open/ms-ai-architect
1
0
Fork 0
Code Issues Pull requests Releases Wiki Activity Actions

docs(ms-ai-architect): KB-refresh tema-b — Foundry-navnesveip «Azure AI Foundry»→«Microsoft Foundry» (233 filer)

Browse source 
Verifisert mot offisiell MS-doc (juni 2026): «Microsoft Foundry» er det
gjeldende produkt-/portalnavnet; «Foundry (classic)» = gamle «Azure AI Foundry»
(/azure/foundry/ vs /azure/foundry-classic/). Premiss bekreftet før sveip.

Multi-regel, IKKE naiv s/Azure AI Foundry/Microsoft Foundry/ — MS dropper
«Azure AI» (legger IKKE til «Microsoft») for to produktvarianter:
- «Azure AI Foundry Agent[ Service|s]» → «Foundry Agent Service/Agents» (MS-form)
- «Azure AI Foundry Models» → «Foundry Models» (i «Azure OpenAI in Foundry Models»)
- «Azure AI Foundry SDK» → «Microsoft Foundry SDK» (operatør-valg)
- «Azure AI Foundry portal/project» + generisk → «Microsoft Foundry»
- Pre-eksisterende «Microsoft Foundry Models» (4) normalisert → «Foundry Models»

Bevart: «Azure OpenAI», «Azure AI Inference SDK», «Azure AI Search»,
«Azure AI Services», kode-IDer. Historisk ref «(tidligere Azure AI Foundry)»
i model-catalog-2026.md beskyttet via lookbehind. URL /azure/ai-foundry/→
/azure/foundry/ kun i owasp-llm-top10 (KB-ref); docs/-filer deferred.

Scope: skills (inkl. 3 SKILL.md) + commands + agents + README + CLAUDE.
Ekskludert: docs/ (interne), playground/+tests/ fixtures (testdata),
CHANGELOG.md (historisk logg), STATE.md (gitignored).

3 SKILL.md endret (advisor/engineering/security) → judge-cache teknisk
invalidert for disse, men scorer uendret: advisor 91, eng/gov/infra/sec 96
(alle ≥90). validate 239/0. 0 «Azure AI Foundry» igjen (utenom bevart ref).

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
This commit is contained in:
Kjell Tore Guttormsen 2026-06-23 21:00:27 +02:00
commit 03d596e4ec
233 changed files with 810 additions and 810 deletions
Download patch file Download diff file Expand all files Collapse all files

4
CLAUDE.md
View file

@ -5,7 +5,7 @@ Microsoft AI Solution Architect plugin for Claude Code.
## Hva denne pluginen gjør
Tilbyr strukturert arkitekturveiledning for Microsoft AI-stakken:
- Azure AI Foundry, Copilot Studio, M365 Copilot
- Microsoft Foundry, Copilot Studio, M365 Copilot
- Power Platform AI (AI Builder, Power Automate)
- Microsoft Agent Framework
- Sikkerhet og compliance
@ -143,5 +143,5 @@ Se `references/architecture/recommended-mcp-servers.md` for detaljer.
- `ms-rag-architect` — RAG-spesialist (egen plugin)
- `ms-power-automate-architect` — Power Automate deep-dive
- `ms-azure-ai-architect` — Azure AI Services deep-dive
- `ms-foundry-architect` — Azure AI Foundry spesialist
- `ms-foundry-architect` — Microsoft Foundry spesialist
- `ms-copilot-studio-architect` — Copilot Studio spesialist

6
README.md
View file

@ -37,7 +37,7 @@ A Claude Code plugin that provides structured architecture guidance across the f
## What Is This?
This plugin gives you access to **Cosmo Skyberg**, a virtual Microsoft AI solution architect who guides you through structured decision-making across Azure AI Foundry, Copilot Studio, Power Platform AI, Microsoft 365 Copilot, and the broader Microsoft agent ecosystem.
This plugin gives you access to **Cosmo Skyberg**, a virtual Microsoft AI solution architect who guides you through structured decision-making across Microsoft Foundry, Copilot Studio, Power Platform AI, Microsoft 365 Copilot, and the broader Microsoft agent ecosystem.
Unlike a chatbot that answers questions, Cosmo follows a **7-phase advisory methodology**: understand the business need, map the technical context, assess team capability, validate against live documentation, integrate domain knowledge from 380 reference documents, deliver a concrete architecture recommendation, and optionally visualize it.
@ -220,7 +220,7 @@ Architecture decision trees, platform comparison matrices, Cosmo persona definit
### ms-ai-engineering (153 refs)
RAG implementation patterns, agent orchestration, Azure AI Foundry, Copilot Studio extensibility, AI Builder, multimodal processing, Semantic Kernel, MLOps pipelines.
RAG implementation patterns, agent orchestration, Microsoft Foundry, Copilot Studio extensibility, AI Builder, multimodal processing, Semantic Kernel, MLOps pipelines.
### ms-ai-governance (78 refs)
@ -465,7 +465,7 @@ The playground loads CSS from `playground/vendor/playground-design-system/` —
|--------|-------------|
| Copilot Family | Microsoft 365 Copilot, Copilot Studio, Sales Copilot, Service Copilot |
| Power Platform | Power Automate, Power Apps, AI Builder |
| Azure AI Foundry | Agent Service, Model Router, Prompt Flow, Model Catalog |
| Microsoft Foundry | Agent Service, Model Router, Prompt Flow, Model Catalog |
| Azure AI Services | Azure OpenAI, AI Search, Document Intelligence, Speech, Vision |
| Development | Microsoft Agent Framework, Semantic Kernel, AutoGen |
| Security | Microsoft Purview, Defender for Cloud, Content Safety |

2
agents/architecture-review-agent.md
View file

@ -191,7 +191,7 @@ Use `microsoft_docs_search` to verify:
Example queries:
- "Azure Well-Architected Framework AI workloads"
- "Copilot Studio governance best practices"
- "Azure AI Foundry security configuration"
- "Microsoft Foundry security configuration"
### 4. Assess Each Dimension
For each of the 6 dimensions:

2
agents/cost-estimation-agent.md
View file

@ -20,7 +20,7 @@ You are a Microsoft AI cost analyst specializing in estimating and comparing cos
## Your Mission
Provide accurate, comprehensive cost estimates for Microsoft AI solutions including Azure AI Foundry, Copilot Studio, Power Platform AI, and M365 Copilot. Always present costs in Norwegian Kroner (NOK) and clearly distinguish between verified and estimated pricing.
Provide accurate, comprehensive cost estimates for Microsoft AI solutions including Microsoft Foundry, Copilot Studio, Power Platform AI, and M365 Copilot. Always present costs in Norwegian Kroner (NOK) and clearly distinguish between verified and estimated pricing.
## Cost Estimation Process

2
agents/license-mapper-agent.md
View file

@ -65,7 +65,7 @@ For each license type provided:
5. AI Builder (document processing, prediction, text)
6. Power Automate AI features
7. Azure OpenAI Service
8. Azure AI Foundry
8. Microsoft Foundry
9. Azure AI Search
10. Microsoft Agent Framework

2
agents/onboarding-agent.md
View file

@ -103,7 +103,7 @@ After answers, write `security-compliance.md` to the data directory.
**Hint — typisk relevant / sjelden relevant:** Del med brukeren før spørsmålene: «Ikke bestemt» / «Ikke definert» er fullgode svar tidlig — rådene tilpasses da bredere. Sjelden relevant: å låse plattformvalget her før dere har kjørt en sammenligning (`/architect:compare`).
Collect:
- **Foretrukket plattform for AI:** Use AskUserQuestion with options: Azure AI Foundry, Copilot Studio, Power Platform/AI Builder, Semantic Kernel, Ikke bestemt
- **Foretrukket plattform for AI:** Use AskUserQuestion with options: Microsoft Foundry, Copilot Studio, Power Platform/AI Builder, Semantic Kernel, Ikke bestemt
- **Integrasjonsbehov:** Use AskUserQuestion with multiSelect: Microsoft 365, SharePoint, Dynamics 365, SAP, Fagsystemer, REST API-er, Annet
- **Budsjettramme for AI-initiativer (årlig):** Use AskUserQuestion with options: <500k NOK, 500k-2M NOK, 2M-10M NOK, >10M NOK, Ikke definert

2
commands/adr.md
View file

@ -15,7 +15,7 @@ Generer en ADR i MADR v3.0-format basert på arkitekturbeslutninger tatt i denne
### 1. Identifiser beslutning
Gjennomgå samtalehistorikken og identifiser arkitekturbeslutninger:
- Plattformvalg (Copilot Studio vs Azure AI Foundry, etc.)
- Plattformvalg (Copilot Studio vs Microsoft Foundry, etc.)
- Deployment-modeller (Standard vs PTU, serverless vs managed)
- Dataarkitektur (RAG-strategi, søketjeneste, datakilder)
- Sikkerhetsmodeller (identity, network, content safety)

2
commands/compare.md
View file

@ -22,7 +22,7 @@ Ekstraher fra argumentet:
| Alias | Full navn |
|-------|-----------|
| Foundry, AIF | Azure AI Foundry |
| Foundry, AIF | Microsoft Foundry |
| CS, Copilot Studio | Copilot Studio |
| M365, Copilot | M365 Copilot |
| PP, Power Platform | Power Platform AI |

4
commands/diagram.md
View file

@ -23,7 +23,7 @@ Ekstraher fra argumentet:
| Type | Beskrivelse | Eksempel |
|------|-------------|---------|
| `architecture` | Komplett arkitekturoversikt med alle komponenter | `/architect:diagram architecture for Copilot Studio chatbot` |
| `security` | Sikkerhetssoner og tilgangskontroll | `/architect:diagram security for Azure AI Foundry med PII-data` |
| `security` | Sikkerhetssoner og tilgangskontroll | `/architect:diagram security for Microsoft Foundry med PII-data` |
| `dataflow` | Dataflyt og RAG-pipeline | `/architect:diagram dataflow for RAG med SharePoint og Azure AI Search` |
| `problem` | Før/etter-sammenligning | `/architect:diagram problem for manuell saksbehandling → AI-assistert` |
| `roadmap` | Implementeringstidslinje | `/architect:diagram roadmap for 3-fase Copilot Studio-utrulling` |
@ -74,7 +74,7 @@ Tilby:
```
/architect:diagram architecture for Copilot Studio kundeservice-agent
/architect:diagram security for Azure AI Foundry med sensitive persondata
/architect:diagram security for Microsoft Foundry med sensitive persondata
/architect:diagram dataflow for RAG-pipeline med SharePoint, Azure AI Search og GPT-4o
/architect:diagram problem for manuell dokumenthåndtering → AI-klassifisering
/architect:diagram roadmap for 4-fase Copilot Studio-implementering

2
commands/help.md
View file

@ -68,7 +68,7 @@ Presenter følgende oversikt til brukeren i et ryddig, tabellbasert format.
## Kunnskapsbaser
### Plattformer (`references/platforms/`)
- Azure AI Foundry, Copilot Studio, M365 Copilot, Power Platform
- Microsoft Foundry, Copilot Studio, M365 Copilot, Power Platform
### Arkitektur (`references/architecture/`)
- Decision trees, Security, ADR-template, Cost models

2
commands/license.md
View file

@ -51,7 +51,7 @@ Verifiser kritiske punkter via microsoft_docs_search."
| Copilot Studio | ... | ... |
| AI Builder | ... | X credits/bruker/mnd |
| Azure OpenAI | ... | Separat Azure-abonnement |
| Azure AI Foundry | ... | ... |
| Microsoft Foundry | ... | ... |
| Power Automate AI | ... | ... |
**Viktige merknader:**

2
commands/research.md
View file

@ -22,7 +22,7 @@ Ekstraher:
| Alias | Full navn |
|-------|-----------|
| Foundry, AIF | Azure AI Foundry |
| Foundry, AIF | Microsoft Foundry |
| CS | Copilot Studio |
| M365, Copilot | M365 Copilot |
| PP | Power Platform AI |

8
skills/ms-ai-advisor/SKILL.md
View file

@ -1,7 +1,7 @@
---
name: ms-ai-advisor
description: >-
Microsoft AI platform selection — choosing between Azure AI Foundry, M365 Copilot, Copilot Studio, Power Platform, Azure OpenAI, and Microsoft Agent Framework for a given scenario. The Cosmo Skyberg persona drives structured problem understanding before recommending a platform and is explicit about trade-offs. Use for which-platform-fits decisions, NOT for how to build (engineering), secure (security), operate (infrastructure), or legally assess (governance) a chosen solution. Triggers on: "which Microsoft AI platform", "Copilot vs Foundry", "Copilot Studio or Azure AI Foundry", "help me choose an AI platform", "Cosmo", "/architect".
Microsoft AI platform selection — choosing between Microsoft Foundry, M365 Copilot, Copilot Studio, Power Platform, Azure OpenAI, and Microsoft Agent Framework for a given scenario. The Cosmo Skyberg persona drives structured problem understanding before recommending a platform and is explicit about trade-offs. Use for which-platform-fits decisions, NOT for how to build (engineering), secure (security), operate (infrastructure), or legally assess (governance) a chosen solution. Triggers on: "which Microsoft AI platform", "Copilot vs Foundry", "Copilot Studio or Microsoft Foundry", "help me choose an AI platform", "Cosmo", "/architect".
---
> **INSTRUKSJON:** Du ER Cosmo Skyberg. Følg arbeidsprosessen nedenfor.
@ -10,7 +10,7 @@ description: >-
# Cosmo Skyberg - Microsoft AI Solution Architect
Du er Cosmo Skyberg, en erfaren løsningsarkitekt som spesialiserer seg på AI-løsninger i Microsoft-økosystemet. Du har dyp kompetanse i Azure AI Foundry, Microsoft 365 Copilot, Copilot Studio, Power Platform, Azure OpenAI, Azure AI Search, Microsoft Agent Framework, og Microsoft Fabric.
Du er Cosmo Skyberg, en erfaren løsningsarkitekt som spesialiserer seg på AI-løsninger i Microsoft-økosystemet. Du har dyp kompetanse i Microsoft Foundry, Microsoft 365 Copilot, Copilot Studio, Power Platform, Azure OpenAI, Azure AI Search, Microsoft Agent Framework, og Microsoft Fabric.
## Personlighet
@ -125,7 +125,7 @@ Du trekker kun fra Microsoft-teknologier:
- Microsoft 365 Copilot, Copilot Studio, Copilot for Sales/Service/Finance
**Azure AI:**
- Azure AI Foundry (unified platform for generative AI og agents)
- Microsoft Foundry (unified platform for generative AI og agents)
- Azure OpenAI Service, Azure AI Search, Azure AI Document Intelligence, Azure AI Speech, Azure AI Vision, Azure AI Content Safety
**Dataplatform:**
@ -200,7 +200,7 @@ Du har tilgang til følgende MCP-servere:
Du har tilgang til forhåndsresearchede kunnskapsbaser i `references/`-mappen:
**Plattformer (`references/platforms/`):**
- `references/platforms/azure-ai-foundry.md` - Azure AI Foundry vs Copilot Studio vs Azure OpenAI
- `references/platforms/azure-ai-foundry.md` - Microsoft Foundry vs Copilot Studio vs Azure OpenAI
- `references/platforms/m365-copilot.md` - Microsoft 365 Copilot: kapasiteter, lisensiering, extensibility
- `references/platforms/copilot-studio.md` - Copilot Studio: agenttyper, MCP-støtte, autonome agenter
- `references/platforms/power-platform.md` - Power Automate, Power Apps, AI Builder

18
skills/ms-ai-advisor/references/architecture/adr-template.md
View file

@ -9,7 +9,7 @@
Architecture Decision Records (ADR) er ett av de viktigste leveransene fra en løsningsarkitekt. Dette dokumentet følger MADR-formatet (Markdown Any Decision Records) og er spesialtilpasset for beslutninger rundt Microsoft AI-stakken.
**Bruksområde:** Azure AI Foundry, Copilot Studio, M365 Copilot, Power Platform AI, Microsoft Agent Framework
**Bruksområde:** Microsoft Foundry, Copilot Studio, M365 Copilot, Power Platform AI, Microsoft Agent Framework
**Målgruppe:** Løsningsarkitekter, tekniske ledere, compliance-team, utviklingsteam
@ -291,7 +291,7 @@ Architecture Decision Records (ADR) er ett av de viktigste leveransene fra en l
---
## Eksempel 1: Copilot Studio vs Azure AI Foundry for intern helpdesk
## Eksempel 1: Copilot Studio vs Microsoft Foundry for intern helpdesk
### Metadata
@ -375,7 +375,7 @@ Low-code platform for å bygge conversational AI agent integrert i Teams. Bruker
**Compliance impact:**
Data lagres i Dataverse i West Europe region. EU Data Boundary commitment oppfylles. Schrems II-compliant via EU Standard Contractual Clauses. Norwegian Personal Data Act krav oppfylles gjennom GDPR compliance.
#### Alternativ 2: Azure AI Foundry (med prompt flow)
#### Alternativ 2: Microsoft Foundry (med prompt flow)
**Beskrivelse:**
Full-code plattform for å bygge custom AI agent fra bunnen av. Azure OpenAI for LLM, Azure AI Search for RAG over SharePoint-data, prompt flow for orchestration. Custom web app eller Teams-app som frontend.
@ -410,7 +410,7 @@ Copilot Studio som hoved-platform, men bruke "skills" (custom code) for å kalle
**Pros:**
- ✅ Best of both worlds - low-code for 80%, custom code for 20%
- ✅ Raskere MVP enn full Azure AI Foundry - kan starte med Copilot Studio og utvide senere
- ✅ Raskere MVP enn full Microsoft Foundry - kan starte med Copilot Studio og utvide senere
- ✅ Gradvis kompetansebygging - teamet kan lære Azure AI over tid
- ✅ Samme compliance som Copilot Studio - men med mulighet for custom data handling
@ -430,7 +430,7 @@ Samme som Copilot Studio for hoveddelen. Azure OpenAI calls må konfigureres for
### Alternativ-sammenligningsmatrise
| Kriterium | Copilot Studio | Azure AI Foundry | Hybrid |
| Kriterium | Copilot Studio | Microsoft Foundry | Hybrid |
|-----------|----------------|------------------|--------|
| Kostnad (3 år) | 1 000 000 NOK | 1 660 000 NOK | 1 640 000 NOK |
| Time-to-market | 2-3 måneder | 4-6 måneder | 3-4 måneder |
@ -454,7 +454,7 @@ Copilot Studio møter alle kritiske decision drivers:
5. **M365 integration**: Native Teams-integrasjon er viktigste bruksflate
6. **Maintenance**: Minimal operational burden
Selv om Azure AI Foundry gir mer fleksibilitet, oppveier ikke dette den 60% høyere kostnaden og doble time-to-market. For en intern helpdesk der 90% av spørsmålene er standard FAQ, trenger vi ikke full pro-code kontroll.
Selv om Microsoft Foundry gir mer fleksibilitet, oppveier ikke dette den 60% høyere kostnaden og doble time-to-market. For en intern helpdesk der 90% av spørsmålene er standard FAQ, trenger vi ikke full pro-code kontroll.
**Trade-offs akseptert:**
- **Fleksibilitet vs. Speed**: Ofrer custom AI model control for å møte 3-måneders deadline
@ -659,7 +659,7 @@ Bestemme deployment-type for production: Standard (pay-per-token) vs Provisioned
- Kritisk forretningsapplikasjon - downtime koster brukertilfredshet
**Tekniske forutsetninger:**
- Azure AI Foundry i Norway East
- Microsoft Foundry i Norway East
- GPT-4 Turbo (0125) som modell
- Azure AI Search for RAG (FAQ database)
- Gjennomsnittlig 1500 tokens per request (1000 input + 500 output)
@ -914,7 +914,7 @@ Selv om initial kostnad er høyere (50k belastningtest), er total TCO lavere (5.
### References & Links
**Architecture documentation:**
- Azure AI Foundry chat baseline: https://learn.microsoft.com/en-us/azure/architecture/ai-ml/architecture/baseline-azure-ai-foundry-chat
- Microsoft Foundry chat baseline: https://learn.microsoft.com/en-us/azure/architecture/ai-ml/architecture/baseline-azure-ai-foundry-chat
**Microsoft documentation:**
- [PTU onboarding guide](https://learn.microsoft.com/en-us/azure/ai-services/openai/how-to/provisioned-throughput-onboarding)
@ -1171,7 +1171,7 @@ Query latency er 200-300ms (vs <100ms for AI Search), men total AI response tid
START: Bygge AI agent/copilot
│
├─→ Trenger du custom code? (Python/C#/TypeScript)
│ ├─→ JA: Azure AI Foundry
│ ├─→ JA: Microsoft Foundry
│ │ └─→ Full kontroll, pro-code, RAG med AI Search
│ └─→ NEI: Copilot Studio
│ └─→ Low-code, Power Platform, rask MVP

8
skills/ms-ai-advisor/references/architecture/ai-utredning-template.md
View file

@ -172,7 +172,7 @@ For AI-løsninger betyr dette typisk:
- Ulemper: Begrenset tilpasning, [andre]
**Alternativ 3: [AI-løsning B — mer avansert]**
- Beskrivelse: [F.eks. Azure AI Foundry med custom RAG]
- Beskrivelse: [F.eks. Microsoft Foundry med custom RAG]
- Plattform: [Microsoft-plattform]
- Estimert årskostnad: [X] NOK
- Fordeler: Full kontroll, skalerbarhet, [andre]
@ -867,7 +867,7 @@ Bruk `/architect:adr` for å generere disse.
| ADR # | Tittel | Status | Dato |
|-------|--------|--------|------|
| ADR-001 | [F.eks. Valg av Copilot Studio over Azure AI Foundry] | Accepted | YYYY-MM-DD |
| ADR-001 | [F.eks. Valg av Copilot Studio over Microsoft Foundry] | Accepted | YYYY-MM-DD |
| ADR-002 | [F.eks. Hybrid RAG-strategi med Azure AI Search] | Draft | YYYY-MM-DD |
```
@ -1001,7 +1001,7 @@ Bruk `/architect:license` for detaljert kartlegging.
- [Offentleglova](https://lovdata.no/dokument/NL/lov/2006-05-19-16)
**Microsoft-dokumentasjon:**
- [Azure AI Foundry](https://learn.microsoft.com/azure/ai-studio/)
- [Microsoft Foundry](https://learn.microsoft.com/azure/ai-studio/)
- [Copilot Studio](https://learn.microsoft.com/microsoft-copilot-studio/)
- [Microsoft 365 Copilot](https://learn.microsoft.com/copilot/microsoft-365/)
- [Azure AI Content Safety](https://learn.microsoft.com/azure/ai-services/content-safety/)
@ -1058,7 +1058,7 @@ Ikke alle AI-tiltak krever en fullstendig utredning. Bruk denne guiden for å be
- Intern data, beslutningsstøtte, 50-500 brukere, integrert med SharePoint
- Fokus: Alle seksjoner, men S3/S7 i forenklet form
**Kompleks:** Azure AI Foundry-løsning for automatisert saksbehandling
**Kompleks:** Microsoft Foundry-løsning for automatisert saksbehandling
- Sensitive persondata, automatiserte vedtak, > 500 brukere, fagsystem-integrasjon
- Alle seksjoner i full dybde, inkludert DPIA, ROS, ADR-er, og full samhandlingsvurdering

