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
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
- Azure AI Foundry — Enterprise AI-plattform med full compliance-pakke
- Azure ML + AKS — Mer kontroll, men høyere driftskost
- AWS SageMaker — Konkurransedyktig, men mangler norske compliance-sertifiseringer
- 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