Kjell Tore Guttormsen e57dee5a03 chore(ms-ai-architect): scrub identifying references from fixtures + remove screenshots

Removes:
- All 6 PNG screenshots (playground/screenshots/) and the capture script
  (scripts/screenshots/capture-playground.py).
- "Screenshots" section from plugin README.
- "Screenshot-suite" section from plugin CLAUDE.md.
- Screenshots bullet from marketplace root README's ms-ai-architect listing.

Scrubs the 17 synthetic fixtures + CHANGELOG/CLAUDE/README of identifying
references: organization names, government-agency names, agency-specific
terminology, sector-specific use cases. Replaced with generic placeholder
data ("Acme AS" / "Demosystem") that exercises the same parser archetypes.

Plugin's domain-target wording (Datatilsynet, offentlig sektor, offentlig
myndighet, rettshåndhevelse, NS 5814, Utredningsinstruksen, EU AI Act
Annex III categories) is intact — those describe the plugin's intended
audience, not any specific entity.

This is a cleanup commit. Earlier git history still contains the prior
references; force-push or rebase is required if scrubbing the history is
desired. That decision is out of scope here — please run it separately
if needed.

Verified post-scrub:
- bash tests/validate-plugin.sh -> 215/215 PASS
- bash tests/run-e2e.sh --playground -> 240/240 PASS (170 + 70)

2026-05-03 20:53:49 +02:00

2.5 KiB

Raw Blame History

AI-arkitekturutredning — Demosystem for Acme AS

1. Bakgrunn og formål

Acme AS har siden 2018 driftet en on-prem Demosystem-løsning for operasjonell analyse på tvers av leverandørens tjenesteportefølje. Løsningen er basert på et 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. Et internt AI-team 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 Demosystem-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). Acme AS 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 leverandøren
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 objekt-ID, 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)

2.5 KiB Raw Blame History