCR, visual content analysis

Tekniske begrensninger (video/audio):

• Frame sampling: ~1 FPS (raske bevegelser eller single-frame events kan gå tapt)
• Frame resolution: 512 × 512 px resize (små detaljer eller fjerne objekter kan bli utydelige)
• Audio: Kun tale transkriberes (musikk, lydeffekter, bakgrunnsstøy ignoreres)

Prebuilt analyzers

Analyzer ID	Formål	Output-format
prebuilt-videoSearch	RAG-optimalisert video-analyse med markdown og JSON	Transcript (WEBVTT), keyframes, scene descriptions, segmentering
prebuilt-videoAnalysis	Generell video-metadata for asset management	JSON med visual + audio metadata
prebuilt-documentSearch	Dokument-ekstraksjon for RAG	Markdown med pages, tables, figures, paragraphs

Eksempel (prebuilt-videoSearch output):

# Video: 00:00.000 => 00:06.000
A lively room filled with people watching a sports event on television.

Transcript

WEBVTT

00:03.600 --> 00:06.000
<Speaker 1>Get new years ready.

Key Frames
- 00:00.600 ![](keyFrame.600.jpg)
- 00:01.200 ![](keyFrame.1200.jpg)

Custom analyzers

Definer egne feltschemaer og segmenteringslogikk for å trekke ut domene-spesifikk informasjon.

Nøkkelegenskaper:

• Field extraction: Strukturerte felt (string, array, object, enum) definert i JSON-schema
• Custom segmentation: Naturlig språk-beskrivelser av hvordan video skal segmenteres (nyhetssegmenter, kapitler, annonser)
• Face description (Limited Access): Ansiktsattributter (facial hair, expressions), identifisering av kjente personer

Eksempel (custom analyzer config):

{
  "config": {
    "enableSegment": true,
    "contentCategories": {
      "news-story": {
        "description": "Segment video based on each distinct news segment. Use timestamp to identify start/end, no overlap. Ignore ads.",
        "analyzerId": "NewsAnalyzer"
      }
    },
    "fieldSchema": {
      "fields": {
        "brandLogo": {
          "type": "string",
          "method": "generate",
          "description": "Brand being promoted in the video. Include product name if available."
        },
        "sentiment": {
          "type": "string",
          "method": "classify",
          "enum": ["Positive", "Neutral", "Negative"]
        }
      }
    }
  }
}

Ekstraherte elementer (audioVisual)

Element	Audio	Video	Krever returnDetails: true
Markdown content	✓	✓	Nei
Contents collection	✓	✓	Nei
Transcript phrases	✓	✓	Ja
Timing information	✓	✓	Nei
Key frames	✗	✓	Nei
Camera shots	✗	✓	Ja
Field extraction	✓	✓	Nei

Transcript phrases (JSON):

{
  "transcriptPhrases": [
    {
      "speaker": "Speaker 1",
      "startTimeMs": 280,
      "endTimeMs": 3560,
      "text": "Welcome to this first session",
      "words": []
    }
  ]
}

Keyframes (JSON):

{
  "keyFrameTimesMs": [660, 1320, 2970, 3927, 4884]
}

Keyframes er uniformt samplet fra hver camera shot, minimum én per shot (selv ved korte shots < 1 sekund). Deterministisk utvalg på tvers av kjøringer.

Camera shots (JSON):

{
  "cameraShotTimesMs": [2002, 22356, 26960, 53353]
}

Timestamps indikerer startpunktet for hver shot (unntatt første shot som alltid starter ved 0 ms). Detekterer abrupte og gradvise overganger.

---

Arkitekturmønstre

Mønster 1: RAG-optimalisert video-indexing

Use case: Gjøre video- og audio-innhold søkbart i RAG-workflows (chatbots, agent-systemer).

Arkitektur:

1. Last opp video/audio til Content Understanding med prebuilt-videoSearch analyzer
2. Tjenesten returnerer strukturert markdown (transcript + keyframes) og JSON (fields, segments)
3. Markdown + JSON lagres i Azure AI Search index med multimodal embeddings
4. RAG-systemet søker på tvers av tekst og visuelt innhold

Fordeler:

• Drop-in format for AI Search (ingen post-processing)
• Multimodal søk (tekst + bilde) i én pipeline
• Temporal context bevares (timestamps, keyframes)

Ulemper:

• Frame sampling (~1 FPS) kan miste raske handlinger
• Ikke egnet for real-time eller live video-analyse
• Krever Azure OpenAI/embedding-modeller for vektorisering

Når bruke: E-learning platforms, corporate training libraries, media archives, compliance video search.