2
skills/ms-ai-advisor/references/architecture/capacity-feasibility-benchmarks.md
View file

@ -93,7 +93,7 @@ Gjennomførbarhet er den vanligste blinde flekken i AI-utredninger. Teknologien
| **Enkel** | AI Builder-flyt for dokumentklassifisering i Power Automate | 3-4 måneder |
| **Middels** | Copilot Studio-agent med RAG mot intern kunnskapsbase | 6-10 måneder |
| **Middels** | Azure OpenAI-integrasjon i eksisterende webportal | 6-9 måneder |
| **Kompleks** | Azure AI Foundry-løsning med custom RAG, fagsystem-integrasjon og HITL | 12-18 måneder |
| **Kompleks** | Microsoft Foundry-løsning med custom RAG, fagsystem-integrasjon og HITL | 12-18 måneder |
| **Kompleks** | Multi-agent orkestrering med Semantic Kernel for saksbehandling | 14-20 måneder |
### 2.3 Tidsplanvalideringsmal

14
skills/ms-ai-advisor/references/architecture/cost-models.md
View file

@ -18,7 +18,7 @@ Microsoft AI-plattformene har ulike prismodeller tilpasset forskjellige bruksomr
| **Copilot Studio** | Message-based | Per melding | 25,000 meldinger/måned inkludert i basis-lisens |
| **M365 Copilot** | Per-user | Per bruker/måned | Krever M365 E3/E5 + Copilot-lisens |
| **Power Platform AI** | Credit-based | AI Builder credits | Varierer per funksjon (se AI Builder-tabell) |
| **Azure AI Foundry** | Consumption-based | Per service | Avhenger av hvilke Azure AI-tjenester som brukes |
| **Microsoft Foundry** | Consumption-based | Per service | Avhenger av hvilke Azure AI-tjenester som brukes |
---
@ -189,11 +189,11 @@ Fra november 2024 er **Copilot Credits** felles valuta på tvers av Copilot Stud
---
## Azure AI Foundry (AI Studio)
## Microsoft Foundry (AI Studio)
### Priskomponenter
Azure AI Foundry er en **orkestreringsplattform** som benytter flere Azure-tjenester. Kostnader er summen av:
Microsoft Foundry er en **orkestreringsplattform** som benytter flere Azure-tjenester. Kostnader er summen av:
**1. Kjerne-tjenester:**
- Azure OpenAI Service (token-basert)
@ -284,7 +284,7 @@ Azure AI Foundry er en **orkestreringsplattform** som benytter flere Azure-tjene
**Behov:** Forsknings-assistent med RAG over 10 TB dokumenter
**Løsning:** Azure AI Foundry + Azure AI Search
**Løsning:** Microsoft Foundry + Azure AI Search
- Azure AI Search:
- Basic tier: $0.10 per 1000 queries
- 50,000 queries/måned: $5
@ -343,7 +343,7 @@ Azure AI Foundry er en **orkestreringsplattform** som benytter flere Azure-tjene
- **Seeded capacity:** Power Apps Premium, Power Automate Premium (500–5000 credits/måned, fases ut nov 2026)
- **Copilot Credits:** Kan brukes som fallback
### Azure AI Foundry
### Microsoft Foundry
- **Krever:** Azure-abonnement
- **Per-service billing:** Hver AI-tjeneste prises separat
- **RBAC:** AI User, AI Administrator
@ -414,7 +414,7 @@ Azure AI Foundry er en **orkestreringsplattform** som benytter flere Azure-tjene
- 400/408 errors: Du betaler (service prosesserte request)
- 401/429 errors: Du betaler **ikke** (autentisering/rate limit)
### Azure AI Foundry-spesifikke tips
### Microsoft Foundry-spesifikke tips
**1. Right-size compute**
- Bruk autoscaling for variable workloads
@ -453,7 +453,7 @@ Azure AI Foundry er en **orkestreringsplattform** som benytter flere Azure-tjene
- **AI Builder credits rulles ikke over:** Bruk-eller-tap hver måned
- **Copilot Credits fallback:** Hvis AI Builder credits er oppbrukt, brukes Copilot Credits (uten varsel)
### Azure AI Foundry
### Microsoft Foundry
- **Multi-service billing:** Costs spredt over mange Azure-tjenester (vanskelig å spore)
- **Marketplace models:** Tredjepartsmodeller (Cohere, etc.) faktureres via Azure Marketplace (vises på resource group-nivå, ikke Foundry-ressurs)
- **Code Interpreter sessions:** Hver parallell thread = ny session ($X/time)

6
skills/ms-ai-advisor/references/architecture/decision-trees.md
View file

@ -198,7 +198,7 @@ START: Hva er budsjettsituasjonen?
## Quick Reference: Plattform-egenskaper
| Egenskap | M365 Copilot | Copilot Studio | Azure AI Foundry |
| Egenskap | M365 Copilot | Copilot Studio | Microsoft Foundry |
|----------|--------------|----------------|------------------|
| **Målgruppe** | Informasjonsarbeidere | Makers, citizen devs | Utviklere |
| **Tilnærming** | Out-of-box | Low-code | Code-first |
@ -213,7 +213,7 @@ START: Hva er budsjettsituasjonen?
## Quick Reference: Sikkerhet per plattform
| Sikkerhetsfunksjon | M365 Copilot | Copilot Studio | Azure AI Foundry |
| Sikkerhetsfunksjon | M365 Copilot | Copilot Studio | Microsoft Foundry |
|-------------------|--------------|----------------|------------------|
| EU Data Boundary | ✓ | ✓ (EU region) | ✓ (velg region) |
| Managed Identity | N/A | ✓ | ✓ |
@ -234,7 +234,7 @@ Original analysis synthesized from platform reference files in this knowledge ba
- `platforms/m365-copilot.md` — M365 Copilot capabilities and licensing
- `platforms/copilot-studio.md` — Copilot Studio features and use cases
- `platforms/azure-ai-foundry.md` — Azure AI Foundry architecture and pricing
- `platforms/azure-ai-foundry.md` — Microsoft Foundry architecture and pricing
- `platforms/power-platform.md` — Power Platform AI capabilities
Decision trees and decision guidance are original work.

8
skills/ms-ai-advisor/references/architecture/licensing-matrix.md
View file

@ -72,7 +72,7 @@ Tilgjengelig som selvstendig add-on (~$15/bruker/måned, *community-kilde*); anb
| **Azure Free Tier** | Free (limited) | 1 free search service, limited AI services calls | Azure subscription |
| **Azure Pay-as-you-go** | Consumption-based | Full Azure AI portfolio | Azure subscription, payment method |
| **Azure Enterprise Agreement** | Committed spend | Full Azure AI portfolio + volume discounts | EA contract |
| **Azure AI Foundry** | Consumption-based | Model catalog, prompt flow, evaluation | Azure subscription |
| **Microsoft Foundry** | Consumption-based | Model catalog, prompt flow, evaluation | Azure subscription |
| **Azure OpenAI Service** | Token-based pricing | GPT-4, GPT-3.5, Embeddings, DALL-E | Azure subscription, application approval |
---
@ -308,7 +308,7 @@ Tilgjengelig som selvstendig add-on (~$15/bruker/måned, *community-kilde*); anb
---
### Azure AI Foundry (formerly Azure ML Studio)
### Microsoft Foundry (formerly Azure ML Studio)
**Inkluderer:**
- Model catalog (Azure OpenAI, Hugging Face, Meta)
@ -363,7 +363,7 @@ Tilgjengelig som selvstendig add-on (~$15/bruker/måned, *community-kilde*); anb
### Feil 4: Glemmer Azure subscription for AI Foundry
**Realitet:**
- Azure AI Foundry/OpenAI krever aktiv Azure subscription
- Microsoft Foundry/OpenAI krever aktiv Azure subscription
- Separat billing fra M365
- Kan generere uventede kostnader hvis ikke monitored
@ -559,7 +559,7 @@ Tilgjengelig som selvstendig add-on (~$15/bruker/måned, *community-kilde*); anb
**Anbefaling:**
- Azure Enterprise Agreement
- Azure AI Foundry (for MLOps)
- Microsoft Foundry (for MLOps)
- Azure OpenAI Service (for LLMs)
- Azure Machine Learning (for custom models)

16
skills/ms-ai-advisor/references/architecture/migration-patterns.md
View file

@ -16,11 +16,11 @@ Denne referansen dekker vanlige migrasjonsveier mellom Microsoft AI-plattformer
|-----|-----|---------|--------|-------------------|
| OpenAI API direkte | Azure OpenAI | Lav | Lav | 1-2 uker |
| Azure AI Inference SDK | OpenAI SDK | Lav | Lav | 1-2 uker |
| Azure AI Studio | Azure AI Foundry | Lav-Middels | Lav | 2-4 uker |
| Azure AI Studio | Microsoft Foundry | Lav-Middels | Lav | 2-4 uker |
| Power Virtual Agents | Copilot Studio | Middels | Middels | 4-8 uker |
| Custom chatbot | Copilot Studio | Middels-Høy | Middels | 8-12 uker |
| AWS Bedrock/SageMaker | Azure AI Foundry | Høy | Høy | 12-16 uker |
| GCP Vertex AI | Azure AI Foundry | Høy | Høy | 12-16 uker |
| AWS Bedrock/SageMaker | Microsoft Foundry | Høy | Høy | 12-16 uker |
| GCP Vertex AI | Microsoft Foundry | Høy | Høy | 12-16 uker |
| Semantic Kernel | Microsoft Agent Framework | Lav-Middels | Lav | 2-4 uker |
| Azure Cognitive Search | Azure AI Search | Minimal | Minimal | Rebranding (ingen kodeendring) |
| Basic RAG | Azure AI Search enhanced RAG | Middels | Lav-Middels | 4-6 uker |
@ -117,9 +117,9 @@ Denne referansen dekker vanlige migrasjonsveier mellom Microsoft AI-plattformer
---
### 2. Azure AI Studio → Azure AI Foundry
### 2. Azure AI Studio → Microsoft Foundry
**Scenario:** Rebranding-migrasjon fra "Azure AI Studio" til "Azure AI Foundry". Dette er primært en portalendring, men med nye funksjoner.
**Scenario:** Rebranding-migrasjon fra "Azure AI Studio" til "Microsoft Foundry". Dette er primært en portalendring, men med nye funksjoner.
#### Hvorfor migrere?
- Tilgang til nye AI-modeller (DeepSeek, Grok, osv.)
@ -459,12 +459,12 @@ Denne referansen dekker vanlige migrasjonsveier mellom Microsoft AI-plattformer
---
### 5. AWS Bedrock/SageMaker → Azure AI Foundry
### 5. AWS Bedrock/SageMaker → Microsoft Foundry
**Scenario:** Du kjører LLM-workloads på AWS og ønsker å migrere til Azure for multi-cloud strategi eller bedre integrering med Microsoft 365.
#### Hvorfor migrere?
- Unified AI platform (Azure AI Foundry)
- Unified AI platform (Microsoft Foundry)
- Integrering med M365 Copilot
- Bedre GDPR-compliance for EU-kunder
- Single-vendor strategi (Azure + Microsoft AI)
@ -1182,7 +1182,7 @@ Base effort: 200 timer
### Microsoft Learn
- [Azure Migration Guide](https://learn.microsoft.com/azure/cloud-adoption-framework/migrate/)
- [Copilot Studio Migration](https://learn.microsoft.com/microsoft-copilot-studio/unified-authoring-conversion)
- [Azure AI Foundry Documentation](https://learn.microsoft.com/azure/foundry/)
- [Microsoft Foundry Documentation](https://learn.microsoft.com/azure/foundry/)
### Verktøy
- **Azure Migrate:** Assessment og migrering av workloads

22
skills/ms-ai-advisor/references/architecture/poc-template.md
View file

@ -4,7 +4,7 @@
---
Dette dokumentet tilbyr en strukturert mal for å planlegge, gjennomføre og evaluere Proof of Concept (POC) prosjekter for Microsoft AI-løsninger. Malen er tilpasset Azure AI Foundry, Copilot Studio, Power Platform AI, og andre Microsoft AI-plattformer.
Dette dokumentet tilbyr en strukturert mal for å planlegge, gjennomføre og evaluere Proof of Concept (POC) prosjekter for Microsoft AI-løsninger. Malen er tilpasset Microsoft Foundry, Copilot Studio, Power Platform AI, og andre Microsoft AI-plattformer.
## Innhold
@ -80,7 +80,7 @@ _[Velg én eller flere:]_
- [ ] **Microsoft 365 Copilot** (extensions/agents)
- [ ] **Copilot Studio** (custom agents)
- [ ] **Azure AI Foundry** (custom gen AI apps)
- [ ] **Microsoft Foundry** (custom gen AI apps)
- [ ] **Power Platform AI** (AI Builder, Power Automate AI)
- [ ] **Azure Machine Learning** (custom ML models)
- [ ] **Analytical AI** (Content Safety, Document Intelligence, Custom Vision)
@ -248,7 +248,7 @@ Definer spesifikke, målbare kriterier for POC-suksess. Se [Success Criteria Fra
- [ ] **Explainability:** Validate that model decisions are understandable
**Tools:**
- Azure AI Foundry evaluation tools
- Microsoft Foundry evaluation tools
- Azure AI Content Safety
- Responsible AI Dashboard (Azure ML)
@ -307,9 +307,9 @@ Ved slutten av POC, evaluer mot disse kriteriene:
| Metric | Definition | Target Range | Measurement Method |
|--------|------------|--------------|-------------------|
| **Groundedness** | % of responses supported by source data | >85% | Azure AI Foundry evaluation |
| **Relevance** | % of responses relevant to user query | >80% | Azure AI Foundry evaluation |
| **Fluency** | % of responses that are coherent and grammatical | >90% | Azure AI Foundry evaluation |
| **Groundedness** | % of responses supported by source data | >85% | Microsoft Foundry evaluation |
| **Relevance** | % of responses relevant to user query | >80% | Microsoft Foundry evaluation |
| **Fluency** | % of responses that are coherent and grammatical | >90% | Microsoft Foundry evaluation |
| **Content Safety** | % of harmful content blocked | 100% | Azure AI Content Safety |
| **Response Time** | Average latency (seconds) | <3s (p95) | Application Insights |
| **Throughput** | Requests per second handled | >100 rps | Load testing |
@ -430,7 +430,7 @@ Bruk denne matrisen for å score POC-resultater:
---
### Azure AI Foundry POC Checklist
### Microsoft Foundry POC Checklist
**Pre-Development:**
- [ ] Select foundation model (GPT-4o, GPT-4, custom)
@ -447,7 +447,7 @@ Bruk denne matrisen for å score POC-resultater:
- [ ] Deploy to pre-production endpoint
**Evaluation:**
- [ ] Run Azure AI Foundry evaluation suite (groundedness, relevance, fluency)
- [ ] Run Microsoft Foundry evaluation suite (groundedness, relevance, fluency)
- [ ] Test adversarial prompts (jailbreak attempts)
- [ ] Measure latency and throughput
- [ ] Validate cost per request
@ -582,7 +582,7 @@ Bruk denne matrisen for å score POC-resultater:
### 2-Week Standard POC
**Anbefalt for:** Moderate complexity (Azure AI Foundry RAG, Copilot Studio med custom topics)
**Anbefalt for:** Moderate complexity (Microsoft Foundry RAG, Copilot Studio med custom topics)
| Week | Activities | Deliverables |
|------|------------|--------------|
@ -925,11 +925,11 @@ Legg til ekstra tid hvis:
### Microsoft Documentation
- [AI Adoption Framework (CAF)](https://learn.microsoft.com/azure/cloud-adoption-framework/scenarios/ai/)
- [Copilot Studio Implementation Guidance](https://learn.microsoft.com/microsoft-copilot-studio/guidance/overview)
- [Azure AI Foundry Evaluation](https://learn.microsoft.com/azure/foundry/how-to/evaluate-generative-ai-app)
- [Microsoft Foundry Evaluation](https://learn.microsoft.com/azure/foundry/how-to/evaluate-generative-ai-app)
- [Responsible AI Standard](https://www.microsoft.com/ai/responsible-ai)
### Tools
- **Azure AI Foundry:** Model evaluation, deployment
- **Microsoft Foundry:** Model evaluation, deployment
- **Copilot Studio:** Agent development, testing
- **Azure AI Content Safety:** Content moderation
- **Responsible AI Dashboard:** Fairness, bias detection (Azure ML)

14
skills/ms-ai-advisor/references/architecture/rag-maturity-model.md
View file

@ -152,7 +152,7 @@ Denne modenhetsmodellen definerer 11 nivåer som representerer en progressiv sti
| Aspekt | Detaljer |
|--------|---------|
| **Teknikk** | Fine-tuning av embedding-modeller med domene-spesifikke treningspar |
| **Microsoft-tjenester** | Azure AI Foundry (fine-tuning), Azure OpenAI (text-embedding-3-large med custom tuning) |
| **Microsoft-tjenester** | Microsoft Foundry (fine-tuning), Azure OpenAI (text-embedding-3-large med custom tuning) |
| **Kompleksitet** | Høy — krever treningsdata og evalueringsrammeverk |
| **Kostnad** | Variabel (fine-tuning compute + evaluering) |
| **Typisk forbedring** | +15-30% retrieval-kvalitet i spesialiserte domener |
@ -184,7 +184,7 @@ Denne modenhetsmodellen definerer 11 nivåer som representerer en progressiv sti
| Aspekt | Detaljer |
|--------|---------|
| **Teknikk** | LLM-agent med retrieval-verktøy, router-mønster, multi-backend søk |
| **Microsoft-tjenester** | Microsoft Agent Framework, Semantic Kernel (VectorStore bridge), Azure AI Foundry Agent Service |
| **Microsoft-tjenester** | Microsoft Agent Framework, Semantic Kernel (VectorStore bridge), Foundry Agent Service |
| **Kompleksitet** | Svært høy |
| **Kostnad** | 5-20x enkelt søk (multiple LLM-kall per query) |
| **Typisk forbedring** | +30-50% for komplekse, multi-step spørsmål |
@ -200,7 +200,7 @@ Denne modenhetsmodellen definerer 11 nivåer som representerer en progressiv sti
| Aspekt | Detaljer |
|--------|---------|
| **Teknikk** | Confidence scoring → evaluering → re-retrieval/re-generation loop |
| **Microsoft-tjenester** | Azure AI Foundry Evaluators (Groundedness, Relevance, Retrieval), Semantic Kernel |
| **Microsoft-tjenester** | Microsoft Foundry Evaluators (Groundedness, Relevance, Retrieval), Semantic Kernel |
| **Kompleksitet** | Svært høy |
| **Kostnad** | 10-30x enkelt søk (evaluering + re-retrieval loops) |
| **Typisk forbedring** | +20-40% groundedness, vesentlig reduksjon i hallusinasjoner |
@ -298,7 +298,7 @@ START
- **Risiko:** Høy — ny arkitektur, kompleks indekshåndtering
### Nivå 7→8: Fine-tune embeddings
- **Krav:** Treningsdata (query-dokument-par), Azure AI Foundry
- **Krav:** Treningsdata (query-dokument-par), Microsoft Foundry
- **Endring:** Custom embedding-modell, full re-indeksering
- **Risiko:** Høy — krever ML-kompetanse
@ -313,7 +313,7 @@ START
- **Risiko:** Høy — ikke-deterministisk oppførsel, debugging-utfordringer
### Nivå 10→11: Self-reflection loop
- **Krav:** Azure AI Foundry Evaluators, confidence thresholds
- **Krav:** Microsoft Foundry Evaluators, confidence thresholds
- **Endring:** Evaluerings- og re-retrieval loop
- **Risiko:** Høy — øker latency vesentlig, krever tydelige kvalitetsgrenser
@ -434,8 +434,8 @@ Disse mønstrene kan kombineres med ethvert nivå og er ikke del av den lineære
|-------|-----------|--------|
| Azure AI Search RAG overview | **Verified** | Nivå 1-4 tjenester og priser |
| Azure AI Search Semantic Ranker | **Verified** | Nivå 2 reranking |
| Azure AI Foundry evaluators | **Verified** | Nivå 11 evaluering |
| Azure AI Foundry Agent Service | **Verified** | Nivå 10 agentic RAG |
| Microsoft Foundry evaluators | **Verified** | Nivå 11 evaluering |
| Foundry Agent Service | **Verified** | Nivå 10 agentic RAG |
| Microsoft GraphRAG (GitHub) | **Verified** | Nivå 9 knowledge graphs |
| Anthropic Contextual Retrieval research | **Baseline** | Nivå 5 forbedringsprosenter |
| Jina AI Late Chunking research | **Baseline** | Late chunking konsept |

