ktg-plugin-marketplace/plugins/ms-ai-architect/skills/ms-ai-engineering/references/mlops-genaiops/model-versioning-registry-management.md

Model Versioning and Registry Management

Last updated: 2026-04 Verified: MCP 2026-04 Status: GA Category: MLOps & GenAIOps

---

Verified: MCP 2026-04

Introduksjon

Model versioning og registry management er fundamentale komponenter i MLOps-livssyklusen som sikrer sporbarhet, reproduserbarhet og effektiv styring av maskinlæringsmodeller gjennom hele deres levetid. Azure Machine Learning tilbyr to primære tilnærminger: workspace model registry for team-intern bruk og Azure Machine Learning registry for tverrorganisatorisk deling. Begge støtter MLflow som standardformat, noe som gir portabilitet og integrasjon med et bredt økosystem av verktøy.

I moderne ML-operasjoner er utfordringene mange: teams må håndtere flere versjoner av samme modell, spore lineage fra treningsdata til deployment, understøtte A/B-testing og gradual rollout, samt opprettholde compliance med regulatoriske krav. Et robust registry-system løser disse utfordringene ved å tilby sentralisert versjonskontroll, metadata-håndtering, stage management (Development, Staging, Production), og automatisert lineage tracking.

Azure Machine Learning skiller seg fra tradisjonelle Git-baserte tilnærminger ved å behandle modeller som immutable assets med rik metadata, inkludert kobling til treningsjobber, metrics, datasets, miljøer og kode-snapshots. Dette gir end-to-end auditability som er kritisk for regulerte sektorer som finans, helsevesen og offentlig forvaltning. Registry-konseptet muliggjør også cross-workspace deployment, der modeller trenes i development-workspace og distribueres til test- og production-workspaces uten å miste sporbarhet.

---

Kjernekomponenter

Komponent	Beskrivelse	Bruksområde
Workspace Model Registry	Workspace-lokal registry for team-intern modellhåndtering	Single-team ML-prosjekter, prototyping, testing
Azure ML Registry	Multi-workspace registry for organisasjonsomfattende deling	Cross-workspace MLOps, shared components, enterprise governance
Model Versioning	Automatisk versjonering av modeller (v1, v2, v3...)	Tracke model evolution, rollback capability, A/B testing
MLflow Integration	Native støtte for MLflow model format og registry APIs	Portabilitet, standard ecosystem, tooling compatibility
Model Stages	Lifecycle stages (None, Staging, Production, Archived)	Promovering av modeller, deployment gating, governance
Metadata & Lineage	Kobling til treningsjobs, datasets, environments, metrics	Auditability, reproducibility, debugging, compliance
Model Sharing	Copy/share models mellom workspaces og registries	DevOps pipelines (dev → test → prod), team collaboration
Immutable Assets	Models kan ikke endres etter registrering, kun metadata	Data integrity, audit trail, regulatory compliance

Registry-typer sammenlignet

Azure Machine Learning Cross-Workspace Registry (2026)

Azure ML Registry enables model, component, and environment sharing across workspaces and subscriptions:

Two primary scenarios:

1. Cross-workspace MLOps: Train in dev → deploy to test/prod with full lineage (code, data, environment)
2. Cross-team sharing: Publish models/components to central catalog for reuse across teams

Registry operations (CLI v2 / Python SDK v2):

# Create model in registry (from local files)
az ml model create --name nyc-taxi-model --version 1 --type mlflow_model   --path ./artifacts/model/ --registry-name <registry-name>

# Share model from workspace to registry (preserves training lineage)
az ml model share --name nyc-taxi-model --version 1   --registry-name <registry-name> --share-with-name <new-name> --share-with-version 1

# Deploy model from registry to any workspace
# (model: azureml://registries/<registry-name>/models/<name>/versions/<v>)
az ml online-deployment create --file deploy.yml --all-traffic

Python SDK pattern:

ml_client_registry = MLClient(credential=credential, registry_name="<REGISTRY_NAME>")
ml_client_workspace = MLClient(credential=credential, workspace_name="<WS_NAME>", ...)

# Create in registry
ml_client_registry.models.create_or_update(mlflow_model)
# Deploy from registry to workspace
ml_client_workspace.online_deployments.begin_create_or_update(deployment)

Lineage tracking: Models registered from job outputs link back to training job, code, data, and environment. Access control: ACR token-based access (workspace compute has AcrPull via registry's managed identity). MLflow format: Required for no-code deployment with built-in scoring server.