---

Mønster 2: Custom media asset management

Use case: Klassifisere og tagge stort video-library med domene-spesifikke kategorier (sport, nyheter, reklame).

Arkitektur:

1. Opprett custom analyzer med feltschema for videoCategory, colorScheme, primaryTopic, brandPresence
2. Aktiver enableSegment: false for hele-video-analyse
3. Batch-prosesser eksisterende video-bibliotek via REST API eller SDK
4. Lagre ekstraherte metadata i database/fabric for filtering og retrieval

Fordeler:

• Fleksibel feltdefinisjon i naturlig språk (ingen ML-trening)
• Støtter både klassifisering (enum) og generering (string)
• Confidence scores for kvalitetssikring

Ulemper:

• Generative modeller konsumerer tokens (kostnad skalerer med video-lengde og antall felt)
• Ikke real-time (asynkron long-running operation)
• Krever manuell validering av ekstraherte verdier for produksjonskritiske use cases

Når bruke: Broadcast media, advertising analysis, sports analytics, news archiving.

---

Mønster 3: Compliance og brand safety screening

Use case: Skanne annonser/video-innhold for upassende innhold, konkurrent-merkevarer, eller regulatoriske krav.

Arkitektur:

1. Kombiner Content Understanding med Azure AI Content Safety (multimodal analysis)
2. Content Understanding ekstraherer brandLogo, spokespersonName, productPlacement
3. Content Safety analyserer visuelt innhold for harm categories (hate, violence, sexual)
4. Custom logic sammenligner ekstraherte felt mot whitelist/blacklist

Fordeler:

• Multimodal harm detection (tekst + bilde kombinert)
• Structured output for audit trails
• Integrasjon med Azure AI Services økosystem

Ulemper:

• Content Safety multimodal er limited til spesifikke regions (East US, West Europe)
• Ingen real-time screening (batch-orientert)
• False positives krever human-in-the-loop review

Når bruke: Ad network compliance, social media moderation, brand safety for advertisers.

---

Beslutningsveiledning

Når bruke Content Understanding vs. Video Indexer

Kriterium	Content Understanding	Video Indexer
Custom field extraction	✅ Ja, via naturlig språk-schema	❌ Nei, predefinerte insights
RAG-optimalisert output	✅ Ja, markdown + JSON drop-in	⚠️ Krever post-processing
Face recognition	❌ Nei (kun face description med Limited Access)	✅ Ja, celebrity + custom faces
Custom segmentation	✅ Ja, NL-basert logic	❌ Nei, predefinert scene detection
Real-time analysis	❌ Nei (async batch)	✅ Ja (live video streaming)
Observed people tracking	❌ Nei	✅ Ja (bounding boxes, clothing detection)
Audio insights	⚠️ Transcript, diarization	✅ Ja, keywords, emotions, topics, audio effects
Pricing model	Token-basert (generative models)	Page/minute-basert (predefined models)

Beslutningstre:

Trenger du real-time analyse?
├─ Ja → Video Indexer (live streaming støtte)
└─ Nei → Trenger du custom fields definert i naturlig språk?
          ├─ Ja → Content Understanding
          └─ Nei → Trenger du face recognition/celebrity identification?
                   ├─ Ja → Video Indexer
                   └─ Nei → Trenger du RAG-optimalisert output uten post-processing?
                            ├─ Ja → Content Understanding (prebuilt-videoSearch)
                            └─ Nei → Vurder begge basert på cost/features

Vanlige feil

Feil	Årsak	Løsning
Manglende detaljer i transcript	returnDetails: false i analyzer config	Sett "returnDetails": true for å få transcriptPhrases, cameraShotTimesMs
Feil språk i transcript	Multilingual transcription brukt på usupportert locale	Spesifiser språk eksplisitt ("language": "nb-NO") eller bruk "auto" kun for supported locales
Tomme custom fields	Prompt-beskrivelse for vag eller motsier video-innhold	Iterer på field descriptions, test med sample videos, bruk method: "classify" + enum for standardiserte verdier
Face description ikke tilgjengelig	Limited Access feature, krever approval	Send Azure support request for å aktivere disableFaceBlurring: true
Høy kostnad på lange videoer	Generative models konsumerer tokens per frame + segment	Optimaliser med enableSegment: false for hele-video, reduser antall custom fields, bruk prebuilt analyzers hvor mulig

Røde flagg

• Video > 2 timer: Content Understanding er optimalisert for kortere videoer (ads, training, clips). For lang-format innhold (filmer, full-length shows), vurder Video Indexer.
• Real-time krav: Content Understanding er asynkron batch-prosessering. For live video, bruk Video Indexer real-time analysis.
• Biometric data uten consent: Face description krever Legal/Privacy review og brukersamtykke under GDPR/AI Act. Ikke aktiver uten juridisk godkjenning.
• Mission-critical accuracy: Generative modeller kan hallusinere. Krever human review for compliance/legal use cases.