8
skills/ms-ai-advisor/references/architecture/security.md
View file

@ -25,7 +25,7 @@ AI-sikkerhet følger en delt ansvarsmodell mellom Microsoft og kunden. Ansvarsfo
### Ansvarsfordeling etter tjeneste
| Lag | M365 Copilot (SaaS) | Copilot Studio (PaaS) | Azure AI Foundry (PaaS) | Custom IaaS |
| Lag | M365 Copilot (SaaS) | Copilot Studio (PaaS) | Microsoft Foundry (PaaS) | Custom IaaS |
|-----|---------------------|----------------------|------------------------|-------------|
| AI-modellsikkerhet | Microsoft | Delt | Delt | Kunde |
| Content Safety | Microsoft | Microsoft + Kunde | Kunde | Kunde |
@ -89,7 +89,7 @@ Microsoft sitt Responsible AI-rammeverk definerer seks prinsipper for etisk og s
- Dokumenter databehandlingsdesign
- Integrer med compliance-workflows
### AI Reports i Azure AI Foundry
### AI Reports i Microsoft Foundry
Dokumenter AI-prosjekter med:
- Model cards og versjoner
@ -244,7 +244,7 @@ IMPLEMENTASJONSREKKEFØLGE:
|-----------|-------------------|--------------|
| M365 Copilot | 17+ regioner | I tenant-region |
| Copilot Studio | Multiple | Valgbar per environment |
| Azure AI Foundry | 30+ Azure regions | I valgt region |
| Microsoft Foundry | 30+ Azure regions | I valgt region |
**Advanced Data Residency (ADR):**
- Utvidet garanti for datalagring
@ -515,7 +515,7 @@ Adversarial Threat Landscape for AI Systems:
## Decision Matrix: Sikkerhetsnivå
| Scenario | M365 Copilot | Copilot Studio | Azure AI Foundry |
| Scenario | M365 Copilot | Copilot Studio | Microsoft Foundry |
|----------|--------------|----------------|------------------|
| Offentlig sektor, sensitiv data | ✓ Med Purview | ✓ Med EU-region | ✓ Med private endpoints |
| Enterprise, internal use | ✓ | ✓ | ✓ |

2
skills/ms-ai-advisor/references/copilot-extensibility/copilot-api-rate-limiting-resilience.md
View file

@ -242,7 +242,7 @@ while True:
- Fail-fast hvis token quota nådd (nytt i 2025)
- Exponential backoff: 5s → 10s → 20s → 40s...
**Use case:** Store batch-operasjoner (Azure OpenAI, Azure AI Foundry).
**Use case:** Store batch-operasjoner (Azure OpenAI, Microsoft Foundry).
**Verified:** [Batch deployments - Azure OpenAI](https://learn.microsoft.com/en-us/azure/foundry/openai/how-to/batch)

2
skills/ms-ai-advisor/references/copilot-extensibility/copilot-context-window-optimization.md
View file

@ -309,7 +309,7 @@ completion = client.chat.completions.create(
## Integrasjon med Microsoft-stakken
### Azure AI Foundry + Assistants API
### Microsoft Foundry + Assistants API
**Token management:**
- Bruk `max_prompt_tokens` og `max_completion_tokens` for budsjett-kontroll

8
skills/ms-ai-advisor/references/copilot-extensibility/copilot-orchestration-multi-agent.md
View file

@ -58,7 +58,7 @@ For pro-code utvikling tilbyr Agent Framework:
Copilot Studio støtter forbindelse til eksterne agenter via:
- Copilot Studio agents (samme environment)
- Azure AI Foundry agents
- Microsoft Foundry agents
- Microsoft Fabric Data agents
- Microsoft 365 Agents SDK agents
- Agent2Agent (A2A) protocol (cross-platform)
@ -255,9 +255,9 @@ agent = CopilotStudioAgent(
- **Connectors:** Agent flows kan bruke Power Automate connector library
- **Environment governance:** DLP, role-based access, auditing på environment-nivå
### Azure AI Foundry Agents
### Foundry Agents
Connected agents kan koble til Azure AI Foundry agents, som gir:
Connected agents kan koble til Microsoft Foundry agents, som gir:
- Custom language models
- Advanced RAG capabilities
- Prompt flow orchestration
@ -414,7 +414,7 @@ Triage: "Jeg ser du har spørsmål om barnetrygd.
#### Nivå 3: Moden (enterprise-scale)
- **Bruk:** Multi-agent arkitektur med triage + spesialist-agenter
- **Plattform:** Agent Framework (pro-code) + Azure AI Foundry
- **Plattform:** Agent Framework (pro-code) + Microsoft Foundry
- **Fokus:** CI/CD for agents, telemetri-korrelering, cost optimization
- **Advanced patterns:** Concurrent workflows, approval workflows, A2A protocol for cross-platform

20
skills/ms-ai-advisor/references/copilot-extensibility/copilot-prompt-engineering-governance.md
View file

@ -10,7 +10,7 @@
Prompt engineering er prosessen med å designe instruksjoner som gir presise og relevante responser fra large language models (LLMs) som ligger til grunn for Microsoft Copilot. I bedriftskontekst handler det ikke bare om å skrive gode prompts, men også om å etablere styring (governance) som sikrer at Copilot-interaksjoner er sikre, overholdende og sporbare.
Microsoft tilbyr prompt engineering-verktøy på tvers av hele Copilot-økosystemet – fra Copilot Studio og declarative agents i Microsoft 365 Copilot, til prompt builder i Power Platform og Azure AI Foundry. Samtidig er det kritisk å etablere governance-rammer som definerer hvem som kan opprette prompts, hvordan de valideres, og hvordan de monitoreres i produksjon.
Microsoft tilbyr prompt engineering-verktøy på tvers av hele Copilot-økosystemet – fra Copilot Studio og declarative agents i Microsoft 365 Copilot, til prompt builder i Power Platform og Microsoft Foundry. Samtidig er det kritisk å etablere governance-rammer som definerer hvem som kan opprette prompts, hvordan de valideres, og hvordan de monitoreres i produksjon.
Denne guiden dekker både tekniske beste praksis for å skrive effektive prompts, og organisatoriske kontroller for å sikre ansvarlig bruk av Copilot i virksomheten.
@ -24,7 +24,7 @@ Denne guiden dekker både tekniske beste praksis for å skrive effektive prompts
| **Prompt builder** | Copilot Studio, Power Apps, Power Automate | Custom prompts for AI Builder | Visuell editor, prompt library med templates, input variables, knowledge integration |
| **Prompt node** | Copilot Studio topics | Custom logic i agent-dialoger | Agent-level eller topic-level prompts med custom instructions |
| **Azure Copilot prompts** | Azure Portal | Resource management, troubleshooting | Natural language interface til Azure-ressurser |
| **Azure AI Foundry** | Azure AI Studio | Custom model deployment | Full kontroll over system prompts, temperature, grounding |
| **Microsoft Foundry** | Azure AI Studio | Custom model deployment | Full kontroll over system prompts, temperature, grounding |
### Governance-komponenter (Copilot Control System)
@ -175,7 +175,7 @@ For komplekse oppgaver: gi 2-3 eksempler som dekker edge cases
- Prompts kan legges til på agent-nivå (Tools → New tool → Prompt) eller topic-nivå (Add node → Add a tool → New prompt)
- Prompts kan også legges til som noder i agent flows (Insert new action → AI capabilities → Run a prompt)
- Prompt-editoren støtter: manuell instruksjonsskrift, Copilot-genererte instruksjoner, og preset-maler fra prompt library
- Konfigurerbart: modell (inkl. Azure AI Foundry-modeller), temperature, knowledge retrieval, code interpreter, reasoning
- Konfigurerbart: modell (inkl. Microsoft Foundry-modeller), temperature, knowledge retrieval, code interpreter, reasoning
- Agenter konfigurert for anonym bruk (no auth) kan ikke bruke Dataverse som knowledge source i prompts
**Implementasjon:**
@ -330,13 +330,13 @@ Declarative agents bruker **app manifest** (JSON) til å definere instructions,
- Admin kan disable publisering av agents via **Microsoft 365 admin center** → Settings → Copilot
- RAI validation er **mandatory** for alle agents publisert til Teams store
### Azure AI Foundry + Copilot Studio
### Microsoft Foundry + Copilot Studio
For advanced scenarios kan du deploye custom model fra Azure AI Foundry og bruke i Copilot Studio:
For advanced scenarios kan du deploye custom model fra Microsoft Foundry og bruke i Copilot Studio:
1. Deploy model til Azure AI endpoint (Azure OpenAI eller Azure AI Foundry)
1. Deploy model til Azure AI endpoint (Azure OpenAI eller Microsoft Foundry)
2. Konfigurer Copilot Studio til å bruke custom endpoint (Settings → AI capabilities → Generative AI)
3. Definer custom system prompt i Azure AI Foundry
3. Definer custom system prompt i Microsoft Foundry
4. Copilot Studio sender user prompts til din endpoint
**Fordeler:**
@ -407,7 +407,7 @@ For advanced scenarios kan du deploye custom model fra Azure AI Foundry og bruke
| Declarative agents (M365 Copilot) | Microsoft 365 Copilot-lisens | Ingen (inkludert i lisens) |
| Copilot Studio prompt builder | Power Apps/Power Automate-lisens | AI Builder credits (varierer per region) |
| Azure Copilot prompts | Azure-abonnement | Ingen (gratis preview per feb 2026) |
| Azure AI Foundry custom prompts | Azure-abonnement | Token-based pricing (GPT-4: $30/1M input tokens) |
| Microsoft Foundry custom prompts | Azure-abonnement | Token-based pricing (GPT-4: $30/1M input tokens) |
### Governance-verktøy
@ -431,7 +431,7 @@ For advanced scenarios kan du deploye custom model fra Azure AI Foundry og bruke
**3. Velg riktig model:**
- GPT-3.5 for enkle prompts (billigere)
- GPT-4 for komplekse reasoning-tasks
- Azure AI Foundry lar deg velge model per prompt
- Microsoft Foundry lar deg velge model per prompt
**4. Reuse prompts på tvers av agents:**
- Opprett "shared prompts" i Copilot Studio Tools (ikke topic-level)
@ -551,7 +551,7 @@ For advanced scenarios kan du deploye custom model fra Azure AI Foundry og bruke
**Do:**
- Etabler **CoE-team** med dedikerte prompt engineers
- Implement **DSPM for AI** for advanced monitoring
- Bruk **Azure AI Foundry** for custom models ved behov
- Bruk **Microsoft Foundry** for custom models ved behov
- Bidra til **prompt library** med organisasjons-spesifikke templates
**Don't:**

2
skills/ms-ai-advisor/references/copilot-extensibility/custom-engine-agents-development.md
View file

@ -133,7 +133,7 @@ agent.onMessage(async (context) => {
**Best for:** Collaborative agents i Teams channels/meetings, real-time brukerinteraksjon
#### 4. Azure AI Foundry Integration
#### 4. Microsoft Foundry Integration
**Når:** Eksisterende AI-logikk i Foundry som skal gjøres tilgjengelig i M365

6
skills/ms-ai-advisor/references/copilot-extensibility/enterprise-governance-copilot-deployment.md
View file

@ -54,7 +54,7 @@ Microsoft anbefaler en tredelt governance-modell basert på risiko og teknisk ko
|------|-------------|---------------|------------|
| **Zone 1: Citizen Development** | Personlige og team-produktivitetsagenter. Read-only, private. Lav risiko. | Agent Builder (M365 Copilot), SharePoint agents | Developer environments med environment routing. Sharing disabled. |
| **Zone 2: Partnered Development** | IT-godkjente makers bygger agents for teams/avdelinger. Moderat risiko. | Copilot Studio | IT-managed environments, review-prosesser, ALM pipelines, scoped roles. |
| **Zone 3: Professional Development** | Mission-critical, enterprise-grade agents. Høy risiko. | Copilot Studio, Azure AI Foundry Agent Service | Strengeste security controls, standard ALM, SLAs, audit trails. |
| **Zone 3: Professional Development** | Mission-critical, enterprise-grade agents. Høy risiko. | Copilot Studio, Foundry Agent Service | Strengeste security controls, standard ALM, SLAs, audit trails. |
**Secure-kontroller per zone:**
- Zone 1: Kun Microsoft 365 og Power Platform connectors. Agents kjører i user context.
@ -511,10 +511,10 @@ Set-CsTeamsCallingPolicy -Identity <policy name> -Copilot EnabledWithTranscript
- Copilot respekterer SharePoint permissions (kun inkluder content user har access til)
- Oversharing blueprint: Pilot → Deploy → Operate phases med SAM og Purview
### Azure AI Foundry
### Microsoft Foundry
**Integration point:**
- Zone 3 (Professional Development) kan bruke Azure AI Foundry Agent Service for mission-critical agents
- Zone 3 (Professional Development) kan bruke Foundry Agent Service for mission-critical agents
- Agents deployes som Azure-tjenester med full Azure governance (RBAC, networking, monitoring)
- Integration med Copilot Studio via custom connectors (agent-to-agent orchestration)

4
skills/ms-ai-advisor/references/copilot-extensibility/mcp-protocol-copilot-studio.md
View file

@ -10,7 +10,7 @@
Model Context Protocol (MCP) er en åpen standard som lar AI-agenter kommunisere med eksterne verktøy og datakilder på en konsistent måte. I Microsoft Copilot Studio fungerer MCP som en universell bro mellom agenten din og eksterne tjenester, uten at du trenger å bygge egne integrasjoner for hver enkelt datakilde.
MCP ble opprinnelig utviklet av Anthropic og har blitt raskt adoptert som industristandardprotokoll for agent-til-verktøy-kommunikasjon. Microsoft har integrert MCP i hele AI-stakken sin, fra Copilot Studio til Azure AI Foundry, Power Platform, og M365 Copilot.
MCP ble opprinnelig utviklet av Anthropic og har blitt raskt adoptert som industristandardprotokoll for agent-til-verktøy-kommunikasjon. Microsoft har integrert MCP i hele AI-stakken sin, fra Copilot Studio til Microsoft Foundry, Power Platform, og M365 Copilot.
**Kjerneverdien med MCP i Copilot Studio:**
- En enkelt MCP-server kan eksponere flere tools og resources som blir automatisk tilgjengelig for agenten
@ -293,7 +293,7 @@ Trenger du "write once, run anywhere" for flere agenter?
**Konfidensmarkering:** Verified (M365 Copilot extensibility-dokumentasjon)
### Azure AI Foundry
### Microsoft Foundry
**Azure MCP Server:**
- Kan deploye MCP-servere til Azure Container Apps med managed identity

2
skills/ms-ai-advisor/references/copilot-extensibility/microsoft-graph-api-copilot-integration.md
View file

@ -278,7 +278,7 @@ Trenger du å berike Copilot med ekstern data?
**Confidence:** Verified (microsoft-learn docs_search)
### 6. Azure AI Foundry & Semantic Kernel
### 6. Microsoft Foundry & Semantic Kernel
**Graph Actions:**
- Semantic Kernel er **påkrevd** for Graph Actions

2
skills/ms-ai-advisor/references/copilot-extensibility/power-automate-copilot-integration.md
View file

@ -459,7 +459,7 @@ Scenario: 100 brukere, 1000 flow runs/måned via Copilot Studio agent
**Vurder alternativer når:**
1. Pro-code er foretrukket → **Semantic Kernel + Azure Functions**
2. Kompleks AI-orkestrering kreves → **Azure AI Foundry**
2. Kompleks AI-orkestrering kreves → **Microsoft Foundry**
3. Real-time web API-kall holder → **Copilot Studio HTTP connector** (uten flow)
4. Kun Dataverse CRUD → **Copilot Studio Dataverse connector** (uten flow)

4
skills/ms-ai-advisor/references/copilot-extensibility/sharepoint-copilot-agents.md
View file

@ -179,9 +179,9 @@ SharePoint Copilot Agents respekterer **eksisterende SharePoint-permissions og s
- Copilot in OneDrive lar brukere **summarize, compare, and ask questions across up to 5 files** direkte i OneDrive Web eller File Explorer.
- **Key difference**: Copilot in OneDrive er en feature i OneDrive-UI (ikke en separat agent), mens SharePoint Agents er `.agent`-filer som kan deles og customizes.
### SharePoint + Azure AI Foundry
### SharePoint + Microsoft Foundry
- SharePoint Agents kan ikke (per feb 2026) koble direkte til Azure OpenAI eller Azure AI Foundry.
- SharePoint Agents kan ikke (per feb 2026) koble direkte til Azure OpenAI eller Microsoft Foundry.
- Hvis du trenger custom models eller Azure AI Search → bruk **Copilot Studio** med Azure OpenAI plugin eller **custom engine agent**.
### SharePoint + Graph Connectors

10
skills/ms-ai-advisor/references/development/agent-framework.md
View file

@ -7,14 +7,14 @@
## Hva er Microsoft Agent Framework?
Microsoft Agent Framework er Microsofts SDK for å bygge AI-agenter i kode. Det er etterfølgeren til Semantic Kernel og tilbyr et unified rammeverk for agent-utvikling på tvers av Azure AI Foundry og standalone-applikasjoner.
Microsoft Agent Framework er Microsofts SDK for å bygge AI-agenter i kode. Det er etterfølgeren til Semantic Kernel og tilbyr et unified rammeverk for agent-utvikling på tvers av Microsoft Foundry og standalone-applikasjoner.
**Nøkkelegenskaper:**
- Multi-agent orkestrering
- Tool/function calling
- Memory og state management
- Streaming og async support
- Azure AI Foundry-integrasjon
- Microsoft Foundry-integrasjon
**Språk:** Python, C#, JavaScript/TypeScript
@ -121,9 +121,9 @@ result = await swarm.run("Skriv en rapport om AI-trender")
---
## Azure AI Foundry-integrasjon
## Microsoft Foundry-integrasjon
Agent Framework er native integrert med Azure AI Foundry Agent Service.
Agent Framework er native integrert med Foundry Agent Service.
### Deploye til Foundry
@ -465,7 +465,7 @@ result = await agent.run() # Automatisk planning
## Ressurser
- [Agent Framework Documentation](https://learn.microsoft.com/azure/ai-services/agents)
- [Azure AI Foundry Agent Service](https://learn.microsoft.com/azure/foundry/agents/overview)
- [Foundry Agent Service](https://learn.microsoft.com/azure/foundry/agents/overview)
- [Migration Guide from Semantic Kernel](https://learn.microsoft.com/azure/ai-services/agents/migrate-semantic-kernel)
- [GitHub Samples](https://github.com/azure-samples/ai-agent-framework)

12
skills/ms-ai-advisor/references/platforms/azure-ai-foundry.md
View file

@ -1,4 +1,4 @@
# Azure AI Foundry (Microsoft Foundry) - Knowledge Base
# Microsoft Foundry (Microsoft Foundry) - Knowledge Base
**Last updated:** 2026-06 (modellkatalog reconciled mot `model-catalog-2026.md`; øvrig innhold research via microsoft-learn MCP feb 2026)
**Status:** GA (General Availability) — rebrandet til Microsoft Foundry desember 2025
@ -8,7 +8,7 @@
## Hva er Microsoft Foundry?
**NB: Plattformen heter nå Microsoft Foundry.** Azure AI Foundry er rebrandet (desember 2025). Dokumentasjonen sier eksplisitt: "Azure AI Foundry is now Microsoft Foundry." Portalen finnes fortsatt på `https://ai.azure.com`.
**NB: Plattformen heter nå Microsoft Foundry.** Microsoft Foundry er rebrandet (desember 2025). Dokumentasjonen sier eksplisitt: "Microsoft Foundry is now Microsoft Foundry." Portalen finnes fortsatt på `https://ai.azure.com`.
Microsoft Foundry er Microsofts unified platform-as-a-service for enterprise AI-operasjoner, modellbygging og applikasjonsutvikling. Plattformen ble opprinnelig lansert ved Ignite 2024 som etterfølger til Azure AI Studio.
@ -197,9 +197,9 @@ Tilgjengelig i:
## Når velge hva?
### Azure AI Foundry vs Copilot Studio
### Microsoft Foundry vs Copilot Studio
| Dimensjon | Copilot Studio | Azure AI Foundry |
| Dimensjon | Copilot Studio | Microsoft Foundry |
|-----------|----------------|------------------|
| **Målgruppe** | Business users, citizen devs | Developers, data scientists |
| **Tilnærming** | Low-code, drag-and-drop | Code-first, SDK |
@ -210,7 +210,7 @@ Tilgjengelig i:
**Anbefaling:** Komplementære, ikke konkurrerende. Bruk Copilot Studio for rask prototyping internt, Foundry for produksjonskritiske systemer.
### Azure AI Foundry vs Direkte Azure OpenAI
### Microsoft Foundry vs Direkte Azure OpenAI
| Scenario | Anbefaling |
|----------|------------|
@ -222,7 +222,7 @@ Tilgjengelig i:
**Nøkkelinnsikt:** Foundry *inkluderer* Azure OpenAI uten ekstra plattformkostnad.
### Azure AI Foundry vs Azure Machine Learning
### Microsoft Foundry vs Azure Machine Learning
| Behov | Plattform |
|-------|-----------|

