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

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>

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

@@ -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 |