---

Integrasjon med Microsoft-stakken

Azure AI Foundry

Content Understanding er en core Foundry service, tilgjengelig via:

• Azure AI Foundry portal: GUI for testing analyzers, viewing results
• Foundry SDK (Python, .NET): ContentUnderstandingClient klasse
• REST API: POST /contentunderstanding/analyzers/{analyzerId}:analyze

Integrasjon med andre Foundry-tjenester:

Tjeneste	Integrasjonspunkt
Azure OpenAI	Generative modeller (GPT-4o, o1) for field extraction og segmentering
Azure AI Speech	Transcription engine (samme språkstøtte som Speech in Foundry Tools)
Azure AI Vision	Image analysis for keyframes (OCR, object detection)
Azure Document Intelligence	Document extraction for multimodal documents (PDF, DOCX)

Azure AI Search

Multimodal search skillset:

Content Understanding kan integreres som skill i Azure AI Search indexer pipeline via Azure Content Understanding skill (cognitive-search-skill-content-understanding).

Sammenligning med Document Layout + Vision vectorization:

Komponent	Document Extraction skill	Document Layout skill	Content Understanding skill
Text location metadata	Nei	Ja (single page)	Ja (cross-page)
Image location metadata	Ja (PDF only)	Ja (multi-format)	Ja (multi-format)
Table extraction	Nei	Nei	Ja (cross-page tables)
Semantic chunking	Nei (use Text Split skill)	Ja (paragraph boundaries)	Ja (semantic units)
Supported formats	PDF, images	PDF, DOCX, XLSX, PPTX	PDF, DOCX, XLSX, PPTX, video, audio
Pricing	AI Search pricing	Document Intelligence pricing	Content Understanding pricing

Når bruke Content Understanding skill:

• Krever cross-page table extraction (contracts, financial reports)
• Multimodal dokumenter med innebygde videoer/audio
• Trenger semantic chunking over paragraph-level chunking

Microsoft Fabric

Ekstraherte metadata kan eksporteres til Fabric for:

• Data lakehouse: Strukturert lagring av video metadata
• Power BI: Dashboards for video analytics (views, sentiment, brand exposure)
• Dataflows: ETL-prosessering av ekstraherte felt

Eksempel-workflow:

1. Content Understanding → JSON output til Azure Blob Storage
2. Fabric dataflow leser JSON fra blob
3. Transformasjon til tabellformat (flate strukturer)
4. Lagre i Fabric lakehouse
5. Power BI rapport over video library insights

Power Platform

Power Automate:

• Trigger: "When video uploaded to SharePoint/Blob"
• Action: Call Content Understanding REST API
• Action: Parse JSON response og lagre til Dataverse/SharePoint list

Power Apps:

• Custom connector for Content Understanding API
• Video metadata viewer app for content editors

AI Builder:

• Ingen direkte integrasjon (AI Builder fokuserer på structured data, forms, text)
• Bruk Content Understanding som preprocessing step før AI Builder models

---

Offentlig sektor (Norge)

GDPR og personvern

Risikovurdering:

Feature	GDPR-risiko	Mitigering
Transcript (speaker diarization)	Moderat (personidentifisering via stemme)	Anonymiser speaker labels ("Speaker 1" vs. navn), lagre transkripsjon separert fra audio-fil
Face description	Høy (biometric data, Article 9)	Krever eksplisitt samtykke, DPIA, Legal review. Ikke aktiver uten godkjenning.
Keyframes	Lav-Moderat (kan inneholde personer)	Blur faces i keyframes hvis nødvendig (custom post-processing)
Custom fields (names, roles)	Høy hvis felt ekstraherer persondata	Definer klare data retention policies, tilgangskontroll, slettingsrutiner

Face description (Limited Access):

• Krever Azure support request + justification
• Microsoft vurderer use case før godkjenning
• Må dokumentere legal basis (consent, public interest, legitimate interest)
• Under AI Act (EU): High-risk system hvis brukt til identifisering i offentlige rom

Schrems II og datasuverenitet

Content Understanding er en Azure Foundry service, underlagt samme datasuverenitet-krav som andre Azure-tjenester.