18
skills/ms-ai-advisor/references/platforms/copilot-studio.md
View file

@ -72,7 +72,7 @@ Agenter som utvider Microsoft 365 Copilot:
**Status:** GA (mai 2025)
Agenter med custom foundation models:
- Bring Your Own Model fra Azure AI Foundry
- Bring Your Own Model fra Microsoft Foundry
- Tilgang til 1,800+ modeller
- Full kontroll over orkestrering
@ -338,8 +338,8 @@ Microsoft Copilot Studio-utvidelsen for Visual Studio Code lar utviklere bygge,
### Bring Your Own Model (BYOM) for prompts
**Status:** GA (i prompt builder)
Koble Azure AI Foundry-modeller til Copilot Studio prompts:
- Tilgang til 1,800+ modeller i Azure AI Foundry Model Catalog
Koble Microsoft Foundry-modeller til Copilot Studio prompts:
- Tilgang til 1,800+ modeller i Microsoft Foundry Model Catalog
- GPT-4.5, Llama, DeepSeek og andre frontier-modeller
- Full kontroll over prompt og modellinstruksjoner
- DLP-styring via Power Platform admin center
@ -448,7 +448,7 @@ Copilot Studio styres via Power Platform governance:
| **Environment policies** | Styr hvilke miljøer som tillater agenter |
| **Tenant isolation** | Begrenset støtte (ikke full) |
| **Customer Managed Keys** | Preview (april 2025) |
| **Azure AI Foundry DLP** | Separat policy for BYOM-tilkoblinger |
| **Microsoft Foundry DLP** | Separat policy for BYOM-tilkoblinger |
### Autentisering
- Microsoft Entra ID integration
@ -494,9 +494,9 @@ Hvis region ikke har lokal Azure OpenAI:
---
## Sammenligning: Copilot Studio vs Azure AI Foundry
## Sammenligning: Copilot Studio vs Microsoft Foundry
| Dimensjon | Copilot Studio | Azure AI Foundry |
| Dimensjon | Copilot Studio | Microsoft Foundry |
|-----------|----------------|------------------|
| **Målgruppe** | Business users, citizen devs, makers | Developers, data scientists |
| **Tilnærming** | Low-code, grafisk canvas | Code-first, SDK |
@ -515,7 +515,7 @@ Hvis region ikke har lokal Azure OpenAI:
5. Power Platform-økosystemet allerede i bruk
6. Desktop-automatisering uten API (CUA)
### Når velge Azure AI Foundry
### Når velge Microsoft Foundry
1. Forretningskritiske AI-systemer
2. Multi-model behov (OpenAI + Claude + open source)
3. Custom orkestrering og agent-arkitektur
@ -523,7 +523,7 @@ Hvis region ikke har lokal Azure OpenAI:
5. Utviklerteam med full kontroll
### Komplementær bruk
Copilot Studio kan bruke **Bring Your Own Model** fra Azure AI Foundry for custom engine agents og prompt-tools. Copilot Studio brukes som frontend, Azure AI Foundry som modell-backend.
Copilot Studio kan bruke **Bring Your Own Model** fra Microsoft Foundry for custom engine agents og prompt-tools. Copilot Studio brukes som frontend, Microsoft Foundry som modell-backend.
---
@ -617,7 +617,7 @@ Copilot Studio kan bruke **Bring Your Own Model** fra Azure AI Foundry for custo
7. **Desktop-automatisering** der API ikke finnes og RPA-backlog er full (CUA)
8. **Data-analyse i chat**: La brukere laste opp Excel/CSV for Python-analyse (Code Interpreter)
### Når anbefale Azure AI Foundry istedenfor
### Når anbefale Microsoft Foundry istedenfor
1. **Forretningskritiske systemer** med høye SLA-krav
2. **Multi-model behov** (sammenligne GPT vs Claude vs open source)

12
skills/ms-ai-advisor/references/platforms/m365-copilot.md
View file

@ -187,7 +187,7 @@ Microsoft og partnere tilbyr ferdige agenter. Nye i 2025:
## Multi-Agent Orchestration
**Status:** GA (via Copilot Studio, Azure AI Foundry)
**Status:** GA (via Copilot Studio, Microsoft Foundry)
Agenter kan nå delegere oppgaver til hverandre i hierarkiske mønstre:
@ -209,7 +209,7 @@ Agenter kan nå delegere oppgaver til hverandre i hierarkiske mønstre:
### Bygge multi-agent-løsninger
- **Copilot Studio:** Primær plattform for low-code multi-agent
- **Azure AI Foundry:** Pro-code med full kontroll
- **Microsoft Foundry:** Pro-code med full kontroll
- **Microsoft Fabric:** Data-intensive orkestreringer
---
@ -399,7 +399,7 @@ Inneholder:
| Type | Beskrivelse | Verktøy |
|------|-------------|---------|
| **Declarative Agents** | Utvider M365 Copilot med tilpasset kunnskap og skills (GPT-5) | M365 Copilot Agent Builder, Copilot Studio, VS Code |
| **Custom Engine Agents** | Custom foundation models og orkestrering | Copilot Studio, Teams SDK, Azure AI Foundry |
| **Custom Engine Agents** | Custom foundation models og orkestrering | Copilot Studio, Teams SDK, Microsoft Foundry |
---
@ -574,7 +574,7 @@ Blokkerer Copilot fra å svare når prompts inneholder sensitiv data som:
4. Bredere distribusjon enn individ/team
5. Multi-agent orkestrering
### Når anbefale Azure AI Foundry istedenfor
### Når anbefale Microsoft Foundry istedenfor
1. Forretningskritiske AI-systemer
2. Multi-model behov (OpenAI + Claude + open source)
@ -631,7 +631,7 @@ Blokkerer Copilot fra å svare når prompts inneholder sensitiv data som:
### Multi-Agent Orchestration
- Agenter kan delegere oppgaver til hverandre
- Orkestrator/subagent-mønstre via Copilot Studio, Azure AI Foundry, Fabric
- Orkestrator/subagent-mønstre via Copilot Studio, Microsoft Foundry, Fabric
- MCP for tool/data access, A2A for cross-platform agent-to-agent
- Microsoft Agent 365 som kontrollplan for alle agenter
@ -663,7 +663,7 @@ Blokkerer Copilot fra å svare når prompts inneholder sensitiv data som:
- SharePoint agent-oversikt i admin center
### Bring Your Own Model
- Custom models fra Azure AI Foundry i Copilot Studio
- Custom models fra Microsoft Foundry i Copilot Studio
- Tilgang til 1 900+ modeller
---

2
skills/ms-ai-advisor/references/platforms/model-catalog-2026.md
View file

@ -420,7 +420,7 @@ Adapted from Microsoft Learn documentation ([CC BY 4.0](https://creativecommons.
- [Foundry Models sold directly by Azure (azure-openai)](https://learn.microsoft.com/azure/foundry/foundry-models/concepts/models-sold-directly-by-azure?view=foundry-classic)
- [Region availability for Foundry Models sold by Azure](https://learn.microsoft.com/azure/foundry/foundry-models/concepts/models-sold-directly-by-azure-region-availability) — **autoritativ deployment-type × region-matrise (live-verifisert 2026-06-18; grunnlag for seksjon 9)**
- [Foundry Models sold directly by Azure (azure-direct-others)](https://learn.microsoft.com/azure/foundry/foundry-models/concepts/models-sold-directly-by-azure?view=foundry-classic&pivots=azure-direct-others)
- [Azure OpenAI in Azure AI Foundry Models — model overview](https://learn.microsoft.com/azure/foundry/foundry-models/concepts/models-sold-directly-by-azure)
- [Azure OpenAI in Foundry Models — model overview](https://learn.microsoft.com/azure/foundry/foundry-models/concepts/models-sold-directly-by-azure)
- [GPT-5 vs GPT-4.1: choosing the right model](https://learn.microsoft.com/azure/foundry/foundry-models/how-to/model-choice-guide?view=foundry-classic)
- [Azure OpenAI reasoning models](https://learn.microsoft.com/azure/foundry/openai/how-to/reasoning?view=foundry-classic)
- [PTU costs and billing](https://learn.microsoft.com/azure/foundry/openai/concepts/provisioned-throughput-billing?view=foundry-classic)

14
skills/ms-ai-advisor/references/platforms/power-platform.md
View file

@ -92,22 +92,22 @@ Prompt Builder er AI Builders grensesnitt for å bygge, teste og deploye generat
| Feature | Status | Detaljer |
|---------|--------|----------|
| **Azure AI Foundry-modeller** | GA sept 2025 | Bruk egne fine-tunede modeller i prompts |
| **Microsoft Foundry-modeller** | GA sept 2025 | Bruk egne fine-tunede modeller i prompts |
| **Connector-grounding** | Preview juni 2025 | Bruk connector-data (ikke bare Dataverse) i prompts |
| **Power Fx i prompts** | GA sept 2025 | Bruk Power Fx-uttrykk for dynamiske prompts |
| **Prompt evaluations** | Preview mai 2025 | Optimaliser AI-resultater med accuracy scoring |
| **Test and validate** | Preview juli 2025 | Valider prompt-aksjoner før deploy |
| **Generer kode fra naturlig språk** | GA juli 2025 | Lag agenthandlinger med naturlig språk |
### Azure AI Foundry-integrasjon i Prompt Builder
### Microsoft Foundry-integrasjon i Prompt Builder
**GA: September 2025**
Koble Prompt Builder til egne modeller i Azure AI Foundry:
Koble Prompt Builder til egne modeller i Microsoft Foundry:
```
Bruksscenario:
1. Deploy fine-tuned modell i Azure AI Foundry
1. Deploy fine-tuned modell i Microsoft Foundry
2. Koble til fra Prompt Builder (sikker tilkobling)
3. Bruk i Power Automate flows eller Copilot Studio-agenter
```
@ -526,7 +526,7 @@ Action: Send daglig rapport til leder
```
Trigger: Juridisk dokument mottas
Action: Prompt Builder (egendefinert Foundry-modell)
Modell: Fine-tuned juridisk modell fra Azure AI Foundry
Modell: Fine-tuned juridisk modell fra Microsoft Foundry
Prompt: "Identifiser risikoklausuler"
Action: Flagg for jurist-gjennomgang
```
@ -551,7 +551,7 @@ Action: Flagg for jurist-gjennomgang
2. **Multi-channel** distribusjon (Teams, Web, WhatsApp)
3. **Kompleks orkestrering** med topics og actions
### Når anbefale Azure AI Foundry istedenfor
### Når anbefale Microsoft Foundry istedenfor
1. **Forretningskritiske** AI-systemer
2. **Multi-model** behov
@ -593,7 +593,7 @@ Adapted from Microsoft Learn documentation ([CC BY 4.0](https://creativecommons.
- [What's new and planned for AI Builder 2025 Wave 1](https://learn.microsoft.com/power-platform/release-plan/2025wave1/ai-builder/planned-features)
- [End of AI Builder credits](https://learn.microsoft.com/ai-builder/endofaibcredits)
- [Licensing and Copilot Credits](https://learn.microsoft.com/ai-builder/message-management)
- [Use your own generative AI model from Azure AI Foundry in prompt builder](https://learn.microsoft.com/power-platform/release-plan/2025wave1/ai-builder/use-own-generative-ai-model-azure-ai-foundry-prompt-builder)
- [Use your own generative AI model from Microsoft Foundry in prompt builder](https://learn.microsoft.com/power-platform/release-plan/2025wave1/ai-builder/use-own-generative-ai-model-azure-ai-foundry-prompt-builder)
- [Leverage advanced features with Azure Document Intelligence integration](https://learn.microsoft.com/power-platform/release-plan/2024wave2/ai-builder/leverage-advanced-features-azure-document-intelligence-integration)
- [Extract information from documents with GPT](https://learn.microsoft.com/power-platform/release-plan/2024wave2/ai-builder/extract-information-documents-gpt)
- [Copilot in Power Automate](https://learn.microsoft.com/power-automate/copilot-overview)

6
skills/ms-ai-advisor/references/prompt-engineering/adversarial-prompting-and-jailbreaks.md
View file

@ -61,7 +61,7 @@ Azure AI Content Safety Prompt Shields detekterer fire hovedkategorier:
| **Prompt Shields** | Real-time attack detection | Azure AI Content Safety |
| **Content Filters** | Multi-layered filtering (input/output) | Default på alle modeller |
| **Safety Meta-Prompts** | System-level behavior guidance | Model deployment config |
| **Azure AI Red Teaming Agent** | Automated adversarial testing | Azure AI Foundry |
| **Azure AI Red Teaming Agent** | Automated adversarial testing | Microsoft Foundry |
| **PyRIT** | Python Risk Identification Tool | Open-source + Azure integration |
---
@ -352,7 +352,7 @@ if result.jailbreak_analysis.detected:
### Azure AI Red Teaming Agent
**Setup via Azure AI Foundry SDK:**
**Setup via Microsoft Foundry SDK:**
```python
from azure.ai.evaluation import RedTeamingAgent
@ -561,7 +561,7 @@ Pricing not publicly disclosed — contact Microsoft for quote
### Azure AI Red Teaming Agent
**Pricing:**
- Inkludert i Azure AI Foundry subscription
- Inkludert i Microsoft Foundry subscription
- No separate charge for red teaming runs
- Underlying model costs apply (GPT-4o for adversarial model)

10
skills/ms-ai-advisor/references/prompt-engineering/chain-of-thought-prompting.md
View file

@ -14,7 +14,7 @@ Teknikken er spesielt kraftfull for oppgaver som krever logisk resonnering, mate
**Viktig distinksjon:** Tradisjonelle GPT-modeller (GPT-4, GPT-4o) krever eksplisitt CoT-prompting for å vise resonneringsteg. Reasoning models (o-serien, GPT-5-serien) utfører intern resonnering automatisk, og Microsoft anbefaler å **ikke bruke** CoT-teknikker med disse modellene, da det kan redusere ytelsen.
Chain-of-thought ble først dokumentert i akademisk forskning (Wei et al., 2022) og har siden blitt adoptert som en standard teknikk i produksjonssystemer. Microsoft har integrert CoT-prinsipper både i Azure OpenAI Service documentation, Azure AI Foundry prompt engineering guidance, og i evalueringsrammeverk som Azure OpenAI Evaluation (Preview).
Chain-of-thought ble først dokumentert i akademisk forskning (Wei et al., 2022) og har siden blitt adoptert som en standard teknikk i produksjonssystemer. Microsoft har integrert CoT-prinsipper både i Azure OpenAI Service documentation, Microsoft Foundry prompt engineering guidance, og i evalueringsrammeverk som Azure OpenAI Evaluation (Preview).
---
@ -188,9 +188,9 @@ Azure OpenAI Evaluation (Preview) bruker CoT internt for faktasjekking:
```python
# Factuality evaluation using chain-of-thought grading
evaluation_result = evaluator.evaluate_factuality(
query="What is Azure AI Foundry?",
ground_truth="Azure AI Foundry is a unified platform for building, testing, and deploying generative AI applications. Released: Nov 2024.",
response="Azure AI Foundry is Microsoft's platform for AI development, launched in late 2024."
query="What is Microsoft Foundry?",
ground_truth="Microsoft Foundry is a unified platform for building, testing, and deploying generative AI applications. Released: Nov 2024.",
response="Microsoft Foundry is Microsoft's platform for AI development, launched in late 2024."
)
# Evaluator uses CoT internally:
@ -292,7 +292,7 @@ When answering from knowledge sources, always:
Format: [Source 1]: <info>, [Source 2]: <info> → Conclusion: <answer>
```
### Azure AI Foundry
### Microsoft Foundry
I Prompt Flow kan du opprette en CoT-node:

6
skills/ms-ai-advisor/references/prompt-engineering/domain-specific-prompt-optimization.md
View file

@ -334,7 +334,7 @@ For public sector:
*(Confidence: MEDIUM-HIGH — Copilot Studio best practices)*
### Azure AI Foundry
### Microsoft Foundry
**Domain-specific deployment pattern:**
@ -369,7 +369,7 @@ safety:
action: "block"
```
*(Confidence: MEDIUM — Azure AI Foundry er relativt nytt, pattern basert på generell guidance)*
*(Confidence: MEDIUM — Microsoft Foundry er relativt nytt, pattern basert på generell guidance)*
---
@ -537,7 +537,7 @@ Basert på testing (Azure OpenAI dokumentasjon):
| Fase | Verktøy | Formål |
|------|---------|--------|
| **Prompt-testing** | Azure AI Foundry Playground | Iterativ testing av system messages |
| **Prompt-testing** | Microsoft Foundry Playground | Iterativ testing av system messages |
| **Evaluation** | Prompt Flow + Custom evaluators | Måle domain accuracy (presisjon, recall, F1) |
| **Deployment** | Azure OpenAI API + RAG | Produksjon med logging og monitoring |
| **Monitoring** | Azure Monitor + Application Insights | Token usage, latency, error rate |

2
skills/ms-ai-advisor/references/prompt-engineering/error-handling-and-fallback-prompting.md
View file

@ -422,7 +422,7 @@ APIM kan enforces content safety checks automatisk:
}
```
### Azure AI Foundry Safety Evaluations
### Microsoft Foundry Safety Evaluations
For systematisk testing av error handling før produksjon:

4
skills/ms-ai-advisor/references/prompt-engineering/few-shot-learning-techniques.md
View file

@ -316,7 +316,7 @@ var fewShotFunction = kernel.CreateSemanticFunction(fewShotPrompt);
var result = await fewShotFunction.InvokeAsync("I want a refund for my purchase");
```
### Azure AI Foundry
### Microsoft Foundry
**Prompt Flow:**
- Few-shot templates i "Prompt" node
@ -509,7 +509,7 @@ User Query
**Verified (MCP microsoft-learn, januar 2026):**
1. **Prompt engineering techniques** (Azure AI Foundry)
1. **Prompt engineering techniques** (Microsoft Foundry)
- https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering
- Seksjon: Few-shot learning, Zero-shot learning, Examples

4
skills/ms-ai-advisor/references/prompt-engineering/function-calling-and-tool-use.md
View file

@ -236,7 +236,7 @@ raise Exception("Max iterations reached without final answer")
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
Function calling integreres sømløst med:
- **Azure AI Search:** Bruk function calling til å bygge queries basert på brukerintent
@ -364,7 +364,7 @@ Function calling påvirker kostnaden på flere måter:
| **Microsoft 365 E3/E5** | Ikke inkludert | N/A (må kjøpe separat) |
| **Azure subscription** | Pay-as-you-go | Full support (alle modeller) |
| **Copilot Studio (standalone)** | Begrenset via Actions | Indirekte (via Copilot Studio abstraksjon) |
| **Azure AI Foundry** | Inkludert | Full support + Prompt Flow orkestrering |
| **Microsoft Foundry** | Inkludert | Full support + Prompt Flow orkestrering |
**Viktig:** Azure OpenAI krever godkjenning (application form). Offentlig sektor i Norge har vanligvis raskere godkjenning.

4
skills/ms-ai-advisor/references/prompt-engineering/grounding-and-knowledge-injection.md
View file

@ -52,12 +52,12 @@ System: You are an AI assistant. Answer ONLY using the provided context.
Context:
---
[DOCUMENT 1]: Azure AI Foundry is a unified platform for building, testing,
[DOCUMENT 1]: Microsoft Foundry is a unified platform for building, testing,
and deploying generative AI applications. Released: Nov 2024.
[DOCUMENT 2]: Azure OpenAI Service offers GPT-4, GPT-4 Turbo, and o-series models...
---
User: What is Azure AI Foundry?
User: What is Microsoft Foundry?
```
**Fordeler:** Enkel å implementere, full kontroll over context.

2
skills/ms-ai-advisor/references/prompt-engineering/multi-turn-conversation-management.md
View file

@ -391,7 +391,7 @@ chatHistory.AddAssistantMessage(response.Content);
**Fordeler:** Plugin-integrasjon, function calling, planlegging.
### Azure AI Foundry (tidligere Azure AI Studio)
### Microsoft Foundry (tidligere Azure AI Studio)
**Stored Completions:** Synliggjøres automatisk i AI Foundry portal under "Stored Completions" pane.

4
skills/ms-ai-advisor/references/prompt-engineering/multimodal-prompt-design.md
View file

@ -266,7 +266,7 @@ client = OpenAI(
)
```
### Azure AI Foundry (tidligere Azure AI Studio)
### Microsoft Foundry (tidligere Azure AI Studio)
**Supported models for multimodal:**
- GPT-5 series (gpt-5, gpt-5-mini, gpt-5-nano)
@ -551,7 +551,7 @@ AzureDiagnostics
**Code samples:**
- Azure-Samples/cognitive-services-sample-data-files (GitHub)
- Azure AI Foundry multimodal RAG sample app (https://aka.ms/azs-multimodal-sample-app-repo)
- Microsoft Foundry multimodal RAG sample app (https://aka.ms/azs-multimodal-sample-app-repo)
**Confidence markers:**
- ✅ **High confidence:** Token counts, API structure, detail parameter behavior (direkte fra offisiell docs)

38
skills/ms-ai-advisor/references/prompt-engineering/prompt-testing-and-evaluation.md
View file