Egenskap	Workspace Registry	Azure ML Registry
Scope	Enkelt workspace	Multi-workspace, cross-subscription
Deling	Kun innen workspace	Tverrorganisatorisk
Lineage	Begrenset til workspace	Bevares på tvers av workspaces
Governance	Team-level	Enterprise-level
Regioner	Workspace region	Multi-region support
Bruksområde	Eksperimentering, team-utvikling	Production deployment, shared assets

Versjoneringsstrategier

Strategi	Implementering	Fordeler	Ulemper
Automatic Incrementing	Azure ML auto-genererer v1, v2, v3...	Enkel, ingen konflikter	Ikke-semantisk, vanskelig å tolke
Semantic Versioning	Custom versioning (1.0.0, 1.1.0, 2.0.0)	Tydelig betydning (major/minor/patch)	Krever manuell styring
Timestamp-based	version=str(int(time.time()))	Unikt, sortérbart	Ikke-menneskelesbart
Git SHA-based	Versjon basert på commit hash	Kobling til kode	Krever Git-integrasjon

---

Arkitekturmønstre

1. Centralized Registry (Enterprise Standard)

Beskrivelse: Én sentral Azure ML Registry for hele organisasjonen, med separate workspaces for dev/test/prod.

┌─────────────────────────────────────────┐
│   Azure ML Registry (Global)            │
│   - Shared models                       │
│   - Shared components                   │
│   - Shared environments                 │
└────────┬────────────┬───────────┬───────┘
         │            │           │
    ┌────▼────┐  ┌────▼────┐  ┌──▼──────┐
    │  Dev    │  │  Test   │  │  Prod   │
    │Workspace│  │Workspace│  │Workspace│
    └─────────┘  └─────────┘  └─────────┘

Fordeler:

• Single source of truth for godkjente modeller
• Forenklet governance og compliance
• Kostnadseffektiv (færre duplikater)
• Enkel audit trail

Ulemper:

• Single point of failure
• Krever robust access control
• Kan bli flaskehals ved høy aktivitet

Best practices:

• Implementer RBAC med minste privilegie-prinsipp
• Automatiser promotering via CI/CD pipelines
• Bruk tags for å markere production-ready models
• Implementer retention policies for gamle versjoner

2. Federated Registry (Multi-team)

Beskrivelse: Separate registries per team/domene, med synkronisering til sentral registry for godkjente modeller.

┌──────────┐  ┌──────────┐  ┌──────────┐
│ Team A   │  │ Team B   │  │ Team C   │
│ Registry │  │ Registry │  │ Registry │
└────┬─────┘  └────┬─────┘  └────┬─────┘
     │             │              │
     └─────────────┼──────────────┘
                   │
            ┌──────▼───────┐
            │   Central    │
            │   Registry   │
            │ (Production) │
            └──────────────┘

Fordeler:

• Autonomi for teams
• Redusert contention
• Isolering av eksperimentering

Ulemper:

• Kompleks synkronisering
• Risiko for duplikater
• Vanskeligere governance

Best practices:

• Definer klare promotion-kriterier
• Automatiser synkronisering med Azure Pipelines
• Implementer naming conventions (team-prefixes)
• Bruk MLflow stages for å markere promotionskandidater

3. Git-based Versioning (Code-centric)

Beskrivelse: Modell-versjonering koblet til Git-commits, med Azure ML Registry som artifact store.

┌──────────────┐     ┌──────────────┐
│  Git Repo    │     │  Azure ML    │
│  - Model code│────▶│  Registry    │
│  - Config    │     │  - Models    │
│  - SHA: abc1 │     │  - Version:  │
└──────────────┘     │    v-abc1    │
                     └──────────────┘

Fordeler:

• Sterk kobling mellom kode og modell
• Reproducibility via Git checkout
• Leverages existing Git workflows

Ulemper:

• Krever disiplin i Git-praksis
• Git ikke designet for store binary artifacts
• Kompleks å implementere

Best practices:

• Bruk Git LFS for modell-binaries
• Tag Git commits ved model registration
• Inkluder Git SHA i model metadata
• Kombiner med Azure ML lineage tracking

