Kjell Tore Guttormsen
b4a5ff0c75
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.
2.1 KiB
2.1 KiB
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.