Kjell Tore Guttormsen b4a5ff0c75 test(ms-ai-architect): playground v3 markdown fixtures (17 commands) [skip-docs]

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.

2026-05-03 19:23:26 +02:00

2.5 KiB

Raw Blame History

AI-arkitekturutredning — ANPR-trafikkanalyse for Statens vegvesen

1. Bakgrunn og formål

Statens vegvesen har siden 2018 driftet en on-prem ANPR-løsning for trafikkanalyse på riksveger og enkelte kommunale veger. Løsningen er basert på 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. KI-seksjonen 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 ANPR-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). Statens vegvesen 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 offentlig sektor
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 kjennemerker, 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