---

Beslutningsveiledning

Velge registry-strategi

Scenario	Anbefalt tilnærming	Begrunnelse
Single team, early stage	Workspace Registry	Enklest, lavest overhead
Multiple teams, shared models	Centralized Registry	Governance, gjenbruk
Autonomous teams	Federated Registry	Autonomi, skalerbarhet
Regulated industry	Centralized + Stages	Compliance, audit trail
Rapid experimentation	Workspace Registry	Fleksibilitet
Production deployment	Azure ML Registry	Cross-workspace support

Når bruke MLflow stages

Stage	Bruksområde	Typisk workflow
None	Nyregistrerte modeller, eksperimentering	Automatisk tildelt ved registrering
Staging	Testing i staging-miljø	Manuell/automatisk promotering fra None
Production	Live deployment	Promoteres etter testing i Staging
Archived	Utdaterte modeller, ikke lenger i bruk	Automatisk eller manuell archivering

VIKTIG: Stages er kun tilgjengelig via MLflow SDK, ikke i Azure ML Studio UI. Deployment fra stage støttes ikke direkte i Azure ML online endpoints.

Vanlige feil

Feil	Konsekvens	Løsning
Manglende versjoneringskonvensjon	Kaos, vanskeligere å spore endringer	Definer og dokumenter strategi (auto/semantic/timestamp)
Ingen lineage tracking	Umulig å reprodusere resultater	Registrer modeller fra runs, ikke lokale filer
Overforbruk av stages	Forvirring, inconsistent deployment	Bruk stages kun for governance, ikke som deployment target
Manglende cleanup	Kostnad, clutter	Implementer retention policies (slett versjoner eldre enn X måneder)
Direkte editing av production models	Immutability violation (umulig i Azure ML)	Opprett ny versjon i stedet
Manglende RBAC	Security risk	Implementer role-based access control

Røde flagg

• Ingen clear ownership av registry → definer ansvarlige
• Manuell registrering i production → automatiser via CI/CD
• Manglende documentation av versjoner → bruk description og tags
• Ingen rollback-strategi → test rollback procedures
• Cross-workspace registration uten lineage → bruk .share() i stedet for ny registration

---

Integrasjon med Microsoft-stakken

Azure ML + MLflow

Azure ML har native MLflow-integrasjon som gir:

• MLflow Tracking URI: azureml://<workspace>
• MLflow Registry URI: azureml://<workspace> (workspace) eller azureml://registries/<registry-name> (registry)
• MLflow SDK compatibility: Bruk standard MLflow APIs (mlflow.register_model(), client.get_model_version())
• Automatic lineage: Modeller registrert fra runs beholder metadata

Eksempel: Registrer modell fra run

import mlflow

# Fra MLflow run
mlflow.register_model(f"runs:/{run_id}/model", model_name="my-model")

# Fra lokal fil
mlflow.register_model(f"file:///path/to/model", model_name="my-model")

Azure DevOps / GitHub Actions

CI/CD pipeline for model promotion:

1. Trigger: Ny modell registrert i dev workspace (Azure Event Grid)
2. Validation: Run tests mot modell (accuracy, latency, fairness)
3. Stage transition: Promote til Staging via MLflow SDK
4. Deploy to test: Deploy til test workspace endpoint
5. Smoke tests: Kjør integrasjonstester
6. Promote to Production: Transition til Production stage
7. Deploy to prod: Deploy til production workspace endpoint

Azure Pipelines YAML eksempel:

trigger:
  - main

pool:
  vmImage: 'ubuntu-latest'

steps:
- task: AzureCLI@2
  inputs:
    azureSubscription: 'my-subscription'
    scriptType: 'bash'
    scriptLocation: 'inlineScript'
    inlineScript: |
      # Share model from dev to registry
      az ml model share --name my-model --version 1 \
        --registry-name prod-registry \
        --workspace-name dev-workspace \
        --resource-group dev-rg

Azure AI Foundry

Azure AI Foundry Model Catalog bruker samme underliggende registry-infrastruktur:

• Serverless API deployments: Registrer modeller i Foundry Models for API-tilgang
• Managed compute deployments: Bruk Azure ML Registry for deployment til VMs
• Model benchmarking: Sammenlign modellversjoner med benchmark metrics
• Multi-modal support: Registry støtter ikke bare tabular, men også CV og NLP modeller

Power Platform AI

Scenario: Registrer Custom AI Builder model i Azure ML Registry for reuse.

Merk (Verified MCP 2026-04): For production online endpoint deployments anbefaler Microsoft nå Microsoft Entra token-based authentication (aad_token) fremfor key-based authentication for forbedret sikkerhet via identity-based access control.