Data processing locations:

• EU-regioner: West Europe, North Europe (data residency i EU)
• Generative models (Azure OpenAI): Kan prosesseres i US-regions (avhenger av OpenAI deployment)

Anbefalinger:

• Deploy Content Understanding resources i Norway East eller West Europe for EU data residency
• Verifiser at Azure OpenAI deployment også er i EU-region (eller bruk customer-managed keys + EU Boundary)
• For sensitive offentlige videoer: Vurder Azure Government Cloud (ikke tilgjengelig i Norge, men for US gov customers)

Data retention:

• Input-filer lagres ikke av tjenesten (kun transiently under prosessering)
• Output (JSON/markdown) returneres til customer storage (blob, AI Search index)
• Ingen logging av video-innhold i Microsoft telemetry (kun metadata som file size, duration)

AI Act (EU)

Content Understanding faller inn under flere AI Act-kategorier:

Use Case	AI Act Classification	Obligations
Video surveillance (public spaces)	High-risk (Annex III)	Conformity assessment, risk management, transparency, human oversight
Emotion detection (face description)	Prohibited (Article 5) hvis brukt til inferring emotions in workplace/education	Ikke bruk faceSmilingFrowning felt i HR/school contexts
Content moderation	High-risk hvis brukt til automated decision-making	Human review loop, appeal mechanism
Media asset management	Low-risk / minimal risk	Transparency notice (AI-generated metadata)

Compliance checklist:

• DPIA utført hvis face description aktiveres
• Transparency notice til brukere om AI-genererte metadata
• Human-in-the-loop for high-risk decisions (content removal, compliance violations)
• Dokumentasjon av training data (for custom models, hvis relevant)
• Regular accuracy testing og bias monitoring

Forvaltningsloven (Norge)

Hvis Content Understanding brukes i saksbehandling (f.eks. analyse av innsendte videoer i klagesaker):

§ 11 (informasjonsplikt):

• Informer sakspart om at video analyseres med AI
• Forklar hvilke metadata som ekstraheres (transcript, faces, sentiment)
• Gi rett til å motsette seg automatisert behandling

§ 17 (begrunnelsesplikt):

• Vedtak basert på AI-ekstraherte insights må begrunnes
• Ikke "systemet sa at videoen inneholder X" — menneskelig vurdering må dokumenteres

Anbefalinger:

• Bruk Content Understanding som beslutningsstøtte, ikke automatisert saksbehandling
• Lagre audit trail av hvilke felt som ble ekstrahert og hvordan de påvirket beslutning
• Tilby innsyn i ekstraherte metadata til sakspart

---

Kostnad og lisensiering

Prismodell

Content Understanding prises basert på token consumption for generative models + content extraction for audio/video processing.

Komponenter:

Komponent	Prisingsmetrikk	Estimert kostnad (NOK, Feb 2026)
Content extraction (video)	Per minute video	~0.50 NOK/min
Content extraction (audio)	Per minute audio	~0.30 NOK/min
Field extraction (generative)	Per 1000 tokens (input + output)	~0.10 NOK/1K tokens (GPT-4o)
Segmentation (generative)	Per 1000 tokens	Inkludert i field extraction

Eksempel-beregning (5-minutters reklame-video):

1. Content extraction: 5 min × 0.50 NOK = 2.50 NOK
2. Keyframe extraction: 5 frames/min × 5 min = 25 keyframes (inkludert i extraction)
3. Transcript: ~150 ord/min × 5 min = 750 ord ≈ 1000 tokens (inkludert i extraction)
4. Field extraction (3 custom fields):
   • Input: 750 transcript tokens + 25 keyframes × 1000 tokens/image = 25,750 tokens
   • Output: ~500 tokens (3 felt × ~150 tokens hver)
   • Total: 26,250 tokens ≈ 26K tokens × 0.10 NOK/1K = 2.60 NOK
5. Total: 2.50 + 2.60 = 5.10 NOK per video

Prebuilt analyzers:

• prebuilt-videoSearch: Lavere kostnad enn custom (færre tokens, optimaliserte prompts)
• Estimat: 60-70% av custom analyzer kostnad