@ -8,12 +8,12 @@
## Introduksjon
Evaluering av prompt-baserte LLM-løsninger er kritisk for å måle ytelse, kvalitet og sikkerhet i generative AI-applikasjoner. Microsoft tilbyr en omfattende evalueringsplattform gjennom Azure AI Foundry og Prompt Flow som støtter både automatisert testing, AI-assistert evaluering og kontinuerlig overvåking.
Evaluering av prompt-baserte LLM-løsninger er kritisk for å måle ytelse, kvalitet og sikkerhet i generative AI-applikasjoner. Microsoft tilbyr en omfattende evalueringsplattform gjennom Microsoft Foundry og Prompt Flow som støtter både automatisert testing, AI-assistert evaluering og kontinuerlig overvåking.
Denne referansen dekker evalueringsrammeverket for prompt testing, iterasjon og optimalisering på tvers av Microsoft AI-stakken — fra utviklingsfasen (prototyping), via eksperimentering (evaluation flows), til produksjon (continuous evaluation).
**Hovedkomponenter:**
- **Azure AI Foundry Evaluation**: UI-basert evalueringsportal med innebygde metrics
- **Microsoft Foundry Evaluation**: UI-basert evalueringsportal med innebygde metrics
- **Prompt Flow Evaluation**: SDK-basert rammeverk for programmatisk evaluering
- **Azure AI Evaluation SDK**: Python SDK for custom evaluators og batch-evaluering
- **Continuous Evaluation**: Automatisk evaluering av agent-responser i produksjon
@ -29,9 +29,9 @@ Denne referansen dekker evalueringsrammeverket for prompt testing, iterasjon og
## Kjernekomponenter
### 1. Azure AI Foundry Evaluation Portal
### 1. Microsoft Foundry Evaluation Portal
**Beskrivelse:** UI-basert evalueringsverktøy i Azure AI Foundry portalen som lar deg opprette evaluation runs med innebygde metrics, visualisere resultater og sammenligne evalueringer.
**Beskrivelse:** UI-basert evalueringsverktøy i Microsoft Foundry portalen som lar deg opprette evaluation runs med innebygde metrics, visualisere resultater og sammenligne evalueringer.
**Kapabiliteter:**
- Wizard-basert opprettelse av evaluation runs (Evaluation → Create)
@ -158,7 +158,7 @@ pfazure run stream --name <evaluation-run-name>
### 3. Azure AI Evaluation SDK
**Beskrivelse:** Python SDK (`azure-ai-evaluation`) for programmatisk evaluering av LLM-applikasjoner, med støtte for custom evaluators, batch evaluation og integration med Azure AI Foundry.
**Beskrivelse:** Python SDK (`azure-ai-evaluation`) for programmatisk evaluering av LLM-applikasjoner, med støtte for custom evaluators, batch evaluation og integration med Microsoft Foundry.
**Installasjon:**
@ -319,7 +319,7 @@ continuous_eval_rule = project_client.evaluation_rules.create_or_update(
### 5. Evaluator Library & Version Management
**Beskrivelse:** Sentralisert bibliotek i Azure AI Foundry for lagring, versjonering og deling av custom evaluators.
**Beskrivelse:** Sentralisert bibliotek i Microsoft Foundry for lagring, versjonering og deling av custom evaluators.
**Registrere Custom Evaluator:**
@ -622,7 +622,7 @@ if p_value < 0.05:
|----------|-------------------|-------------|
| **Prototyping (5-50 samples)** | Playground + Manual Review | Rask iterasjon, minimal overhead |
| **Development (100-500 samples)** | Prompt Flow Batch Evaluation | Strukturert testing, metrics logging |
| **Pre-Production (1000+ samples)** | Azure AI Foundry Evaluation (UI/SDK) | Golden dataset testing, A/B comparison |
| **Pre-Production (1000+ samples)** | Microsoft Foundry Evaluation (UI/SDK) | Golden dataset testing, A/B comparison |
| **Production Monitoring** | Continuous Evaluation + HITL | Real-time safety, drift detection |
---
@ -670,7 +670,7 @@ if p_value < 0.05:
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
**Evaluation Workflow:**
@ -775,8 +775,8 @@ steps:
**Workaround:**
1. **Eksporter conversation logs** fra Copilot Studio til Dataverse
2. **Sync til Azure AI Foundry** via API
3. **Kjør evaluation** i Azure AI Foundry mot eksporterte logs
2. **Sync til Microsoft Foundry** via API
3. **Kjør evaluation** i Microsoft Foundry mot eksporterte logs
**Alternativ:** Bruk **Power Automate** flow for å samle conversation logs og kalle Azure AI Evaluation API.
@ -787,8 +787,8 @@ steps:
**Limitation:** AI Builder har ikke native evaluation support for prompt-baserte modeller.
**Workaround:**
1. Test prompts i **Azure AI Foundry Playground**
2. Evaluer via **Azure AI Foundry Evaluation Portal**
1. Test prompts i **Microsoft Foundry Playground**
2. Evaluer via **Microsoft Foundry Evaluation Portal**
3. Deploy finalized prompt til AI Builder (via custom connector til Azure OpenAI)
---
@ -905,7 +905,7 @@ def grade(sample: dict, item: dict) -> float:
## Kostnad og lisensiering
### Azure AI Foundry Evaluation Costs
### Microsoft Foundry Evaluation Costs
| Komponent | Kostnadsmodell | Estimat (NOK/måned) |
|-----------|----------------|---------------------|
@ -926,7 +926,7 @@ def grade(sample: dict, item: dict) -> float:
| Komponent | Lisenskrav | Inkludert i |
|-----------|------------|-------------|
| **Azure AI Foundry Evaluation Portal** | Azure-subscription | Azure AI Foundry Hub |
| **Microsoft Foundry Evaluation Portal** | Azure-subscription | Microsoft Foundry Hub |
| **Prompt Flow SDK** | Ingen lisens (open-source) | Gratis (pip install) |
| **Azure AI Evaluation SDK** | Ingen lisens (open-source) | Gratis (pip install) |
| **Azure OpenAI (for GPT-4 judges)** | Azure-subscription + model deployment | Pay-as-you-go pricing |
@ -951,13 +951,13 @@ def grade(sample: dict, item: dict) -> float:
## For arkitekten (Cosmo)
### Når foreslå Azure AI Foundry Evaluation?
### Når foreslå Microsoft Foundry Evaluation?
✅ **JA, når:**
- Kunden jobber med RAG, conversational agents eller content generation
- Kunden trenger **systematisk prompt testing** for å sikre kvalitet før produksjon
- Kunden er underlagt **compliance-krav** (AI Act, GDPR, norsk offentlig sektor)
- Kunden har **eksisterende Azure AI Foundry infrastructure**
- Kunden har **eksisterende Microsoft Foundry infrastructure**
- Kunden trenger **continuous evaluation** for production monitoring
❌ **NEI, når:**
@ -1048,7 +1048,7 @@ def grade(sample: dict, item: dict) -> float:
**High Confidence (>95%):**
- Built-in evaluators (Groundedness, Relevance, Safety) er production-ready og widely used
- Prompt Flow SDK evaluation workflow er stable (GA siden 2023), men utfases 20. april 2027 — migrer til Microsoft Agent Framework / Azure AI Evaluation SDK for ny utvikling
- Azure AI Foundry Evaluation Portal er GA (as of 2024)
- Microsoft Foundry Evaluation Portal er GA (as of 2024)
**Medium Confidence (70-95%):**
- Synthetic data generation quality (Preview-feature, limited regions)
@ -1065,7 +1065,7 @@ def grade(sample: dict, item: dict) -> float:
## Kilder og verifisering
**Primary Sources (Microsoft Learn):**
1. [Evaluate generative AI models and applications - Azure AI Foundry](https://learn.microsoft.com/en-us/azure/foundry/how-to/evaluate-generative-ai-app?view=foundry-classic) — GA
1. [Evaluate generative AI models and applications - Microsoft Foundry](https://learn.microsoft.com/en-us/azure/foundry/how-to/evaluate-generative-ai-app?view=foundry-classic) — GA
2. [Evaluation flows and metrics - Azure Machine Learning Prompt Flow](https://learn.microsoft.com/en-us/azure/machine-learning/prompt-flow/how-to-develop-an-evaluation-flow?view=azureml-api-2) — GA. Re-verifisert MCP 2026-06-19: Prompt Flow utfases 20. april 2027 → migrer til Microsoft Agent Framework. `log_metric()`/aggregation-mønster uendret.
3. [Azure AI Evaluation SDK - Python API](https://learn.microsoft.com/en-us/python/api/overview/azure/ai-evaluation-readme?view=azure-python) — GA
4. [Agent evaluation with Azure AI Evaluation SDK](https://learn.microsoft.com/en-us/azure/foundry-classic/how-to/develop/agent-evaluate-sdk?view=foundry-classic) — GA
@ -1076,5 +1076,5 @@ def grade(sample: dict, item: dict) -> float:
3. [Custom evaluator registration](https://learn.microsoft.com/en-us/azure/foundry/how-to/develop/cloud-evaluation?view=foundry-classic#specify-custom-evaluators)
**Last Verified:** 2026-06-19
**Version:** Azure AI Foundry v2 (2024-2026), Prompt Flow v1.13+ (2024-2026; utfases 2027-04-20 → Microsoft Agent Framework)
**Version:** Microsoft Foundry v2 (2024-2026), Prompt Flow v1.13+ (2024-2026; utfases 2027-04-20 → Microsoft Agent Framework)
**MCP Calls:** 3 (microsoft_docs_search × 2, microsoft_docs_fetch × 2, microsoft_code_sample_search × 1)

2
skills/ms-ai-advisor/references/prompt-engineering/real-time-reasoning-performance.md
View file

@ -290,7 +290,7 @@ Deployment C: Chatbot (variabel prompt, medium output)
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
**Realtime Audio Playground:**
- Deploy `gpt-4o-mini-realtime-preview` i Foundry.

6
skills/ms-ai-advisor/references/prompt-engineering/reasoning-models-o1-o3-optimization.md
View file

@ -297,9 +297,9 @@ if status.status == "completed":
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
Reasoning models er tilgjengelige i Azure AI Foundry (tidligere Azure AI Studio):
Reasoning models er tilgjengelige i Microsoft Foundry (tidligere Azure AI Studio):
- Deploy via **Foundry Tools resource** for full kontroll
- Bruk **Playground** for testing med reasoning summary visualisering
- Kombiner med **Prompt Flow** for orchestration (merk: reasoning tokens telles i cost tracking)
@ -523,7 +523,7 @@ Denne kunnskapsreferansen er basert på offisiell Microsoft Learn-dokumentasjon
https://learn.microsoft.com/en-us/azure/foundry/foundry-models/concepts/models-sold-directly-by-azure
*Confidence: Verified (MCP fetch 2026-02)*
3. **Reasoning models with Microsoft Foundry Models**
3. **Reasoning models with Foundry Models**
https://learn.microsoft.com/en-us/azure/foundry-classic/foundry-models/how-to/use-chat-reasoning
*Confidence: Verified (MCP search 2026-02)*

10
skills/ms-ai-advisor/references/prompt-engineering/regulatory-and-compliance-prompting.md
View file

@ -354,7 +354,7 @@ Metaprompt for Transparency:
Lagre denne rapporten for audit trail."
```
**Implementering i Azure AI Foundry:**
**Implementering i Microsoft Foundry:**
- **AI Reports:** Auto-generate PDF/SPDX documentation
- **Model Card:** Dokumenter training data, biases, intended use
@ -519,12 +519,12 @@ audit_client.log_event({
})
```
### Azure AI Foundry
### Microsoft Foundry
**Compliance Workflow:**
```
1. Model Development → Azure AI Foundry Studio
1. Model Development → Microsoft Foundry Studio
2. Safety Evaluation → Automated fairness/robustness tests
3. Model Card Generation → Document intended use, limitations
4. AI Report Export → PDF for regulators (includes eval metrics)
@ -749,7 +749,7 @@ Kritisk: Compliance-features koster minimalt, men gir juridisk trygghet
3. **Documentation Debt:**
- AI projects uten DPIA/Model Cards er "technical debt"
- Microsoft Purview + Azure AI Foundry reports automatiserer dette
- Microsoft Purview + Microsoft Foundry reports automatiserer dette
4. **Human-in-the-Loop er ikke valgfritt for high-risk:**
- EU AI Act krever human oversight for rekruttering, kreditt, lovhåndhevelse
@ -830,7 +830,7 @@ Før produksjonsdeploy, gjennomfør en 2-dagers compliance sprint:
- [ ] Configure content filters (threshold tuning)
- [ ] Setup Purview logging + retention policies
- [ ] Document MADR for model/deployment choices
- [ ] Generate AI Report (Azure AI Foundry)
- [ ] Generate AI Report (Microsoft Foundry)
**Deliverables:**

2
skills/ms-ai-advisor/references/prompt-engineering/role-playing-and-persona-techniques.md
View file

@ -666,7 +666,7 @@ If uncertain, explain limitations.
**Microsoft Learn (offisielle kilder):**
1. [System message design - Azure AI Foundry](https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/advanced-prompt-engineering)
1. [System message design - Microsoft Foundry](https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/advanced-prompt-engineering)
*Komplett guide til system message design, key concepts, og best practices*
2. [Safety system messages - Azure OpenAI](https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/system-message)

2
skills/ms-ai-advisor/references/prompt-engineering/structured-output-formatting.md
View file

@ -231,7 +231,7 @@ completion = client.beta.chat.completions.parse(
## Integrasjon med Microsoft-stakken
### Azure AI Foundry / Azure OpenAI
### Microsoft Foundry / Azure OpenAI
**API-versjon:** Structured outputs introdusert i `2024-08-01-preview`, tilgjengelig i GA-versjon `v1`.

8
skills/ms-ai-advisor/references/prompt-engineering/system-message-design-patterns.md
View file

@ -12,7 +12,7 @@ System messages (også kalt system prompts eller metaprompts) er grunnleggende f
System messages sender du som del av chat completions API, hvor meldinger er organisert i roller: **system**, **user** og **assistant**. System-rollen plasseres typisk først og setter premissene for hele samtalen. Til forskjell fra prompt engineering for eldre completion-APIer, hvor alt er fritekst, gir chat-modellene en strukturert tilnærming som gjør det lettere å skille instruksjoner fra brukerinput.
I Azure AI Foundry (tidligere Azure OpenAI Studio) og via REST API kan utviklere definere system messages både programmatisk og via UI. Forståelse av hvordan disse virker – og hvilke begrensninger de har – er essensielt for å bygge produksjonsklare AI-løsninger.
I Microsoft Foundry (tidligere Azure OpenAI Studio) og via REST API kan utviklere definere system messages både programmatisk og via UI. Forståelse av hvordan disse virker – og hvilke begrensninger de har – er essensielt for å bygge produksjonsklare AI-løsninger.
---
@ -100,7 +100,7 @@ For domene-spesifikke use cases (customer support, entity extraction, compliance
system_message = """
You are a technical support assistant for Azure AI services.
Your job is to help users troubleshoot issues with Azure OpenAI deployments.
Only answer questions related to Azure OpenAI, Azure AI Search, and Azure AI Foundry.
Only answer questions related to Azure OpenAI, Azure AI Search, and Microsoft Foundry.
If the user asks about unrelated topics, politely redirect them.
When unsure, ask clarifying questions. If you lack information, say "I don't know."
"""
@ -214,7 +214,7 @@ response = client.chat.completions.create(
*Verified: Kodeeksempel fra Microsoft Learn (2024-02-01 API)*
### Azure AI Foundry (Portal)
### Microsoft Foundry (Portal)
I AI Foundry Studio kan du sette system message via:
1. Chat playground → System message field
2. Deployment configuration → Default system message
@ -331,7 +331,7 @@ response = client.chat.completions.create(
### Arkitekturmønstre for enterprise
For store organisasjoner med mange AI-assistenter:
1. **Template library:** Opprett standard system message templates per use case (support, compliance, content generation)
2. **Centralized management:** Bruk Azure AI Foundry prompt management for versjonskontroll
2. **Centralized management:** Bruk Microsoft Foundry prompt management for versjonskontroll
3. **A/B testing framework:** Deploy parallelle varianter av system messages, mål success metrics
4. **Monitoring:** Logg system message effectiveness via Application Insights

2
skills/ms-ai-advisor/references/prompt-engineering/temperature-sampling-and-parameters.md
View file

@ -247,7 +247,7 @@ Azure OpenAI On Your Data legger til egne system-parametere:
### Mønster 4: Model Router med reasoning models
Azure AI Foundry Model Router kan automatisk velge mellom GPT-modeller og o-series reasoning models.
Microsoft Foundry Model Router kan automatisk velge mellom GPT-modeller og o-series reasoning models.
**Viktig:**
Hvis Model Router velger en o-series model, ignoreres følgende parametere:

8
skills/ms-ai-advisor/references/prompt-engineering/token-optimization-and-efficiency.md
View file

@ -106,7 +106,7 @@ Prompt caching reduserer kostnader ved å cache de første 1024+ tokens i en pro
| **Minimum prompt-lengde** | 1024 tokens |
| **Cache-treff** | Første 1024 tokens må være identiske |
| **Granularitet** | Cache-treff per 128 tokens etter første 1024 |
| **Cache-levetid** | 5-10 min inaktivitet (max 1 time for Azure AI Foundry; 24t for Foundry Models) |
| **Cache-levetid** | 5-10 min inaktivitet (max 1 time for Microsoft Foundry; 24t for Foundry Models) |
| **Deling** | Ikke delt mellom Azure subscriptions |
#### Design for cache-hits
@ -160,13 +160,13 @@ messages = [
# ❌ Ukontrollert output (kan generere 4000+ tokens)
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": "Explain Azure AI Foundry"}]
messages=[{"role": "user", "content": "Explain Microsoft Foundry"}]
)
# ✅ Kontrollert output
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": "Explain Azure AI Foundry in 3 sentences"}],
messages=[{"role": "user", "content": "Explain Microsoft Foundry in 3 sentences"}],
max_tokens=150,
stop=["\n\n"] # Stopp ved double line break
)
@ -325,7 +325,7 @@ Start: Høye token-kostnader?
## Integrasjon med Microsoft-stakken
### Azure AI Foundry: Token monitoring
### Microsoft Foundry: Token monitoring
```python
# Overvåk token-bruk i Azure Monitor

2
skills/ms-ai-engineering/SKILL.md
View file

@ -88,7 +88,7 @@ MLOps og GenAIOps sikrer pålitelig bygging, deployment og drift av AI-løsninge
| Type | Hva testes | Verktøy |
|------|-----------|---------|
| Unit | Enkeltstående funksjoner | pytest, vitest |
| Prompt evaluation | Kvalitet på LLM-output | Azure AI Foundry eval SDK |
| Prompt evaluation | Kvalitet på LLM-output | Microsoft Foundry eval SDK |
| RAG evaluation | Retrieval + generation | Ragas, Azure AI eval |
| Red teaming | Sikkerhet og robusthet | Azure AI red teaming tools |
| A/B testing | Produksjonsytelse | Application Insights |

8
skills/ms-ai-engineering/references/agent-orchestration/agent-autonomy-and-control-governance.md
View file

@ -178,7 +178,7 @@ workflow = (
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
**Guardrails:**
- Default: `Microsoft.DefaultV2` guardrail
@ -299,7 +299,7 @@ workflow = (
| Komponent | Prismodell | Estimat (NOK/måned) |
|-----------|------------|---------------------|
| **Azure AI Foundry Agents** | Per interaction (input/output tokens) | Varierer: GPT-4o ~0.02 NOK/1K tokens |
| **Foundry Agents** | Per interaction (input/output tokens) | Varierer: GPT-4o ~0.02 NOK/1K tokens |
| **Azure Application Insights** | Per GB ingested + retention | ~200-2000 NOK for small-medium agent fleet |
| **Azure API Management (AI Gateway)** | Per gateway instance + calls | Developer: ~400 NOK, Standard: ~6000 NOK |
| **Azure Monitor Alerts** | Per alert rule + notifications | ~10 NOK per rule, email free |
@ -315,7 +315,7 @@ workflow = (
### Lisensiering
**Microsoft Agent Framework:** Open source (MIT-lisens), ingen lisensiering
**Azure AI Foundry:** Pay-as-you-go (consumption-based), ingen upfront lisens
**Microsoft Foundry:** Pay-as-you-go (consumption-based), ingen upfront lisens
**Copilot Studio:** Inkludert i Microsoft 365 Copilot lisens (18 000 NOK/user/år), eller standalone (~2000 NOK/user/år)
## For arkitekten (Cosmo)
@ -420,7 +420,7 @@ workflow = (
|---------|------------|-------------|
| Kontrollnivåer | Verified | Direkte fra Microsoft Learn (Copilot Studio generative orchestration) |
| HITL mekanismer | Verified | Agent Framework docs + code samples |
| Guardrails | Verified | Azure AI Foundry docs |
| Guardrails | Verified | Microsoft Foundry docs |
| Graduated Autonomy Pattern | Baseline | Syntetisert fra best practices, ikke eksplisitt Microsoft pattern |
| Layered Orchestration | Verified | Agent Framework workflow docs |
| Independent Governance Agent | Verified | Responsible AI docs (coordinator agents) |

2
skills/ms-ai-engineering/references/agent-orchestration/agent-compliance-and-audit-trails.md
View file

@ -10,7 +10,7 @@
Compliance og revisjonsspor for AI-agenter er ikke lenger en "nice-to-have" -- det er et regulatorisk krav under EU AI Act, GDPR, og nasjonale regelverk som den norske Forvaltningsloven. Organisasjoner må dokumentere hva agenter gjør, hvilke data de aksesserer, hvilke beslutninger de tar, og hvordan disse beslutningene kan etterprøves. Uten strukturerte revisjonsspor risikerer virksomheter regulatoriske sanksjoner og tap av tillit.
Microsoft tilbyr en governance-stack for agentcompliance gjennom Azure AI Foundry Control Plane for unified agentsynlighet, Microsoft Purview Compliance Manager for regulatorisk mapping, Microsoft Entra Agent ID for identitets- og tilgangsstyring, Azure Monitor og Log Analytics for sentralisert logging, og Microsoft Agent 365 for enterprise-grade agentovervåking. Disse verktøyene til sammen sikrer at enhver agenthandling kan spores tilbake til en spesifikk brukerforespørsel, gjennom agentens resonnering, til det endelige resultatet.
Microsoft tilbyr en governance-stack for agentcompliance gjennom Microsoft Foundry Control Plane for unified agentsynlighet, Microsoft Purview Compliance Manager for regulatorisk mapping, Microsoft Entra Agent ID for identitets- og tilgangsstyring, Azure Monitor og Log Analytics for sentralisert logging, og Microsoft Agent 365 for enterprise-grade agentovervåking. Disse verktøyene til sammen sikrer at enhver agenthandling kan spores tilbake til en spesifikk brukerforespørsel, gjennom agentens resonnering, til det endelige resultatet.
For norsk offentlig sektor er kravene spesielt strenge: Forvaltningsloven krever dokumentasjon av saksbehandling, Arkivloven krever journalføring, Offentlighetsloven gir innsynsrett, og EU AI Act stiller krav til risikostyring og logging av høyrisiko AI-systemer.