• Tren modell i AI Builder
• Eksporter modell (hvis tilgjengelig)
• Registrer i Azure ML Registry som MLflow model
• Deploy til Azure ML online endpoint
• Konsumer via Power Automate (HTTP connector)

Begrensning: AI Builder modeller er typisk ikke eksporterbare i MLflow-format. Vurder å re-implementere i Azure ML for full registry-støtte.

---

Offentlig sektor (Norge)

Sporbarhet og revisjon

Offentlig sektor i Norge har strenge krav til sporbarhet, spesielt for AI-systemer som påvirker borgere direkte (f.eks. NAV, Skatteetaten, helsesektor). Azure ML Registry oppfyller disse kravene ved:

Krav	Hvordan Azure ML Registry støtter
Lineage tracking	Automatisk kobling til treningsjobs, datasets, code snapshots
Audit trail	Immutable models, versioned metadata, Event Grid events
Data residency	Registry kan konfigureres i Norway East/West regioner
Access logs	Azure Monitor + Log Analytics for full audit trail
Retention policies	Automatisk sletting etter X år (GDPR compliance)

AI Act (EU) compliance

EU AI Act krever dokumentasjon av "high-risk" AI-systemer. Azure ML Registry gir:

• Model cards: Description field for model documentation
• Risk classification tags: Bruk tags (risk:high, domain:health)
• Validation metrics: Lagre fairness, accuracy, robustness metrics
• Conformity assessment: Koble til Conformity Assessment Body via metadata

Eksempel tags for AI Act:

client.set_model_version_tag(
    name="risk-model",
    version="1",
    key="eu_ai_act_risk_level",
    value="high"
)
client.set_model_version_tag(
    name="risk-model",
    version="1",
    key="conformity_assessment_body",
    value="CAB-123456"
)

Dokumentasjonskrav

Offentlige virksomheter må dokumentere:

• Treningsdata: Kobling til dataset via lineage
• Bias testing: Lagre fairness metrics i model metadata
• Menneskerettsvurdering: Inkluder i model description
• Personvernkonsekvens (DPIA): Referer til DPIA-dokument i tags

Best practice: Bruk Azure ML Registry description field til å lenke til ekstern dokumentasjon (Confluence, SharePoint) for compliance-dokumenter.

---

Kostnad og lisensiering

Azure ML Pricing

Komponent	Kostnad	Detaljer
Model Registry storage	~$0.05 per GB/måned	Standard Azure Blob Storage pricing
Registry operations	Gratis	Create, read, update, delete operasjoner
Workspace	Gratis	Kun compute og storage koster
Lineage metadata	Inkludert	Ingen ekstra kostnad for metadata
Cross-region data transfer	~$0.02 per GB	Hvis registry og workspace i ulike regioner

Storage-kostnader

Modellstørrelse påvirker kostnader direkte:

• Small model (< 100 MB): Neglisjerbar kostnad (~$0.005/måned per versjon)
• Medium model (1 GB): ~$0.05/måned per versjon
• Large model (10 GB): ~$0.50/måned per versjon
• XL model (100 GB): ~$5/måned per versjon

Eksempel: 50 versjoner av en 5 GB modell = 250 GB = ~$12.50/måned.

Optimaliseringstips

Strategi	Besparelse	Implementering
Retention policy	30-50%	Slett versjoner eldre enn 6-12 måneder
Compression	20-40%	Bruk MLflow model compression (hvis tilgjengelig)
Deduplication	10-30%	Azure Blob Storage dedupliserer automatisk
Archive tier	70%	Flytt gamle versjoner til Archive tier (manuelt)
Shared registries	40-60%	Unngå duplikater på tvers av workspaces

Automatisk cleanup eksempel (Azure CLI):

# Slett versjoner eldre enn 12 måneder
cutoff_date=$(date -d '12 months ago' +%Y-%m-%d)
az ml model list --registry-name my-registry --query "[?created<'$cutoff_date'].{name:name,version:version}" -o tsv \
  | while read name version; do
      az ml model delete --name $name --version $version --registry-name my-registry --yes
    done

Lisensiering

• Azure ML: Inkludert i Azure subscription, ingen ekstra lisens
• MLflow: Open source (Apache 2.0), gratis
• Azure DevOps: Gratis for opp til 5 brukere, deretter ~$50/bruker/måned
• GitHub Actions: 2000 minutter gratis/måned, deretter ~$0.008/minutt

---

For arkitekten (Cosmo)

Spørsmål å stille kunden

1. Organisasjonsstruktur:

   • Har dere ett sentralt ML-team eller flere autonome teams?
   • Trenger dere å dele modeller på tvers av teams/avdelinger?
   • Skal modeller deles på tvers av Azure-subscriptions?