Optimaliseringstips

Strategi	Besparelse	Trade-off
Bruk prebuilt analyzers	30-40% lavere kostnad	Mindre fleksibilitet i output-format
Disable segmentation (enableSegment: false)	20-30% lavere tokens	Ingen segment-level metadata
Reduser antall custom fields	Lineær besparelse per felt	Mindre granulær metadata
Batch-prosessering	Ingen direkte besparelse, men bedre ressursutnyttelse	Ingen real-time output
Lower frame sampling	Ikke konfigurerbart (fast ~1 FPS)	N/A
Bruk AI Search skill	AI Search absorber en del preprocessing-kostnad	Krever AI Search subscription

Lisensiering

Content Understanding er en Azure Foundry Tools tjeneste, inkludert i:

Lisens	Inkludert	Begrensninger
Azure subscription (pay-as-you-go)	Full tilgang	Kostnad per bruk (token-basert)
Azure commitment (EA)	Inkludert i Foundry commitment	Samme prising, men prepaid credits
Free tier	Ikke tilgjengelig	Krever betalt subscription

MCP-servere (for Claude Code):

• Ingen lisensieringskrav utover Azure subscription
• Bruk microsoft-learn MCP for dokumentasjonssøk (gratis)
• Content Understanding API-tilgang krever Azure keys

---

For arkitekten (Cosmo)

Spørsmål å stille kunden

1. Volum og format:

   • Hvor mange videoer/audio-filer skal prosesseres? (per dag/uke/måned)
   • Typisk video-lengde? (< 5 min, 5-30 min, > 30 min)
   • Format-variasjon? (kun MP4, eller også legacy formater?)

2. Custom fields vs. prebuilt:

   • Trenger dere domene-spesifikke metadata-felt? (Eksempler: productType, complianceStatus, brandSafety)
   • Er predefinerte insights (transcript, keyframes, scene descriptions) tilstrekkelig?
   • Hvor kritisk er accuracy? (toleranse for feil i ekstraherte verdier)

3. Segmentering:

   • Skal videoer analyseres som helhet, eller segmentert i kapitler/scener?
   • Har dere eksisterende segmenteringslogikk? (timecodes, manual tagging)
   • Trenger dere variable segment-lengder? (news clips vs. full episodes)

4. Personvern og compliance:

   • Inneholder videoer personer? (faces, voices)
   • Trenger dere face description/identification? (krever Legal review + Limited Access)
   • Er dette offentlige videoer (web-published) eller interne/sensitive?
   • Hvilke GDPR Article 6/9 legal bases gjelder?

5. Integrasjon:

   • Hvor skal metadata lagres? (AI Search, SQL, Fabric, SharePoint)
   • Trenger dere RAG-optimalisert output? (markdown + embeddings)
   • Eksisterende video storage? (blob, SharePoint, on-prem NAS)
   • Real-time krav? (live video streams vs. batch uploaded files)

6. Kostnad:

   • Hva er budsjettet per video? (eller totalt per måned)
   • Er token-basert prising akseptabelt? (variabel kostnad per video-kompleksitet)
   • Preferanse for flat-rate pricing? (vurder Video Indexer hvis ja)

7. Modenhet:

   • Har teamet erfaring med generative AI APIs?
   • Finnes ML/AI-kompetanse for å validere output-kvalitet?
   • Trenger dere managed service (Azure support) eller self-serve?

8. Fallback og feilhåndtering:

   • Hva skjer hvis analyse feiler? (retry logic, manual fallback)
   • Toleranse for hallucinations i custom fields?
   • Human-in-the-loop review-prosess etablert?

Fallgruver

Fallgruve	Symptom	Forebygging
Over-engineering custom fields	Høy kostnad, treg prosessering, inkonsistente verdier	Start med prebuilt analyzer, iterer til custom fields kun hvis nødvendig
Manglende human review	Feil metadata i produksjon, compliance-brudd	Implementer confidence thresholds, flag lav-confidence outputs for review
Ignorer technical constraints	Klager om "hvorfor fant ikke systemet denne 1-sekunders hendelsen?"	Dokumenter frame sampling (1 FPS) + resolution limits i user documentation
Face description uten Legal review	GDPR/AI Act violations, PR-kriser	Alltid involver Legal før aktivering av disableFaceBlurring
Ingen test av multilingual transcription	Feil språk i transkripsjon, uleselig output	Test med sample files, spesifiser språk eksplisitt vs. auto
Undervurdere token consumption	Budsjettoverskridelse	Kalkuler tokens på forhånd, bruk prebuilt analyzers for cost control
Synkron polling-mønster	Timeout issues, dårlig UX	Bruk async polling (.begin_analyze() + polling hver 20 sek), eller webhooks (ikke GA, men preview)