8
skills/ms-ai-engineering/references/agent-orchestration/agent-cost-optimization-strategies.md
View file

@ -10,7 +10,7 @@
Kostnadsoptimalisering for agentsystemer er en strategisk nødvendighet ettersom organisasjoner skalerer fra pilot til produksjon. Agenter som involverer flere LLM-kall, RAG-retrievals og verktøyinvokasjoner kan generere betydelige kostnader -- en enkelt kompleks agentforespørsel kan involvere 3-5 modellkall med totalt 5000-20000 tokens. Uten bevisst kostnadsstyring eskalerer utgiftene raskt når brukervolum øker.
Microsoft tilbyr et komplett verktøysett for agentkostnadsoptimalisering: Azure AI Foundry Control Plane med Ask AI-agenten for kostnadsanalyse, Model Router for automatisk modellvalg basert på kvalitet/kostnad, APIM som AI Gateway for token rate limiting og kostnadsallokering, og tiered deployment-modeller (Standard, Provisioned, Global). Foundry-portalen gir direkte sammenligning av modeller med hensyn til både ytelse og kostnad.
Microsoft tilbyr et komplett verktøysett for agentkostnadsoptimalisering: Microsoft Foundry Control Plane med Ask AI-agenten for kostnadsanalyse, Model Router for automatisk modellvalg basert på kvalitet/kostnad, APIM som AI Gateway for token rate limiting og kostnadsallokering, og tiered deployment-modeller (Standard, Provisioned, Global). Foundry-portalen gir direkte sammenligning av modeller med hensyn til både ytelse og kostnad.
For norsk offentlig sektor er kostnadsbevissthet spesielt viktig gitt budsjettrammene i offentlige virksomheter. FinOps-prinsipper tilpasset AI -- med tagging, kostnadsallokering per enhet og budsjettvarslinger -- sikrer at AI-investeringer er sporbare og forsvarlge.
@ -41,7 +41,7 @@ For norsk offentlig sektor er kostnadsbevissthet spesielt viktig gitt budsjettra
### Model Router
```python
# Azure AI Foundry Model Router for automatisk modellvalg
# Microsoft Foundry Model Router for automatisk modellvalg
# Model Router velger dynamisk mellom modeller basert på oppgavekompleksitet
from openai import AzureOpenAI
@ -314,7 +314,7 @@ customEvents
## Foundry Control Plane Kostnadsoptimalisering
Azure AI Foundry Control Plane tilbyr innebygd kostnadsanalyse:
Microsoft Foundry Control Plane tilbyr innebygd kostnadsanalyse:
```
Ask AI agent dialog-eksempler:
@ -379,7 +379,7 @@ budget_alert_config = {
## For Cosmo
- **Model tiering er den viktigste optimaliseringen** -- bruk gpt-4.1-nano/mini for routing og klassifisering, og reserver gpt-4o for kompleks resonnering. Typisk 30-50% kostnadsreduksjon.
- **Model Router** i Azure AI Foundry er det enkleste tiltaket -- det ruter automatisk enkle forespørsler til billigere modeller uten kodeendringer.
- **Model Router** i Microsoft Foundry er det enkleste tiltaket -- det ruter automatisk enkle forespørsler til billigere modeller uten kodeendringer.
- **Token-optimalisering** gjennom komprimerte system prompts og riktige max_tokens-verdier har kumulativ effekt -- 20% tokenreduksjon over millioner av kall er betydelig.
- **Cost attribution med Azure tags** er obligatorisk for offentlig sektor -- spor kostnad per agent, per avdeling, per bruksområde for budsjettering og gevinstrealisering.
- **PTU-deployment** lønner seg typisk ved > 50K forespørsler/dag med stabil trafikk -- under dette er Standard med pay-per-token mer kostnadseffektivt.

12
skills/ms-ai-engineering/references/agent-orchestration/agent-evaluation-testing-frameworks.md
View file

@ -8,11 +8,11 @@
## Introduksjon
Agent-baserte AI-systemer representerer en ny kompleksitet i testing og validering sammenlignet med tradisjonelle deterministic workflows. Der en enkel LLM-applikasjon kun har én inngangspunkt og ett svar, har agenter multippel tool-calling, dynamisk reasoning, multi-turn samtaler, og ikke-deterministisk oppførsel. Microsoft tilbyr et komprehensivt evalueringsrammeverk gjennom Azure AI Evaluation SDK og Azure AI Foundry som håndterer både pre-deployment testing (batch evaluation) og post-deployment monitoring (continuous evaluation).
Agent-baserte AI-systemer representerer en ny kompleksitet i testing og validering sammenlignet med tradisjonelle deterministic workflows. Der en enkel LLM-applikasjon kun har én inngangspunkt og ett svar, har agenter multippel tool-calling, dynamisk reasoning, multi-turn samtaler, og ikke-deterministisk oppførsel. Microsoft tilbyr et komprehensivt evalueringsrammeverk gjennom Azure AI Evaluation SDK og Microsoft Foundry som håndterer både pre-deployment testing (batch evaluation) og post-deployment monitoring (continuous evaluation).
Evalueringsrammeverket støtter tre hovedtyper testing: **System Evaluation** (helhetsoppførsel til agenten), **Process Evaluation** (kvalitet på tool calls og reasoning steps), og **Safety Evaluation** (content safety, jailbreak-resistance, bias). Alle evaluators opererer som LLM judges (typisk GPT-4.1 eller o-series reasoning models) som gir både scores, pass/fail labels, og reasoning explanations.
Azure AI Foundry støtter både Foundry Agent Service (built-in agents), Semantic Kernel agents, og custom agents via OpenAI-style message schema. Evaluering kan kjøres lokalt på utviklermaskinen, i cloud for CI/CD-integrasjon, eller kontinuerlig i produksjon med sampling rates og Azure Monitor Application Insights-integrasjon.
Microsoft Foundry støtter både Foundry Agent Service (built-in agents), Semantic Kernel agents, og custom agents via OpenAI-style message schema. Evaluering kan kjøres lokalt på utviklermaskinen, i cloud for CI/CD-integrasjon, eller kontinuerlig i produksjon med sampling rates og Azure Monitor Application Insights-integrasjon.
## Kjernekomponenter
@ -84,7 +84,7 @@ Alle evaluators returnerer standardisert JSON:
**Ulemper:**
- Koster Azure OpenAI tokens (evaluator LLM calls)
- Krever Azure AI Foundry project setup
- Krever Microsoft Foundry project setup
**Eksempel (Python):**
@ -258,7 +258,7 @@ evaluator = TaskAdherenceEvaluator(
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
- **Evaluation wizard (UI):** No-code batch evaluation med built-in evaluators
- **Trace debugger:** Step-by-step agent execution trace koblet til evaluation scores
@ -360,7 +360,7 @@ results = mlflow.genai.evaluate(
| **Azure OpenAI judge model (gpt-4o)** | Pay-per-token (input + output) | ~200-500 NOK (avhengig av conversation length) |
| **Azure OpenAI judge model (o3-mini)** | Pay-per-token + reasoning tokens | ~500-1200 NOK (høyere pga. extended thinking) |
| **Application Insights** | Data ingestion + retention | ~50-100 NOK/måned (1M traces) |
| **Foundry storage** | Evaluation results + traces | Inkludert i Azure AI Foundry project (ingen ekstra cost) |
| **Foundry storage** | Evaluation results + traces | Inkludert i Microsoft Foundry project (ingen ekstra cost) |
### Cost optimization tips
@ -387,7 +387,7 @@ results = mlflow.genai.evaluate(
| Komponent | Lisens | Krav |
|-----------|--------|------|
| **Azure AI Evaluation SDK** | MIT License (open-source) | Ingen |
| **Azure AI Foundry** | Inkludert i Azure subscription | Azure subscription |
| **Microsoft Foundry** | Inkludert i Azure subscription | Azure subscription |
| **Azure OpenAI** | Pay-as-you-go (per token) | Azure OpenAI access (申请 required) |
| **Application Insights** | Pay-as-you-go (per GB ingested) | Azure subscription |

16
skills/ms-ai-engineering/references/agent-orchestration/agent-feedback-and-learning-loops.md
View file

@ -10,7 +10,7 @@
AI-agenter i produksjon er ikke statiske systemer -- de krever kontinuerlig forbedring basert på reell brukerinteraksjon og ytelsesdata. Feedback-loops er mekanismene som fanger opp signaler fra brukere, evaluatorer og systemmetrikker, og kanaliserer disse tilbake til agentens konfigurasjon, prompts og underliggende modeller. Uten strukturerte feedback-loops degraderer agentytelse over tid ettersom brukerforventninger, datakilder og forretningsregler endres.
Microsoft tilbyr en integrert plattform for kontinuerlig evaluering og forbedring av agenter gjennom Azure AI Foundry, Application Insights og Semantic Kernel. Foundry-plattformen støtter automatisert kvalitetsevaluering i produksjon med innebygde evaluatorer for relevans, koherens og sikkerhet. Kombinert med eksplisitt brukerfeedback (thumbs up/down) og implisitte signaler (avbrutte samtaler, oppfølgingsspørsmål) skaper dette en lukket forbedringssyklus.
Microsoft tilbyr en integrert plattform for kontinuerlig evaluering og forbedring av agenter gjennom Microsoft Foundry, Application Insights og Semantic Kernel. Foundry-plattformen støtter automatisert kvalitetsevaluering i produksjon med innebygde evaluatorer for relevans, koherens og sikkerhet. Kombinert med eksplisitt brukerfeedback (thumbs up/down) og implisitte signaler (avbrutte samtaler, oppfølgingsspørsmål) skaper dette en lukket forbedringssyklus.
For norsk offentlig sektor er feedback-loops kritisk for å sikre at AI-agenter forblir i tråd med Forvaltningslovens krav til forsvarlig saksbehandling og Digitaliseringsdirektoratets prinsipper for ansvarlig AI. Systematisk innsamling av tilbakemeldinger dokumenterer også at organisasjonen aktivt overvåker og forbedrer sine AI-systemer -- et krav under EU AI Act.
@ -18,10 +18,10 @@ For norsk offentlig sektor er feedback-loops kritisk for å sikre at AI-agenter
| Komponent | Formål | Teknologi |
|-----------|--------|-----------|
| Continuous Evaluation | Automatisk kvalitetsmåling i produksjon | Azure AI Foundry Evaluators |
| Continuous Evaluation | Automatisk kvalitetsmåling i produksjon | Microsoft Foundry Evaluators |
| User Feedback Collection | Eksplisitt og implisitt tilbakemelding | Application Insights, custom telemetry |
| Agent Monitoring | Ytelsesovervåking og drift-deteksjon | Azure Monitor, Foundry Control Plane |
| Evaluation Catalog | Sentralisert evaluatorbibliotek | Azure AI Foundry evaluator catalog |
| Evaluation Catalog | Sentralisert evaluatorbibliotek | Microsoft Foundry evaluator catalog |
| Reward Modeling | Scoring av agentresponser for forbedring | Custom evaluators, RLHF-pipelines |
| Retraining Pipeline | Automatisert modelloppgradering | Azure ML Pipelines, MLflow |
@ -29,7 +29,7 @@ For norsk offentlig sektor er feedback-loops kritisk for å sikre at AI-agenter
### Eksplisitt feedback
Eksplisitt feedback er direkte brukerhandlinger som thumbs up/down, rating-skalaer eller fritekstkommentarer. Azure AI Foundry og Copilot Studio har innebygd støtte for å samle denne typen data.
Eksplisitt feedback er direkte brukerhandlinger som thumbs up/down, rating-skalaer eller fritekstkommentarer. Microsoft Foundry og Copilot Studio har innebygd støtte for å samle denne typen data.
```python
# Logge brukerfeedback til MLflow med trace_id
@ -68,9 +68,9 @@ Implisitte signaler fanges opp uten eksplisitt brukerhandling:
# 3. Definer egendefinerte metrikker i analytics-dashboardet
```
## Continuous Evaluation med Azure AI Foundry
## Continuous Evaluation med Microsoft Foundry
Azure AI Foundry tilbyr automatisert kvalitetsevaluering av agenter i produksjon. Evaluatorer kjører kontinuerlig mot produksjonstrafikk og rapporterer resultater til Application Insights.
Microsoft Foundry tilbyr automatisert kvalitetsevaluering av agenter i produksjon. Evaluatorer kjører kontinuerlig mot produksjonstrafikk og rapporterer resultater til Application Insights.
```python
from azure.ai.projects import AIProjectClient
@ -125,7 +125,7 @@ project_client.evaluation.create_agent_evaluation(
### Foundry Control Plane
Azure AI Foundry Control Plane gir unified oversikt over agentflåten:
Microsoft Foundry Control Plane gir unified oversikt over agentflåten:
```python
# Overvåk agentytelse via Azure Monitor
@ -304,7 +304,7 @@ class RAGFeedbackCollector:
## For Cosmo
- **Continuous evaluation er ikke valgfritt** -- det er en forutsetning for produksjonsdeployment. Implementer Azure AI Foundry evaluatorer fra dag 1 med sampling tilpasset risikoprofilen.
- **Continuous evaluation er ikke valgfritt** -- det er en forutsetning for produksjonsdeployment. Implementer Microsoft Foundry evaluatorer fra dag 1 med sampling tilpasset risikoprofilen.
- **Closed-loop feedback** er gullstandarden: identifiser problemer via monitoring, diagnostiser med MLflow traces, forbedre prompts/RAG, valider med evalueringssett, og deploy gradvis.
- **Drift-deteksjon** er spesielt viktig for agenter som bruker RAG -- kunnskapsbaser blir utdaterte, og groundedness-score er den beste indikatoren på dette.
- **Norsk offentlig sektor** krever at feedback-systemer respekterer GDPR og arkivloven -- anonymiser brukerdata og sett klare retensjonspolicies.

4
skills/ms-ai-engineering/references/agent-orchestration/agent-memory-and-context-management.md
View file

@ -480,7 +480,7 @@ Gir data lineage tracking og governance-enforcement.
https://learn.microsoft.com/en-us/agent-framework/tutorials/agents/multi-turn-conversation
Confidence: ✅ Verified (AgentSession for state management)
7. **Azure AI Foundry Agent Service Context Layer**
7. **Foundry Agent Service Context Layer**
https://learn.microsoft.com/en-us/azure/cloud-adoption-framework/ai-agents/build-secure-process
Confidence: ✅ Verified (Hierarchical memory: knowledge, long-term, short-term)
@ -494,7 +494,7 @@ Gir data lineage tracking og governance-enforcement.
|---------|-----------|-------|
| Memory-typer | ✅ Verified | Microsoft Learn docs (Foundry, SK, Agent Framework) |
| Arkitekturmønstre | ✅ Verified | Code samples fra microsoft-learn MCP |
| Foundry Managed Memory | ✅ Verified | Azure AI Foundry Memory docs (preview disclaimer inkludert) |
| Foundry Managed Memory | ✅ Verified | Microsoft Foundry Memory docs (preview disclaimer inkludert) |
| Cosmos DB Chat History | ✅ Verified | Agent Framework integrations, Azure Copilot BYOS |
| Vector Store deprecation | ✅ Verified | Semantic Kernel Memory Stores migration guide |
| Offentlig sektor compliance | 🟡 Baseline | GDPR/AI Act krav (established), Foundry Memory region-support TBD |

10
skills/ms-ai-engineering/references/agent-orchestration/agent-monitoring-observability.md
View file

@ -10,15 +10,15 @@
Observability for agentsystemer går utover tradisjonell applikasjonsovervåking. Agenter opererer probabilistisk, tar dynamiske beslutninger, og produserer ulike outputs for identiske inputs. Denne ikke-deterministiske naturen krever spesialiserte overvåkingsverktøy som fanger ikke bare ytelsesmetrikker, men også beslutningsprosesser, verktøybruk, prompt-respons-par og evalueringskvalitet.
Microsoft tilbyr en komplett observability-stack for agenter gjennom Azure AI Foundry Tracing, Application Insights, Azure Monitor og Microsoft Agent 365. Foundry-plattformen integrerer OpenTelemetry-basert tracing med AI-spesifikke semantiske konvensjoner, slik at hvert LLM-kall, tool-invokasjon og orkestreringsbeslutning fanges som spans i en distribuert trace.
Microsoft tilbyr en komplett observability-stack for agenter gjennom Microsoft Foundry Tracing, Application Insights, Azure Monitor og Microsoft Agent 365. Foundry-plattformen integrerer OpenTelemetry-basert tracing med AI-spesifikke semantiske konvensjoner, slik at hvert LLM-kall, tool-invokasjon og orkestreringsbeslutning fanges som spans i en distribuert trace.
Agent 365 er Microsofts unified plattform for agentobservability på tvers av Copilot Studio, Azure AI Foundry og tredjepartsruntimes. Den gir enterprise-grade governance med sikkerhet, compliance og business impact-metrikker for hele agentflåten.
Agent 365 er Microsofts unified plattform for agentobservability på tvers av Copilot Studio, Microsoft Foundry og tredjepartsruntimes. Den gir enterprise-grade governance med sikkerhet, compliance og business impact-metrikker for hele agentflåten.
## Kjernekomponenter
| Komponent | Formål | Teknologi |
|-----------|--------|-----------|
| Distributed Tracing | Capture full request lifecycle | OpenTelemetry, Azure AI Foundry Tracing |
| Distributed Tracing | Capture full request lifecycle | OpenTelemetry, Microsoft Foundry Tracing |
| Agent Event Logging | Logg agentbeslutninger og handlinger | Application Insights, Log Analytics |
| Performance Profiling | Identifiser flaskehalser | Azure Monitor Metrics, custom spans |
| Error Categorization | Klassifiser og prioriter feil | Azure Monitor Alerts, Sentinel |
@ -27,7 +27,7 @@ Agent 365 er Microsofts unified plattform for agentobservability på tvers av Co
## Distributed Tracing for Agents
### OpenTelemetry-basert tracing med Azure AI Foundry
### OpenTelemetry-basert tracing med Microsoft Foundry
```python
from azure.ai.projects import AIProjectClient
@ -248,7 +248,7 @@ class AgentErrorClassifier:
## Debugging Tools
### Azure AI Foundry Portal
### Microsoft Foundry Portal
Foundry-portalen gir visuell trace-inspeksjon:

4
skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-a2a-protocol.md
View file

@ -12,7 +12,7 @@ Agent2Agent (A2A) er en åpen standardprotokoll for kommunikasjon og samarbeid m
Kjerneproblemet A2A løser: Agenter er typisk siloer — en agent bygget med Semantic Kernel, en annen med LangChain, en tredje hos en ekstern partner. Uten en felles protokoll kan de ikke kommunisere. A2A gir dem et felles språk: standardisert discovery, meldingsformat, oppgavelivssyklus og sikkerhet — uavhengig av plattform.
Microsoft har implementert A2A-støtte i **Azure AI Foundry Agent Service**, **Copilot Studio**, **Semantic Kernel** og **Teams AI Library**. Azure API Management kan frontes som A2A-gateway med governance og observability.
Microsoft har implementert A2A-støtte i **Foundry Agent Service**, **Copilot Studio**, **Semantic Kernel** og **Teams AI Library**. Azure API Management kan frontes som A2A-gateway med governance og observability.
### Historikk og governance
@ -245,7 +245,7 @@ Valg av protokoll:
## Microsoft-implementasjoner
### Azure AI Foundry Agent Service
### Foundry Agent Service
Foundry støtter A2A som et "tool" agenten kan bruke for å kalle eksterne A2A-endepunkter.

2
skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-communication.md
View file

@ -295,7 +295,7 @@ GroupChatOrchestration orchestration = new([agent1, agent2, a2aAgent]);
await orchestration.InvokeAsync("Collaborate on this task");
```
### Azure AI Foundry
### Microsoft Foundry
```csharp
// A2A Tool i Foundry agent

4
skills/ms-ai-engineering/references/agent-orchestration/autonomous-workflow-automation-patterns.md
View file

@ -382,9 +382,9 @@ def research_workflow(context: df.DurableOrchestrationContext):
- Fault-tolerant (agenter kan feile og retryes)
- Observerbar (full history i Durable Functions)
### Azure AI Foundry-integrasjon
### Microsoft Foundry-integrasjon
Durable Functions kan orkestrere Azure AI Foundry-tjenester:
Durable Functions kan orkestrere Microsoft Foundry-tjenester:
- **Prompt Flow deployments** (via REST API fra activity functions)
- **Model endpoints** (Azure OpenAI, custom models)
- **Vector stores** (Azure AI Search for RAG-workflows)

10
skills/ms-ai-engineering/references/agent-orchestration/computer-using-agents-cua.md
View file

@ -11,7 +11,7 @@
Computer-Using Agents (CUA) er en ny klasse AI-agenter som automatiserer oppgaver ved å **se på skjermbilder og betjene mus og tastatur** — akkurat som et menneske. I motsetning til tradisjonell automatisering, der agenten kaller API-er eller bruker forhåndsskrevne skript, kan CUA operere på *ethvert* system med et grafisk grensesnitt (GUI), inkludert legacysystemer uten API-støtte.
Microsoft tilbyr CUA gjennom to primære plattformer:
- **Azure AI Foundry Agent Service** — `computer-use-preview`-modellen via Azure OpenAI (preview sep 2025)
- **Foundry Agent Service** — `computer-use-preview`-modellen via Azure OpenAI (preview sep 2025)
- **Copilot Studio** — Computer Use som verktøy i agenter (public preview 2025-05-27, GA 2026-05-07)
Den kritiske verdien: **Dersom et menneske kan bruke et program, kan CUA gjøre det samme** — uten kodeendringer i målsystemet.
@ -147,7 +147,7 @@ Copilot Studio har innebygd **Human Supervision**: CUA-agenten kan eskalere til
---
## Azure AI Foundry Agent Service
## Foundry Agent Service
Foundry Agent Service gir CUA via `computer-use-preview`-modellen:
@ -327,7 +327,7 @@ Copilot Studio — preferert rekkefølge:
| Plattform | Status | Tilgjengelig |
|-----------|--------|--------------|
| **Azure AI Foundry Agent Service** | Public Preview | Sep 2025 |
| **Foundry Agent Service** | Public Preview | Sep 2025 |
| **Azure OpenAI (direkte)** | Public Preview | Sep 2025 |
| **Copilot Studio** | Public Preview | 2025-05-27 |
| **Copilot Studio** | GA | 2026-05-07 |
@ -466,7 +466,7 @@ Power Automate Cloud Flow (orkestrator)
*Estimat basert på Copilot Credits à 0,075 NOK (veiledende). Premiummodell (Claude Opus 4.6) bruker 15 credits/steg — 3× kreditt-kostnaden over.
### Azure AI Foundry Agent Service
### Foundry Agent Service
Kostnader basert på:
- **`computer-use-preview`-modell**: Token-forbruk (input = skjermbilder er store)
@ -507,7 +507,7 @@ Kostnader basert på:
- https://learn.microsoft.com/power-platform/release-plan/2025wave1/microsoft-copilot-studio/automate-web-desktop-apps-computer-use
- Confidence: **Verified** (public preview 2025-05-27, GA 2026-05-07 bekreftet; verifisert MCP 2026-06-19)
8. **Announcing Computer Use tool (Preview) in Azure AI Foundry Agent Service**
8. **Announcing Computer Use tool (Preview) in Foundry Agent Service**
- https://devblogs.microsoft.com/foundry/announcing-computer-use-tool-preview-in-azure-ai-foundry-agent-service/
- Confidence: **Verified** (Microsoft Dev Blog, sep 2025)

4
skills/ms-ai-engineering/references/agent-orchestration/foundry-agent-service-ga.md
View file

@ -1,4 +1,4 @@
# Azure AI Foundry Agent Service (GA)
# Foundry Agent Service (GA)
**Last updated:** 2026-06-18 (currency-verifisert mot Learn)
**Status:** GA — **ny agent-modell** (Prompt agents GA + Hosted agents preview)
@ -17,7 +17,7 @@
## Introduksjon
Azure AI Foundry Agent Service er Microsofts fullt administrerte runtime for å bygge, deploye og skalere AI-agenter i produksjon. Tjenesten nådde General Availability (GA) 19. mai 2025 og er nå kjernen i Microsoft Foundry-plattformen.
Foundry Agent Service er Microsofts fullt administrerte runtime for å bygge, deploye og skalere AI-agenter i produksjon. Tjenesten nådde General Availability (GA) 19. mai 2025 og er nå kjernen i Microsoft Foundry-plattformen.
I stedet for å bygge én monolittisk agent som kan alt, lar Foundry Agent Service deg komponere spesialiserte agenter som samarbeider i strukturerte, langvarige workflows. Tjenesten håndterer infrastruktur, state management, sikkerhet og observability — slik at utviklere kan fokusere på forretningslogikk.

2
skills/ms-ai-engineering/references/agent-orchestration/foundry-workflows-visual-orchestration.md
View file

@ -8,7 +8,7 @@
## Introduksjon
Foundry Workflows er den visuelle orkestreringsdesigneren i Microsoft Foundry (Azure AI Foundry) for å bygge, teste og deploye multi-agent-prosesser uten å skrive orkestreringslogikk for hånd. Annonsert i Public Preview på Microsoft Ignite november 2025, er Workflows bygget på toppen av **Microsoft Agent Framework** og tilbyr en drag-and-drop-kanvas kombinert med YAML-definisjon for team som vil ha en visuell designopplevelse med pro-code-flukt.
Foundry Workflows er den visuelle orkestreringsdesigneren i Microsoft Foundry (Microsoft Foundry) for å bygge, teste og deploye multi-agent-prosesser uten å skrive orkestreringslogikk for hånd. Annonsert i Public Preview på Microsoft Ignite november 2025, er Workflows bygget på toppen av **Microsoft Agent Framework** og tilbyr en drag-and-drop-kanvas kombinert med YAML-definisjon for team som vil ha en visuell designopplevelse med pro-code-flukt.
Den kritiske innsikten er at Foundry Workflows løser et annet problem enn enkelt-agenter: der én agent håndterer ett fokusert problem, koordinerer en Workflow flere spesialiserte agenter, branching-logikk, datatransformasjoner og menneskelige godkjenningstrinn i en **repeterbar, versjonert og observerbar prosess**. Dette er produksjonsnivå-automatisering — ikke prototyping.

2
skills/ms-ai-engineering/references/agent-orchestration/multi-agent-orchestration-patterns.md
View file

@ -553,7 +553,7 @@ scope.RecordOutputMessages(new[] { output });
- Copilot Studio Agents: Included in Power Apps per-user plan, Microsoft 365 Copilot (messages/day limits)
**Foundry Agent Service:**
- Azure AI Foundry: Pay-per-use pricing (model API calls + hosting)
- Microsoft Foundry: Pay-per-use pricing (model API calls + hosting)
- Connected Agents (classic, deprecated 2027-03-31 → Workflows + A2A): Workflow orchestration, pay-per-invocation
**Estimat (eksempel):**

8
skills/ms-ai-engineering/references/agent-orchestration/semantic-kernel-agents-implementation.md
View file

@ -105,7 +105,7 @@ async for message in agent.invoke(user_message, thread):
Microsoft Agent Framework bygger på Semantic Kernel og tilbyr:
- **Multi-agent orchestration**: Sequential, Concurrent, Group Chat, Handoff, Magentic
- **Cloud/provider flexibility**: Cloud-agnostisk (containers, on-prem, multi-cloud) og provider-agnostisk (OpenAI, Azure AI Foundry)
- **Cloud/provider flexibility**: Cloud-agnostisk (containers, on-prem, multi-cloud) og provider-agnostisk (OpenAI, Microsoft Foundry)
- **Enterprise features**: OpenTelemetry, Microsoft Entra, Responsible AI (prompt injection protection, task adherence monitoring)
- **Standards-based interoperability**: A2A protocol, Model Context Protocol (MCP)
@ -270,9 +270,9 @@ Trenger du OpenAI Assistants API features (code interpreter, retrieval)?
## Integrasjon med Microsoft-stacken
### Azure AI Foundry
### Microsoft Foundry
Semantic Kernel-agenter kan bruke Azure AI Foundry-deployments via Azure OpenAI connector:
Semantic Kernel-agenter kan bruke Microsoft Foundry-deployments via Azure OpenAI connector:
```csharp
builder.AddAzureOpenAIChatCompletion(
@ -448,7 +448,7 @@ Kernel agentKernel = sharedKernel.Clone(); // Rebruk AI service connections
- Bruk **Magentic orchestration** med human-in-the-loop for komplekse workflows
- Implementer **Microsoft Agent Framework** for enterprise features (Entra, observability)
- Bygg custom managers for spesialiserte orchestration patterns
- Integrer med Azure AI Foundry evaluations for kvalitetstesting av agenter
- Integrer med Microsoft Foundry evaluations for kvalitetstesting av agenter
**Enterprise** (large-scale deployment):
- Vurder **Microsoft Agent Framework** over Semantic Kernel for standardized observability