2. Deployment-mønster:

   • Bruker dere separate workspaces for dev/test/prod?
   • Hvor mange miljøer skal modeller deployes til?
   • Kreves manuell godkjenning før production deployment?

3. Compliance og governance:

   • Hvilke regulatoriske krav har dere (AI Act, GDPR, bransje-spesifikke)?
   • Må dere kunne reprodusere modeller fra for X år tilbake?
   • Trenger dere audit trail for hvem som godkjente en modell?

4. Eksisterende verktøy:

   • Bruker dere allerede MLflow eller andre model registry-verktøy?
   • Har dere etablerte Git-workflows for ML-kode?
   • Bruker dere Azure DevOps, GitHub Actions eller annet CI/CD-verktøy?

5. Skalering:

   • Hvor mange modeller forventes registrert per år?
   • Hva er typisk modellstørrelse (MB/GB)?
   • Hvor lenge må modellversjoner oppbevares?

6. Data residency:

   • Må modeller og metadata lagres i Norge/EU?
   • Er det krav til multi-region backup?

7. Team-modenhet:

   • Har teamet erfaring med MLOps-verktøy?
   • Er det behov for opplæring i MLflow og Azure ML Registry?
   • Finnes det dedikerte ML-engineers eller primært data scientists?

8. Kostnadssensitivitet:

   • Hva er budsjett for storage og compute?
   • Er det behov for aggressive retention policies?

Fallgruver å unngå

Fallgruve	Konsekvens	Mitigering
Over-engineering: Implementere federated registry når workspace registry holder	Kompleksitet, overhead	Start enkelt, skalér ved behov
Under-engineering: Kun lokale filer, ingen registry	Kaos, manglende sporbarhet	Implementer minimum workspace registry fra dag 1
Manglende CI/CD: Manuell model promotion	Feil, langsomhet	Automatiser med Azure Pipelines/GitHub Actions
Ignorer MLflow stages: Bruke custom tags for lifecycle	Reinventing the wheel	Bruk standard stages (None, Staging, Production, Archived)
Glemme RBAC: Alle har write-tilgang	Security risk	Implementer least-privilege RBAC fra start
Ingen naming conventions: Kaos i model naming	Vanskelig å finne modeller	Definer og enforcer conventions (team-prefix, domain, etc.)
Mangel på metadata: Bare modell-binaries	Umulig å forstå hva modellen gjør	Påkreve description, tags, og lineage
Manglende testing før production: Deploye direkte fra dev	Production failures	Alltid test i staging-miljø først

Anbefalinger per modenhetsnivå

Level 1: Experimentation (Startup/PoC)

• Registry: Workspace Registry
• Versioning: Automatic incrementing
• Stages: None og Production (minimal)
• CI/CD: Manuell deployment
• Lineage: Optional
• Fokus: Rask iterasjon, minimal overhead

Level 2: Structured Development (Small team, production)

• Registry: Workspace Registry med separate dev/prod workspaces
• Versioning: Semantic eller timestamp
• Stages: Full stage lifecycle (None → Staging → Production → Archived)
• CI/CD: Semi-automatisert med scripts
• Lineage: Mandatory (registrer fra runs)
• Fokus: Reproduserbarhet, basic governance

Level 3: Scaled MLOps (Enterprise, multiple teams)

• Registry: Azure ML Registry (centralized eller federated)
• Versioning: Semantic + Git SHA
• Stages: Full stage lifecycle + custom metadata
• CI/CD: Fullstendig automatisert via Azure DevOps/GitHub Actions
• Lineage: Mandatory + extended metadata (DPIA, AI Act compliance)
• Fokus: Governance, compliance, skalerbarhet

Level 4: Advanced Governance (Regulated industry)

• Registry: Multi-region Azure ML Registry med backup
• Versioning: Semantic + Git SHA + immutable audit trail
• Stages: Full stage lifecycle + approval workflows
• CI/CD: Fully automated + manual approval gates
• Lineage: Mandatory + comprehensive documentation (model cards, risk assessments)
• Monitoring: Real-time model drift detection + automated retraining triggers
• Fokus: Compliance, auditability, risk management

