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-engineering/references/mlops-genaiops/prompt-flow-production-deployment.md

@@ -3,7 +3,7 @@
 **Kategori:** MLOps & GenAIOps
 **Dato:** 2026-02-04
 **Last updated:** 2026-06-19
-**Confidence:** 🟢 Høy (basert på offisiell Microsoft-dokumentasjon fra Azure AI Foundry og Azure Machine Learning)
+**Confidence:** 🟢 Høy (basert på offisiell Microsoft-dokumentasjon fra Microsoft Foundry og Azure Machine Learning)
 
 ---
 
@@ -37,7 +37,7 @@ Prompt Flow følger en fire-fase livssyklus:
 - Utvikle flow med nodes (LLM, Python, prompts) og connections
 
 **Eksperimentering**
-- Kjør flow mot sample data i Azure AI Foundry eller VS Code extension
+- Kjør flow mot sample data i Microsoft Foundry eller VS Code extension
 - Test single inputs og batch runs
 - Iterer på prompt variants og node-konfigurasjoner
 
@@ -215,7 +215,7 @@ properties:
 
 **Arkitektur:**
 ```
-Developer → Azure AI Foundry Portal → Manual Deploy → Single Endpoint
+Developer → Microsoft Foundry Portal → Manual Deploy → Single Endpoint
 ```
 
 **Fordeler:**
@@ -367,7 +367,7 @@ environment_variables:
 
 ## Integrasjon med Microsoft-stakken
 
-### Azure AI Foundry Integration
+### Microsoft Foundry Integration
 
 **Flow Development**:
 - Drag-and-drop DAG editor for LLM, Python, Prompt nodes
@@ -533,7 +533,7 @@ Kostnad = (VM cost per hour × instance count × uptime hours)
 
 ### Lisensiering
 
-**Azure AI Foundry**:
+**Microsoft Foundry**:
 - Included i Azure subscription, ingen separat lisens
 - Betaler kun for underliggende resources (compute, storage, AI services)
 
@@ -554,7 +554,7 @@ Kostnad = (VM cost per hour × instance count × uptime hours)
 ### Når anbefale Prompt Flow Deployment?
 
 **Sterk anbefaling når:**
-- Kunden allerede bruker Azure AI Foundry for LLM-utvikling
+- Kunden allerede bruker Microsoft Foundry for LLM-utvikling
 - Behov for visuell DAG-editor (forenkler kommunikasjon med ikke-tekniske stakeholders)
 - Team mangler dyp MLOps-kompetanse (Prompt Flow abstraherer bort mye kompleksitet)
 - Krav om rapid iteration på prompts (variant experimentation built-in)
@@ -616,7 +616,7 @@ Er dette første gang kunden deployer LLM-basert app?
 **Scenario:** NAV skal deploye chatbot for sykepenger-spørsmål.
 
 **Anbefalt arkitektur:**
-1. **Development**: Azure AI Foundry → Prompt Flow editor (DAG-basert)
+1. **Development**: Microsoft Foundry → Prompt Flow editor (DAG-basert)
 2. **CI/CD**: GitHub (NAV sin standard) + GenAIOps template
    - Feature branch: PR trigger → build validation
    - Main branch: CI trigger → evaluation → model registry → dev endpoint
@@ -650,7 +650,7 @@ Er dette første gang kunden deployer LLM-basert app?
 ## Kilder og verifisering
 
 **Microsoft Learn Dokumentasjon:**
-1. [Deploy a flow for real-time inference (Azure AI Foundry)](https://learn.microsoft.com/en-us/azure/foundry-classic/how-to/flow-deploy?view=foundry-classic) – Offisiell guide for deployment via portal
+1. [Deploy a flow for real-time inference (Microsoft Foundry)](https://learn.microsoft.com/en-us/azure/foundry-classic/how-to/flow-deploy?view=foundry-classic) – Offisiell guide for deployment via portal
 2. [GenAIOps with Prompt Flow and GitHub](https://learn.microsoft.com/en-us/azure/machine-learning/prompt-flow/how-to-end-to-end-llmops-with-prompt-flow?view=azureml-api-2) – CI/CD pipeline patterns og lifecycle management
 3. [Enable tracing and collect feedback for a flow deployment](https://learn.microsoft.com/en-us/azure/foundry-classic/how-to/develop/trace-production-sdk?view=foundry-classic) – Application Insights integration og metrics
 4. [Deploy a flow to online endpoint with CLI/SDK](https://learn.microsoft.com/en-us/azure/machine-learning/prompt-flow/how-to-deploy-to-code?view=azureml-api-2) – Advanced deployment configuration (concurrency, FastAPI, etc.)