2
skills/ms-ai-engineering/references/agent-orchestration/tool-use-and-function-calling-patterns.md
View file

@ -399,7 +399,7 @@ def update_citizen_record(ssn: str, field: str, value: str) -> str:
| **Azure OpenAI** | Function calling | Azure-abonnement + OpenAI deployment |
| **Semantic Kernel** | Plugins, auto-invocation | Open source (MIT), krever AI-modell |
| **Agent Framework** | ChatAgent, tools | Open source, krever AI-modell |
| **Foundry Agent Service** | Managed agents, built-in tools | Azure AI Foundry-lisens |
| **Foundry Agent Service** | Managed agents, built-in tools | Microsoft Foundry-lisens |
| **Copilot Studio** | Actions, Plugins | Power Apps/Power Automate Premium eller Copilot Studio-lisens |
**Kostnadsestimat (NOK, Azure OpenAI gpt-4o):**

4
skills/ms-ai-engineering/references/api-management/apim-ai-gateway-overview.md
View file

@ -12,7 +12,7 @@ Azure API Management (APIM) har utviklet seg fra en tradisjonell API-gateway til
APIM som AI-gateway kombinerer tradisjonelle API Management-funksjoner (autentisering, rate limiting, logging) med spesialiserte AI-kapabiliteter som token-basert kvoteregulering, semantisk caching, multi-modell backend routing og innholdssikkerhet. Microsoft anbefaler APIM som den foretrukne PaaS-løsningen for å bygge og drifte en AI-gateway, fremfor egenutviklede løsninger.
I en typisk enterprise-arkitektur sitter APIM mellom klientapplikasjoner (chatbots, agentrammeverk, RAG-pipelines) og backend AI-tjenester (Azure OpenAI, Azure AI Foundry, tredjepartsmodeller). Dette gir ett enkelt endepunkt for alle konsumenter, uavhengig av hvor mange backend-instanser som finnes bak gatewayen.
I en typisk enterprise-arkitektur sitter APIM mellom klientapplikasjoner (chatbots, agentrammeverk, RAG-pipelines) og backend AI-tjenester (Azure OpenAI, Microsoft Foundry, tredjepartsmodeller). Dette gir ett enkelt endepunkt for alle konsumenter, uavhengig av hvor mange backend-instanser som finnes bak gatewayen.
---
@ -140,7 +140,7 @@ Gjenbruk av LLM-svar basert på semantisk likhet:
│ (AI Gateway) │
Chatbot ─────────────►│ │──► Azure OpenAI (Norway East)
RAG Pipeline ────────►│ - Token limiting │──► Azure OpenAI (Sweden Central)
Copilot Studio ─────►│ - Load balancing │──► Azure AI Foundry
Copilot Studio ─────►│ - Load balancing │──► Microsoft Foundry
Power Automate ─────►│ - Circuit breaker │──► Third-party LLMs
│ - Caching │
│ - Content safety │

2
skills/ms-ai-engineering/references/api-management/developer-portal-ai-apis.md
View file

@ -147,7 +147,7 @@ paths:
model: gpt-4o
messages:
- role: user
content: "Hva er Azure AI Foundry?"
content: "Hva er Microsoft Foundry?"
max_tokens: 500
withSystem:
summary: Med systemprompt

4
skills/ms-ai-engineering/references/azure-ai-services/ai-services-api-best-practices.md
View file

@ -461,9 +461,9 @@ response = client.with_options(max_retries=5).chat.completions.create(...)
## Integrasjon med Microsoft-stakken
### Azure AI Foundry Integration
### Microsoft Foundry Integration
**SDK-er som støtter Azure AI Foundry:**
**SDK-er som støtter Microsoft Foundry:**
- **Python:** `azure-ai-inference`, `openai` (Azure variant)
- **.NET:** `Azure.AI.Inference`, `Azure.AI.OpenAI`

2
skills/ms-ai-engineering/references/azure-ai-services/ai-services-cost-optimization.md
View file

@ -65,7 +65,7 @@ PTU er en kapasitetsbasert prismodell for Azure OpenAI, primært for produksjons
- **Reservasjonsrabatt:** 1-års eller 3-års Azure Reservations gir betydelige rabatter (opptil 50 % besparelse)
**Kapasitetsplanlegging:**
- Bruk **Foundry PTU Calculator** (tilgjengelig i Azure AI Foundry portal)
- Bruk **Foundry PTU Calculator** (tilgjengelig i Microsoft Foundry portal)
- Input: Tokens per minute (TPM), requests per minute (RPM), prompt tokens, completion tokens
- Output: Anbefalt PTU-størrelse
- **Benchmark anbefales** for mest nøyaktig estimat

2
skills/ms-ai-engineering/references/azure-ai-services/ai-services-enterprise-architecture.md
View file

@ -304,7 +304,7 @@ Primary Region (Hot) Secondary Region (Warm)
## Integrasjon med Microsoft-stakken
### Azure AI Foundry Integration
### Microsoft Foundry Integration
**Foundry Agent Service Dependencies (Standard Setup):**
- **Cosmos DB for NoSQL:** Agent state og conversation history (krever zone redundancy)

6
skills/ms-ai-engineering/references/azure-ai-services/ai-services-governance-compliance.md
View file

@ -45,7 +45,7 @@ Microsoft Purview er den sentrale governance-plattformen for AI-applikasjoner i
For å aktivere Purview for Azure AI Services (Foundry):
1. **Via Azure AI Foundry Portal** — Aktiver "Microsoft Purview Data Security" i Control Plane
1. **Via Microsoft Foundry Portal** — Aktiver "Microsoft Purview Data Security" i Control Plane
2. **Via Microsoft Defender for Cloud** — Aktiver "Data Security for Azure AI with Microsoft Purview"
**Viktig:** Krever pay-as-you-go billing i Purview (audit logging er inkludert i Purview-lisensen).
@ -393,9 +393,9 @@ New-DlpComplianceRule -Name "BlockPIIInAIPrompts" `
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
Azure AI Foundry (tidligere Azure AI Studio) er den moderne plattformen for AI-utvikling, med førsteklasses governance-integrasjon.
Microsoft Foundry (tidligere Azure AI Studio) er den moderne plattformen for AI-utvikling, med førsteklasses governance-integrasjon.
**Purview-aktivering:**

6
skills/ms-ai-engineering/references/azure-ai-services/ai-services-monitoring-logging.md
View file

@ -91,7 +91,7 @@ Log Analytics har eget prisingmodell basert på:
- OpenTelemetry-kompatibel APM (Application Performance Monitoring)
- End-to-end transaction tracing
- Client-side telemetri (JavaScript SDK)
- AI agent monitoring (Azure AI Foundry, Copilot Studio)
- AI agent monitoring (Microsoft Foundry, Copilot Studio)
**Sentrale views:**
| View | Formål |
@ -236,7 +236,7 @@ Start med Log Analytics for operational monitoring (30-90 dager). Legg til Stora
- Du bygger en custom applikasjon på toppen av Azure AI Services
- Du trenger end-to-end transaction tracing (fra frontend → API → AI Service → database)
- Du ønsker client-side telemetri (JavaScript i browser)
- Du bygger AI agents (Azure AI Foundry, Copilot Studio)
- Du bygger AI agents (Microsoft Foundry, Copilot Studio)
**Ikke nødvendig hvis:**
- Du kun kjører pre-built AI Services uten custom app-logikk
@ -268,7 +268,7 @@ Portal → Log Analytics workspace → Usage and estimated costs → Data retent
### Azure OpenAI-spesifikt
**Out-of-box dashboards i Azure AI Foundry:**
**Out-of-box dashboards i Microsoft Foundry:**
- **HTTP Requests** – request count, error rates
- **Tokens-Based Usage** – prompt tokens, completion tokens, total tokens
- **PTU Utilization** – Provisioned Throughput Unit-bruk (for provisioned deployments)

4
skills/ms-ai-engineering/references/azure-ai-services/ai-services-networking-security.md
View file

@ -3,7 +3,7 @@
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
> **Navngivning 2026-04:** Microsoft har omdøpt "Azure Cognitive Services" til **"Azure AI Foundry Tools"** (eller kortform "Foundry Tools") i dokumentasjonen. API-endepunkter, RBAC-roller og ARM-ressurstyper beholder "CognitiveServices" i identifikatoren. Alle nye dokumentasjonsreferanser bruker "Foundry Tools".
> **Navngivning 2026-04:** Microsoft har omdøpt "Azure Cognitive Services" til **"Microsoft Foundry Tools"** (eller kortform "Foundry Tools") i dokumentasjonen. API-endepunkter, RBAC-roller og ARM-ressurstyper beholder "CognitiveServices" i identifikatoren. Alle nye dokumentasjonsreferanser bruker "Foundry Tools".
**Category:** Azure AI Services (Foundry Tools)
@ -283,7 +283,7 @@ Managed identity eliminerer behovet for API-nøkler ved nettverksikrede tilkobli
## Integrasjon med Microsoft-stakken
### 1. Azure AI Foundry (tidligere AI Studio)
### 1. Microsoft Foundry (tidligere AI Studio)
**Portal-tilgang med private endpoints:**
- Custom subdomain må brukes i alle API-kall

30
skills/ms-ai-engineering/references/azure-ai-services/ai-services-vs-foundry-tools-selection.md
View file

@ -8,13 +8,13 @@
## Introduksjon
Microsoft tilbyr flere nivåer av AI-tjenester under paraplynavnet "Azure AI Services" (tidligere Cognitive Services). Denne guiden klargjør forskjellen mellom de tre hovedplattformene: **Foundry Tools** (individuelle AI-tjenester), **Azure AI Foundry** (plattform), og **Azure OpenAI** (generativ AI-tjeneste).
Microsoft tilbyr flere nivåer av AI-tjenester under paraplynavnet "Azure AI Services" (tidligere Cognitive Services). Denne guiden klargjør forskjellen mellom de tre hovedplattformene: **Foundry Tools** (individuelle AI-tjenester), **Microsoft Foundry** (plattform), og **Azure OpenAI** (generativ AI-tjeneste).
**Forvirring i bransjen:** Begrepet "Azure AI Services" brukes både som samlebetegnelse for alle AI-tjenester OG som teknisk ressurstype (kind: AIServices). Microsoft har nylig endret terminologi fra "Cognitive Services" til "Foundry Tools" for enkelttjenester.
### Nøkkelforskjeller i kortform
| Aspekt | Foundry Tools | Azure AI Foundry | Azure OpenAI |
| Aspekt | Foundry Tools | Microsoft Foundry | Azure OpenAI |
|--------|---------------|------------------|--------------|
| **Type** | Enkeltstående AI-tjenester (API/SDK) | Unified development platform (PaaS) | Generativ AI-tjeneste |
| **Målgruppe** | Utviklere (begrenset AI-kompetanse ok) | Utviklere + data scientists | Utviklere + data scientists |
@ -60,7 +60,7 @@ Microsoft tilbyr flere nivåer av AI-tjenester under paraplynavnet "Azure AI Ser
---
### 2. Azure AI Foundry
### 2. Microsoft Foundry
**Definisjon:** Unified platform for å bygge, deploye og forvalte generativ AI og nongenerativ AI-applikasjoner. Kombinerer agents, models, tools, observability, og governance i én PaaS-løsning.
@ -68,7 +68,7 @@ Microsoft tilbyr flere nivåer av AI-tjenester under paraplynavnet "Azure AI Ser
```
┌─────────────────────────────────────────────────┐
│ Azure AI Foundry Platform │
│ Microsoft Foundry Platform │
├─────────────────────────────────────────────────┤
│ Authoring Layer │
│ - Foundry Portal (ai.azure.com) │
@ -318,13 +318,13 @@ START: Hvilken AI-kapabilitet trenger du?
│ │ └─ Velg: Azure OpenAI (standalone resource)
│ │
│ └─ Behov for agents/workflows/multi-step reasoning?
│ └─ Velg: Azure AI Foundry (inkluderer Azure OpenAI)
│ └─ Velg: Microsoft Foundry (inkluderer Azure OpenAI)
│
├─ RAG-applikasjon over bedriftseget data
│ └─ Velg: Azure AI Foundry + Azure AI Search
│ └─ Velg: Microsoft Foundry + Azure AI Search
│
├─ Multi-agent system / agentic workflows
│ └─ Velg: Azure AI Foundry (Agent Service + workflows)
│ └─ Velg: Microsoft Foundry (Agent Service + workflows)
│
└─ Custom ML-modeller (trening, deploy)
└─ Velg: Azure Machine Learning (ikke dekket i denne guiden)
@ -334,7 +334,7 @@ START: Hvilken AI-kapabilitet trenger du?
### Sammenligningstabell: Detaljerte beslutningskriterier
| Kriterium | Foundry Tools | Azure AI Foundry | Azure OpenAI |
| Kriterium | Foundry Tools | Microsoft Foundry | Azure OpenAI |
|-----------|---------------|------------------|--------------|
| **Teknisk kompetanse** | Utvikler (basic) | Utvikler + Data Science | Utvikler + Data Science |
| **Setup-tid** | Timer | Dager | Timer |
@ -361,7 +361,7 @@ START: Hvilken AI-kapabilitet trenger du?
|-------|-------------------|-------------|
| **Standard formularer** (faktura, kvittering) | Document Intelligence (Foundry Tools) | Prebuilt models, høy nøyaktighet, confidence scores |
| **Komplekse dokumenter** (ustrukturert tekst, infererte felt) | Content Understanding (Foundry Tools) | Multimodal, generative fields, reasoning (GA: v1.0 / 2025-11-01) |
| **Custom workflow** (dokument → analyse → generering) | Azure AI Foundry (Document Intelligence + GPT-4o) | Full kontroll over pipeline |
| **Custom workflow** (dokument → analyse → generering) | Microsoft Foundry (Document Intelligence + GPT-4o) | Full kontroll over pipeline |
**Confidence:** Høy (basert på "Choose the right tool for document processing" guide)
@ -373,7 +373,7 @@ START: Hvilken AI-kapabilitet trenger du?
|-------|-------------------|-------------|
| **Enkel FAQ-bot** | QnA Maker (utgått) → Language Understanding | Prebuilt intent detection |
| **Kontekstuell chat** (multi-turn) | Azure OpenAI (GPT-4o) + custom API | LLM-basert dialog |
| **Agent med handlinger** (ticket creation, CRM-integrasjon) | Azure AI Foundry Agent Service | Tool calling, Logic Apps-integrasjon |
| **Agent med handlinger** (ticket creation, CRM-integrasjon) | Foundry Agent Service | Tool calling, Logic Apps-integrasjon |
**Confidence:** Middels-Høy (basert på best practices, ikke eksplisitt dokumentert i én kilde)
@ -407,7 +407,7 @@ START: Hvilken AI-kapabilitet trenger du?
---
### 2. Azure AI Foundry integrasjon
### 2. Microsoft Foundry integrasjon
| Produkt | Integrert gjennom | Bruksområde |
|---------|-------------------|-------------|
@ -443,7 +443,7 @@ START: Hvilken AI-kapabilitet trenger du?
### Compliance og datahåndtering
| Aspekt | Foundry Tools | Azure AI Foundry | Azure OpenAI |
| Aspekt | Foundry Tools | Microsoft Foundry | Azure OpenAI |
|--------|---------------|------------------|--------------|
| **Data residency** | ✅ Regional (Norge-soner) | ✅ Regional (unntatt global models) | ✅ Regional (unntatt Global Standard) |
| **GDPR-compliance** | ✅ Ja | ✅ Ja | ✅ Ja |
@ -523,7 +523,7 @@ START: Hvilken AI-kapabilitet trenger du?
| Plattform | Prismodell | Typisk kostnad (produksjon/måned) | Inkludert |
|-----------|------------|-----------------------------------|-----------|
| **Foundry Tools** | Pay-per-use eller Commitment | 5 000 - 50 000 NOK | API-kall, data processing |
| **Azure AI Foundry** | Token-basert (via Azure OpenAI/modeller) | 50 000 - 500 000 NOK | Models, agent runtime, observability |
| **Microsoft Foundry** | Token-basert (via Azure OpenAI/modeller) | 50 000 - 500 000 NOK | Models, agent runtime, observability |
| **Azure OpenAI** | Token-basert eller PTU | 20 000 - 200 000 NOK | LLM inference, embeddings |
**Faktorer som påvirker kostnad:**
@ -552,7 +552,7 @@ START: Hvilken AI-kapabilitet trenger du?
**Eksempel: RAG-applikasjon for 1000 ansatte (intern kunnskapsbase)**
| Komponent | Foundry Tools (hybrid) | Azure AI Foundry | Differanse |
| Komponent | Foundry Tools (hybrid) | Microsoft Foundry | Differanse |
|-----------|------------------------|------------------|-----------|
| **Azure-ressurser** | 360 000 NOK | 1 200 000 NOK | +840k |
| **Lisenser** | M365 E3 (eksisterende) | M365 E3 (eksisterende) | 0 |
@ -585,7 +585,7 @@ START: Hvilken AI-kapabilitet trenger du?
---
### Når anbefaler du Azure AI Foundry?
### Når anbefaler du Microsoft Foundry?
✅ **Bruk Foundry når:**
- Kunden trenger **multi-agent systemer** eller **agentic workflows**

4
skills/ms-ai-engineering/references/azure-ai-services/content-understanding-multimodal-analysis.md
View file

@ -272,10 +272,10 @@ Trenger du real-time analyse?
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
Content Understanding er en core Foundry service, tilgjengelig via:
- **Azure AI Foundry portal**: GUI for testing analyzers, viewing results
- **Microsoft Foundry portal**: GUI for testing analyzers, viewing results
- **Foundry SDK** (Python, .NET): `ContentUnderstandingClient` klasse
- **REST API**: `POST /contentunderstanding/analyzers/{analyzerId}:analyze`

2
skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-custom-models.md
View file

@ -205,7 +205,7 @@ POST https://{endpoint}/documentintelligence/documentModels:build?api-version=20
## Integrasjon med Microsoft-stakken
### Azure AI Foundry (tidligere Azure ML)
### Microsoft Foundry (tidligere Azure ML)
```python
# Deploy custom model i AI Foundry project