---

Kilder og verifisering

Microsoft Learn (Verified via MCP research, April 2026)

1. Share models, components, and environments across workspaces with registries

   • URL: https://learn.microsoft.com/en-us/azure/machine-learning/how-to-share-models-pipelines-across-workspaces-with-registries?view=azureml-api-2
   • Confidence: Verified (Full document fetch, Feb 2026)
   • Coverage: Registry architecture, workspace vs. registry, model sharing, cross-workspace deployment

2. Manage models registry in Azure Machine Learning with MLflow

   • URL: https://learn.microsoft.com/en-us/azure/machine-learning/how-to-manage-models-mlflow?view=azureml-api-2
   • Confidence: Verified (Full document fetch, Feb 2026)
   • Coverage: MLflow integration, stages, versioning, CRUD operations, limitations

3. MLOps model management with Azure Machine Learning

   • URL: https://learn.microsoft.com/en-us/azure/machine-learning/concept-model-management-and-deployment?view=azureml-api-2
   • Confidence: Verified (MCP search results, Feb 2026)
   • Coverage: MLOps capabilities, lifecycle automation, metadata, lineage

4. Azure Machine Learning model monitoring

   • URL: https://learn.microsoft.com/en-us/azure/machine-learning/concept-model-monitoring?view=azureml-api-2
   • Confidence: Verified (MCP search results, Feb 2026)
   • Coverage: Model monitoring, drift detection, lifecycle management

5. Set up MLOps with Azure DevOps

   • URL: https://learn.microsoft.com/en-us/azure/machine-learning/how-to-setup-mlops-azureml?view=azureml-api-2
   • Confidence: Verified (MCP search results, Feb 2026)
   • Coverage: CI/CD integration, Azure Pipelines, MLOps automation

6. Explore Microsoft Foundry Models

   • URL: https://learn.microsoft.com/en-us/azure/ai-foundry/concepts/foundry-models-overview?view=foundry-classic
   • Confidence: Verified (MCP search results, Feb 2026)
   • Coverage: Model catalog, deployment options, Azure AI Foundry integration

7. MLflow Python SDK code samples

   • URL: Multiple code samples from Microsoft Learn
   • Confidence: Verified (MCP code sample search, Feb 2026)
   • Coverage: Model registration, versioning, stage transitions, MLflow client APIs

Konfidensnivå per seksjon

Seksjon	Konfidens	Begrunnelse
Introduksjon	Verified	Basert på offisiell Azure ML dokumentasjon
Kjernekomponenter	Verified	Fra MLflow og Azure ML docs (registry, stages, metadata)
Arkitekturmønstre	Baseline + Expert	Patterns er standard MLOps (Verified), implementasjonsdetaljer er ekspertbaserte anbefalinger
Beslutningsveiledning	Baseline + Expert	Basert på best practices fra Microsoft Learn og bransjeerfaring
Microsoft-integrasjon	Verified	Azure DevOps, GitHub Actions, AI Foundry integrasjon fra offisiell dokumentasjon
Offentlig sektor (Norge)	Baseline + Local	AI Act er Verified (EU regulation), Norge-spesifikke krav er lokalkunnskap
Kostnad og lisensiering	Verified	Azure Blob Storage pricing er offentlig tilgjengelig, optimaliseringstips er ekspertbaserte
For arkitekten	Expert	Spørsmål og anbefalinger basert på praktisk erfaring og MLOps best practices

MCP research summary

• Total searches: 3 (Azure ML registry, AI Foundry, MLOps lifecycle)
• Document fetches: 2 (Full registry guide, MLflow management guide)
• Code samples: 1 (MLflow Python SDK examples)
• Unique sources: 7 Microsoft Learn articles
• Research timestamp: April 2026

---

Oppsummering for Cosmo: Model versioning og registry management er fundamentet for skalerbar MLOps. Azure ML Registry + MLflow gir et kraftig, standardbasert økosystem som støtter alt fra single-team experimentation til enterprise-scale governance. For offentlig sektor i Norge er lineage tracking og audit trail-capabilities kritiske for å oppfylle AI Act og GDPR. Start med workspace registry for eksperimentering, migrer til Azure ML Registry når modeller skal deles på tvers av teams eller deployes til separate production-miljøer. Automatiser model promotion via CI/CD for å redusere feil og øke hastighet.