Anbefalinger per modenhetsnivå

Nivå 1 - Exploratory (PoC):

• Bruk prebuilt-videoSearch for rask demonstrasjon av RAG on video
• Test med 5-10 sample videos (varierende lengde, innhold)
• Deploy i development subscription (ikke prod)
• Fokus: Bevise at teknologien kan ekstrahere relevant info

Nivå 2 - Pilot (MVP):

• Definer 1-3 custom fields basert på faktisk business need
• Implementer confidence thresholds (f.eks. flag outputs < 0.7 confidence for review)
• Deploy i prod-lignende miljø (West Europe eller Norway East)
• Integrer med eksisterende storage (blob, AI Search)
• Etabler cost monitoring (Azure Cost Management alerts)

Nivå 3 - Production (Scale):

• Optimaliser custom field descriptions basert på pilot-data
• Implementer batch-prosessering pipeline (Azure Functions + Durable Functions for orchestration)
• Sett opp monitoring (Application Insights, Log Analytics)
• Legal/Privacy review av face description hvis aktivert
• Etabler SLA for processing time (f.eks. "videoer < 10 min prosesseres innen 5 min")

Nivå 4 - Optimization (Mature):

• A/B-test prebuilt vs. custom analyzers (cost vs. accuracy trade-offs)
• Fine-tune field descriptions basert på production feedback
• Implementer caching av frequently accessed metadata
• Vurder Video Indexer for real-time use cases (hybrid approach)
• Contributor til Microsoft feedback (feature requests, bug reports)

---

Kilder og verifisering

Microsoft Learn (MCP-verifiserte)

Seksjon	Kilde-URL	Konfidensnivå
Video overview, capabilities	https://learn.microsoft.com/en-us/azure/ai-services/content-understanding/video/overview	Verified (Feb 2026)
AudioVisual elements, JSON schema	https://learn.microsoft.com/en-us/azure/ai-services/content-understanding/video/elements	Verified (Feb 2026)
Video Indexer scene/shot/keyframe detection	https://learn.microsoft.com/en-us/azure/azure-video-indexer/scene-shot-keyframe-detection-insight	Verified (Feb 2026)
Standard vs. Pro modes	https://learn.microsoft.com/en-us/azure/ai-services/content-understanding/concepts/standard-pro-modes	Verified (Feb 2026)
Multimodal search (AI Search integration)	https://learn.microsoft.com/en-us/azure/search/multimodal-search-overview	Verified (Feb 2026)
Azure AI Video Indexer insights overview	https://learn.microsoft.com/en-us/azure/azure-video-indexer/insights-overview	Verified (Feb 2026)
Python SDK (ContentUnderstandingClient)	https://learn.microsoft.com/en-us/python/api/overview/azure/ai-contentunderstanding-readme	Verified (Feb 2026)
Data privacy and security	https://learn.microsoft.com/en-us/azure/ai-foundry/responsible-ai/content-understanding/data-privacy	Verified (Feb 2026)

Baseline (modellkunnskap)

Seksjon	Konfidensnivå	Merknad
Kostnadsestimater (NOK)	Baseline (est. Feb 2026)	Priser kan variere, sjekk Azure Pricing Calculator for nøyaktige tall
GDPR/AI Act compliance	Baseline (legal interpretation)	Krever juridisk review per use case, ikke definitive legal advice
Offentlig sektor (Norge) guidance	Baseline (expert recommendation)	Basert på generell forståelse av norske lover, ikke case law
Fallgruver og best practices	Baseline (arkitektur-erfaring)	Basert på typiske anti-patterns, ikke spesifikke customer incidents

Manglende dokumentasjon (gaps)

• Webhooks for async completion: Preview feature, ikke dokumentert i GA docs (per Feb 2026)
• Token consumption per field type: Ingen offisiell dokumentasjon av hvordan method: "classify" vs. "generate" påvirker token usage
• Face description approval process: Limited Access request-prosedyre er dokumentert, men approval-kriterier er ikke offentlige
• AI Search skill pricing: Content Understanding skill pricing er ikke eksplisitt skilt fra Document Extraction/Layout skills i Azure Search pricing page

---

Sist oppdatert av: Cosmo Skyberg Neste review: 2026-04 (eller ved ny GA release av Content Understanding)