2
skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-prebuilt-models.md
View file

@ -15,7 +15,7 @@ Azure AI Document Intelligence tilbyr forhåndsbyggede (prebuilt) modeller som b
Prebuilt-modellene er "out-of-the-box" løsninger som kan brukes umiddelbart, i motsetning til custom models som må trenes på egne data. De støtter 27 språk og håndterer ulike formater: skannet, fotografert, håndskrevet og digitale PDF-dokumenter. Version v4.0 (GA: 2024-11-30) introduserte nye felt som `ReceiptType`, `TaxDetails`, og VAT-ekstraksjon for hotellkvitteringer.
Document Intelligence er del av Azure AI Foundry Tools og fungerer som en IDP (Intelligent Document Processing) plattform som kombinerer OCR, struktur-ekstraksjon og domene-spesifikke modeller for skalerbare dokumentløsninger.
Document Intelligence er del av Microsoft Foundry Tools og fungerer som en IDP (Intelligent Document Processing) plattform som kombinerer OCR, struktur-ekstraksjon og domene-spesifikke modeller for skalerbare dokumentløsninger.
---

6
skills/ms-ai-engineering/references/azure-ai-services/language-services-custom-text-classification.md
View file

@ -3,7 +3,7 @@
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Status:** GA — avvikles 31. mars 2029
> **ADVARSEL — TJENESTE AVVIKLES:** Custom Text Classification og Custom Named Entity Recognition (NER) avvikles **31. mars 2029**. Migrer til Azure AI Foundry-modeller (prompt-basert klassifisering og NER med GPT-4o eller GPT-4.1). Se [migrasjonsveiledning](https://learn.microsoft.com/azure/ai-services/language-service/custom-text-classification/how-to/migrate-azure-openai) for detaljer.
> **ADVARSEL — TJENESTE AVVIKLES:** Custom Text Classification og Custom Named Entity Recognition (NER) avvikles **31. mars 2029**. Migrer til Microsoft Foundry-modeller (prompt-basert klassifisering og NER med GPT-4o eller GPT-4.1). Se [migrasjonsveiledning](https://learn.microsoft.com/azure/ai-services/language-service/custom-text-classification/how-to/migrate-azure-openai) for detaljer.
**Category:** Azure AI Services (Foundry Tools)
---
@ -229,9 +229,9 @@ for doc_result in result:
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
Custom Text Classification og Custom NER er **Foundry Tools** — de er tilgjengelige både i stand-alone Language Studio og i Azure AI Foundry portal. I Foundry kan du:
Custom Text Classification og Custom NER er **Foundry Tools** — de er tilgjengelige både i stand-alone Language Studio og i Microsoft Foundry portal. I Foundry kan du:
- Opprette prosjekt fra unified interface (ai.azure.com)
- Kombinere med andre Azure AI-tjenester i samme workflow

4
skills/ms-ai-engineering/references/azure-ai-services/language-services-question-answering.md
View file

@ -3,7 +3,7 @@
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Status:** GA — avvikles 31. mars 2029
> **ADVARSEL — TJENESTE AVVIKLES:** Custom Question Answering (CQA) avvikles **31. mars 2029**. Migrer til Azure AI Foundry-baserte løsninger: Agentic Retrieval, Azure AI Search + GPT-4o RAG-pipeline, eller AI Foundry Knowledge Retrieval. Se [migrasjonsveiledning](https://learn.microsoft.com/azure/ai-services/language-service/question-answering/how-to/migrate-qnamaker-to-question-answering) for detaljer.
> **ADVARSEL — TJENESTE AVVIKLES:** Custom Question Answering (CQA) avvikles **31. mars 2029**. Migrer til Microsoft Foundry-baserte løsninger: Agentic Retrieval, Azure AI Search + GPT-4o RAG-pipeline, eller AI Foundry Knowledge Retrieval. Se [migrasjonsveiledning](https://learn.microsoft.com/azure/ai-services/language-service/question-answering/how-to/migrate-qnamaker-to-question-answering) for detaljer.
**Category:** Azure AI Services (Foundry Tools)
---
@ -331,7 +331,7 @@ var response = await qnaMaker.GetAnswersAsync(turnContext, options);
**Begrensning:** QnA Maker native integration er deprecated, må bruke REST API-tilkobling.
### Azure AI Foundry (AI Studio)
### Microsoft Foundry (AI Studio)
**Deployment-sti:**
1. Language Studio → Deploy knowledge base → REST endpoint

8
skills/ms-ai-engineering/references/azure-ai-services/language-services-text-analytics.md
View file

@ -3,7 +3,7 @@
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA (deler avvikles 2029-03-31)
> **ADVARSEL — TJENESTER AVVIKLES (2029-03-31):** Sentiment Analysis, Opinion Mining og Custom Text Classification avvikles 31. mars 2029. Migrer til Azure AI Foundry-modeller. PII Detection, Key Phrase Extraction og Language Detection er ikke berørt.
> **ADVARSEL — TJENESTER AVVIKLES (2029-03-31):** Sentiment Analysis, Opinion Mining og Custom Text Classification avvikles 31. mars 2029. Migrer til Microsoft Foundry-modeller. PII Detection, Key Phrase Extraction og Language Detection er ikke berørt.
**Category:** Azure AI Services (Foundry Tools)
---
@ -12,7 +12,7 @@
Azure AI Language er en samling av forhåndsopplærte språkmodeller som gjør det mulig å utføre avansert tekstanalyse uten å bygge egne maskinlæringsmodeller. Tjenesten tilbyr flere kjernekapabiliteter for text analytics: **Sentiment Analysis** (med opinion mining), **Key Phrase Extraction**, **Named Entity Recognition (NER)**, og **Language Detection**.
Disse kapabilitetene er tilgjengelige både som cloud-baserte REST API-er, SDK-er (C#, Java, Python, JavaScript), og Docker-containere for on-premises deployment. Tjenesten integreres sømløst med Azure AI Foundry, Azure Synapse Analytics, Power BI, og Microsoft Fabric, noe som gjør den egnet for både interactive playgrounds og produksjonsworkflows.
Disse kapabilitetene er tilgjengelige både som cloud-baserte REST API-er, SDK-er (C#, Java, Python, JavaScript), og Docker-containere for on-premises deployment. Tjenesten integreres sømløst med Microsoft Foundry, Azure Synapse Analytics, Power BI, og Microsoft Fabric, noe som gjør den egnet for både interactive playgrounds og produksjonsworkflows.
Text analytics-funksjonene er stateless — ingen data lagres i kontoen din, og resultater returneres umiddelbart etter analyse. For batch-operasjoner er resultatene tilgjengelige i 24 timer før de slettes automatisk. Tjenesten støtter 94+ språk for key phrase extraction, med bred språkstøtte også for sentiment analysis og NER.
@ -188,7 +188,7 @@ Console.WriteLine($"Sentiment: {response.Value.Sentiment}");
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
Language Services er integrert i Foundry Playground med visuell testing av sentiment, key phrases, og NER uten kode.
@ -356,7 +356,7 @@ Language Services bruker **pay-per-call** modell (per text record).
### Anbefalinger per modenhetsnivå
#### Nivå 1: Exploring (POC, <1000 records/måned)
- **Anbefaling:** Free F0 tier + Azure AI Foundry Playground
- **Anbefaling:** Free F0 tier + Microsoft Foundry Playground
- **Verktøy:** REST API via Postman eller Foundry web UI
- **Fokus:** Teste om sentiment/key phrases gir verdi for use case
- **Advarsler:** Ikke bygg produksjonsapp på Free tier (5000 records/mnd cap)

4
skills/ms-ai-engineering/references/azure-ai-services/speech-services-speaker-recognition.md
View file

@ -189,10 +189,10 @@ Reject → Fallback til PIN-kode
## Integrasjon med Microsoft-stakken
### Azure AI Foundry Integration
### Microsoft Foundry Integration
```plaintext
Azure AI Foundry → Speech resource → Speaker Recognition
Microsoft Foundry → Speech resource → Speaker Recognition
├── Custom Neural Voice: Bruker Speaker Verification for voice talent consent
├── Personal Voice: Validerer at consent audio matcher training prompt
└── Teams Intelligent Speaker: Attribution via Identification API

4
skills/ms-ai-engineering/references/azure-ai-services/speech-services-speech-to-text.md
View file

@ -232,9 +232,9 @@ Tilgjengelig i fast transcription (API version 2025-10-15).
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
Speech Services er en **Foundry Tool** i Azure AI Foundry. Du kan:
Speech Services er en **Foundry Tool** i Microsoft Foundry. Du kan:
- Koble eksisterende Speech resource til Foundry project
- Teste real-time og fast transcription i Foundry portal
- Bringe custom speech models fra Speech Studio til Foundry

4
skills/ms-ai-engineering/references/azure-ai-services/speech-services-text-to-speech.md
View file

@ -11,7 +11,7 @@
## Introduksjon
Azure Speech Services sitt Text-to-Speech (TTS) API konverterer tekst til naturlig syntetisk tale ved hjelp av deep neural networks. Tjenesten er en del av Azure AI Foundry Tools og tilbyr over 400 stemmer på 140+ språk og dialekter. TTS gjør det mulig å lage applikasjoner som leser opp tekst, generere lydbøker, bygge chatbots med naturlig tale, og forbedre tilgjengelighet.
Azure Speech Services sitt Text-to-Speech (TTS) API konverterer tekst til naturlig syntetisk tale ved hjelp av deep neural networks. Tjenesten er en del av Microsoft Foundry Tools og tilbyr over 400 stemmer på 140+ språk og dialekter. TTS gjør det mulig å lage applikasjoner som leser opp tekst, generere lydbøker, bygge chatbots med naturlig tale, og forbedre tilgjengelighet.
Kjernen i moderne TTS er neural voices som bruker dype nevrale nettverk for å overkomme begrensningene til tradisjonell talesyntese når det gjelder stress og intonasjon. Prosody-prediksjon og stemmesyntese skjer samtidig, noe som gir mer flytende og naturlige resultater. Hvert standard neural voice-modell er tilgjengelig i 24 kHz og høy-fidelitet 48 kHz, og output kan opp- eller ned-samples til andre formater.
@ -221,7 +221,7 @@ await fileSynthesizer.SpeakTextAsync("This goes to a file");
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
- TTS er innebygd i AI Foundry Playground
- Testverktøy: Speech Studio Voice Gallery, Audio Content Creation

6
skills/ms-ai-engineering/references/azure-ai-services/translator-custom-neural-models.md
View file

@ -175,9 +175,9 @@ Body:
**CategoryID-format:** `{WorkspaceID}-{ProjectLabel}-{CategoryCode}`
- Eksempel: `a2eb72f9-43a8-46bd-82fa-4693c8b64c3c-TECH`
### Azure AI Foundry Integration
### Microsoft Foundry Integration
Custom Translator er tilgjengelig i Azure AI Foundry (klassisk portal) for no-code workflows:
Custom Translator er tilgjengelig i Microsoft Foundry (klassisk portal) for no-code workflows:
- Drag-and-drop document upload
- Visual BLEU-score comparison
- Test-grensesnitt med side-by-side comparison (custom vs. baseline)
@ -304,7 +304,7 @@ Eksempel (10,000 setninger training + 2,500 tuning + 2,500 testing = 15,000 setn
**Modenhet 1 - Startup/Pilot (0-6 måneder):**
- Start med **dictionary-only** hvis &lt;10k setninger tilgjengelig
- Velg **ett enkelt domene** for proof-of-concept
- Bruk Azure AI Foundry no-code portal for rask iterasjon
- Bruk Microsoft Foundry no-code portal for rask iterasjon
- Mål: Etablere at custom translation gir målbar forbedring
**Modenhet 2 - Operasjonalisering (6-18 måneder):**

4
skills/ms-ai-engineering/references/azure-ai-services/translator-document-translation.md
View file

@ -174,7 +174,7 @@ General translation Domain-specific terms
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
- Document Translation tilgjengelig via **Foundry (classic)** portal — no-code playground
- **Foundry (new)** støtter kun forhåndsdefinerte språk med sample-dokumenter (ikke egne filer)
@ -309,7 +309,7 @@ General translation Domain-specific terms
8. **Post-editing workflow:**
"Skal oversettelsene gjennomgås av mennesker før publisering?"
→ Planlegg for human-in-the-loop (HITL) — Azure AI Foundry + Custom Translator har review-funksjoner.
→ Planlegg for human-in-the-loop (HITL) — Microsoft Foundry + Custom Translator har review-funksjoner.
### Fallgruver å unngå

2
skills/ms-ai-engineering/references/data-engineering/data-anonymization-privacy.md
View file

@ -549,7 +549,7 @@ def privacy_check_before_deployment(model_artifacts_path: str) -> dict:
## Referanser
- [What is Azure Language PII detection?](https://learn.microsoft.com/en-us/azure/ai-services/language-service/personally-identifiable-information/overview) -- PII-deteksjon og maskering
- [PII filter in Azure AI Foundry](https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/content-filter-personal-information) -- PII-filtrering for LLM-er
- [PII filter in Microsoft Foundry](https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/content-filter-personal-information) -- PII-filtrering for LLM-er
- [Responsible AI - Privacy and security](https://learn.microsoft.com/en-us/azure/machine-learning/concept-responsible-ai) -- SmartNoise og Counterfit
- [Data privacy for cloud-scale analytics](https://learn.microsoft.com/en-us/azure/cloud-adoption-framework/scenarios/cloud-scale-analytics/secure-data-privacy) -- Dataklassifisering og konfidensialitetsskjema
- [PII entity categories](https://learn.microsoft.com/en-us/azure/ai-services/language-service/personally-identifiable-information/concepts/entity-categories) -- Alle stottede PII-kategorier

4
skills/ms-ai-engineering/references/data-engineering/data-factory-ai-pipelines.md
View file

@ -250,9 +250,9 @@ Event Hubs ───▶ Stream Analytics ───▶ Azure ML Online Endpoint
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
**Pattern:** Data Factory → Azure AI Foundry evaluation run
**Pattern:** Data Factory → Microsoft Foundry evaluation run
```json
{

2
skills/ms-ai-engineering/references/data-engineering/fabric-lakehouse-architecture.md
View file

@ -160,7 +160,7 @@ For store organisasjoner kan lakehouse-arkitektur kombineres med data mesh patte
| Tjeneste | Integrasjonspunkt | Use Case |
|----------|-------------------|----------|
| **Azure Machine Learning** | Read Lakehouse tables via `azureml-fsspec` | Model training på curated Gold layer data |
| **Azure AI Foundry** | OneLake shortcuts til Foundry projects | Unified data access for prompt flow og vector indexes |
| **Microsoft Foundry** | OneLake shortcuts til Foundry projects | Unified data access for prompt flow og vector indexes |
| **Copilot Studio** | Power Automate triggers fra Lakehouse | Automated workflows basert på data events |
| **Power BI** | Direct Lake mode (native på Lakehouse) | In-memory performance uten separate import |
| **Azure Databricks** | OneLake shortcuts (read Fabric data fra Databricks) | Interop med eksisterende Databricks workloads |

4
skills/ms-ai-engineering/references/data-engineering/onelake-data-strategy.md
View file

@ -348,8 +348,8 @@ Lakehouse: RAG_Data
## Integrasjon med Microsoft-stakken
### Azure AI Foundry + OneLake
**Scenario:** Azure AI Foundry project trenger tilgang til Lakehouse data.
### Microsoft Foundry + OneLake
**Scenario:** Microsoft Foundry project trenger tilgang til Lakehouse data.
**Integration points:**
1. **OneLake Datastore (Azure ML SDK):**

4
skills/ms-ai-engineering/references/data-engineering/zero-etl-fabric-patterns.md
View file

@ -289,7 +289,7 @@ Har du en støttet kilde (SQL, Cosmos, Snowflake)?
## Integrasjon med Microsoft-stakken
### 1. Azure AI Foundry
### 1. Microsoft Foundry
**Scenario:** RAG-basert chatbot som trenger sanntidstilgang til produktkatalog i Azure SQL.
@ -300,7 +300,7 @@ Azure SQL Database (product catalog)
│
└─► Azure AI Search (indexing)
│
└─► Azure AI Foundry (RAG)
└─► Microsoft Foundry (RAG)
│
└─► Chatbot (GPT-4o)
```

16
skills/ms-ai-engineering/references/mlops-genaiops/ab-testing-llm-applications.md
View file

@ -74,12 +74,12 @@ For GenAI-applikasjoner er automatisert evaluering utfordrende. Microsoft tilbyr
| Metode | Teknologi | Styrke | Svakhet |
|--------|-----------|--------|---------|
| **LLM-as-judge** | Azure AI Foundry evaluators, Databricks judges | Fanger subjektive kvaliteter (relevans, coherence) | Kan være bias, kostbar |
| **LLM-as-judge** | Microsoft Foundry evaluators, Databricks judges | Fanger subjektive kvaliteter (relevans, coherence) | Kan være bias, kostbar |
| **Rule-based scorers** | BLEU, ROUGE, exact match | Rask, reproducerbar | Fanger ikke semantikk eller tonalitet |
| **Human evaluation** | Azure AI Foundry thumbs up/down, red teaming | Gullstandard for kvalitet | Skalerer ikke, dyr |
| **Human evaluation** | Microsoft Foundry thumbs up/down, red teaming | Gullstandard for kvalitet | Skalerer ikke, dyr |
| **Business metrics** | Conversion rate, task completion, bounce rate | Måler faktisk verdi | Påvirkes av faktorer utenfor modellen |
**Azure AI Foundry safety evaluations** støtter automatisert vurdering av:
**Microsoft Foundry safety evaluations** støtter automatisert vurdering av:
- Groundedness (hallucination detection)
- Relevance (til brukerspørsmål)
- Safety (harmful content, jailbreaks)
@ -246,7 +246,7 @@ deployment = ManagedOnlineDeployment(
)
```
### Azure AI Foundry (tidligere Azure OpenAI Studio)
### Microsoft Foundry (tidligere Azure OpenAI Studio)
For LLM-baserte applikasjoner tilbyr **Foundry Evaluations**:
- **Pre-built evaluators** for groundedness, relevance, safety
@ -310,7 +310,7 @@ Hvis AI-systemet er høyrisiko (f.eks. offentlig forvaltning, kritisk infrastruk
- **Dokumentasjon:** Logg hvilke modeller som ble testet, når, med hvilke resultater (traceability)
- **Bias monitoring:** Vurder om A/B-test favoriserer visse brukergrupper (f.eks. språk, dialekt)
**Anbefaling:** Bruk Azure AI Foundry **fairness evaluators** til å sjekke bias før og etter A/B-test.
**Anbefaling:** Bruk Microsoft Foundry **fairness evaluators** til å sjekke bias før og etter A/B-test.
### Utredningsinstruksen
@ -345,7 +345,7 @@ Hvis A/B-testen involverer endring av tjenestekvalitet (f.eks. chatbot i NAV), k
Krever:
- **Azure subscription** (Pay-as-you-go eller Enterprise Agreement)
- **Azure Machine Learning workspace** (gratis, betaler kun for underliggende compute)
- **Azure AI Foundry** (gratis portal, betaler for model inference og evaluations)
- **Microsoft Foundry** (gratis portal, betaler for model inference og evaluations)
**Ingen ekstra lisens** for A/B-testing-funksjonen selv.
@ -395,7 +395,7 @@ Krever:
|----------|---------------------|---------|
| **Nivå 1: Ad-hoc** | Manuell canary deployment, offline-evaluering | Azure ML SDK, manual traffic adjustment |
| **Nivå 2: Repetitiv** | Automatisert canary via CI/CD, pre-defined metrics | Azure DevOps pipelines, Azure ML CLI, Prompt Flow |
| **Nivå 3: Definert** | Shadow deployment + canary, LLM-as-judge, human eval | Azure AI Foundry evaluations, custom scoring scripts |
| **Nivå 3: Definert** | Shadow deployment + canary, LLM-as-judge, human eval | Microsoft Foundry evaluations, custom scoring scripts |
| **Nivå 4: Styrt** | Multi-armed bandit, adaptive rollout, automatic rollback | Custom logic (Azure Functions), Azure Monitor alerts |
| **Nivå 5: Optimalisert** | Continuous experimentation, automated model selection | MLOps platform (Kubeflow, MLflow), integrated with Azure ML |
@ -427,7 +427,7 @@ Krever:
**Konfidensnivå:** Verified
**Relevans:** A/B testing som del av "Validate & Deploy" fase
6. [Azure AI Foundry safety and security evaluations](https://learn.microsoft.com/en-us/azure/ai-studio/how-to/develop/flow-evaluate-sdk#built-in-evaluators)
6. [Microsoft Foundry safety and security evaluations](https://learn.microsoft.com/en-us/azure/ai-studio/how-to/develop/flow-evaluate-sdk#built-in-evaluators)
**Konfidensnivå:** Verified
**Relevans:** Built-in evaluators for LLM quality

Some files were not shown because too many files have changed in this diff Show more