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/multi-modal/cv-llm-integration.md

@@ -10,7 +10,7 @@
 
 Integrasjonen av spesialiserte computer vision (CV) modellar med large language models (LLMs) representerer ein av dei viktigaste trendane i AI-arkitektur. I staden for å bruke GPT-4o sin innebygde vision direkte for alle oppgåver, kombinerer avanserte arkitekturar spesialiserte vision encoders med generative LLMs for å oppnå betre nøyaktigheit, lågare kostnad og meir kontrollerte resultat.
 
-Azure-plattforma gir eit rikt økosystem for dette: Azure AI Vision for spesialisert bildeanalyse (OCR, objektdeteksjon, multimodal embeddings), Azure OpenAI for GPT-4o og GPT-4.1 sine vision-kapabilitetar, Azure AI Foundry for modellfinetuning og deployment, og Phi-4-multimodal-instruct som ein kostnadseffektiv open-source-modell for edge-scenario. Florence-2-modellen frå Microsoft er eit anna sterkt alternativ for spesialiserte vision-oppgåver.
+Azure-plattforma gir eit rikt økosystem for dette: Azure AI Vision for spesialisert bildeanalyse (OCR, objektdeteksjon, multimodal embeddings), Azure OpenAI for GPT-4o og GPT-4.1 sine vision-kapabilitetar, Microsoft Foundry for modellfinetuning og deployment, og Phi-4-multimodal-instruct som ein kostnadseffektiv open-source-modell for edge-scenario. Florence-2-modellen frå Microsoft er eit anna sterkt alternativ for spesialiserte vision-oppgåver.
 
 For norsk offentleg sektor er denne integrasjonen relevant for byggesaksbehandling (analyse av arkitektteikningar), veginfrastruktur (skadevurdering frå bilete), helsevesen (medisinsk bildeanalyse), og kulturarv (digitalisering og klassifisering av museumsgjenstandar). Nøkkelen er å kombinere rette verktøy for rette oppgåver — bruk spesialiserte CV-modellar for presis ekstraksjon og LLMs for tolking og resonnering.
 
@@ -22,7 +22,7 @@ For norsk offentleg sektor er denne integrasjonen relevant for byggesaksbehandli
 |-----------|--------|-----------|
 | **Azure AI Vision** | Spesialisert bildeanalyse og OCR | Image Analysis 4.0 |
 | **GPT-4o / GPT-4.1 Vision** | Multimodal LLM med bildeforståing | Azure OpenAI |
-| **Phi-4-multimodal** | Open-source multimodal modell | Azure AI Foundry / Edge |
+| **Phi-4-multimodal** | Open-source multimodal modell | Microsoft Foundry / Edge |
 | **Florence-2** | Universell vision foundation model | Hugging Face / Azure ML |
 | **Multimodal Embeddings** | Vektor-representasjon av bilete og tekst | Azure AI Vision v4.0 |
 | **Custom Vision** | Eigendefinert objektdeteksjon/klassifisering | Azure AI Custom Vision |

skills/ms-ai-engineering/references/multi-modal/document-vision-processing.md

@@ -12,7 +12,7 @@ Azure AI Document Intelligence (tidlegare Form Recognizer) er ein spesialisert t
 
 For norsk offentleg sektor er Document Intelligence særleg relevant for digitalisering av arkiv, automatisert saksbehandling, fakturahåndtering og analyse av regulatoriske dokument. Tenesta støttar 309 trykte og 12 handskrivne språk, inkludert norsk, og gir confidence scores for kvar ekstraksjon slik at ein kan bygge robuste kvalitetskontrollrutinar.
 
-Azure AI Foundry tilbyr no også Content Understanding som eit komplementært alternativ for meir semantisk dokumentanalyse. Valet mellom Document Intelligence og Content Understanding avheng av bruksscenarioet: Document Intelligence for presis, strukturert ekstraksjon med låg latency, og Content Understanding for meir generaliserande, LLM-driven analyse.
+Microsoft Foundry tilbyr no også Content Understanding som eit komplementært alternativ for meir semantisk dokumentanalyse. Valet mellom Document Intelligence og Content Understanding avheng av bruksscenarioet: Document Intelligence for presis, strukturert ekstraksjon med låg latency, og Content Understanding for meir generaliserande, LLM-driven analyse.
 
 ---
 

skills/ms-ai-engineering/references/multi-modal/gpt4o-vision-architecture.md

@@ -12,7 +12,7 @@ GPT-4o (Omni) representerer en fundamental endring i korleis multimodale AI-mode
 
 For norsk offentleg sektor opnar GPT-4o vision nye moglegheiter innanfor dokumentanalyse, tilgjengelegheitsvurdering, kartanalyse, byggesaksbehandling og kvalitetssikring av offentlege tenester. Modellen er tilgjengeleg via Azure OpenAI Service, noko som sikrar at data blir behandla innanfor Microsofts enterprise-grade tryggleiksrammeverk med full GDPR-etterleving.
 
-Azure AI Foundry gir ein samla plattform for å deploye, administrere og overvake GPT-4o vision-deployments med innebygd innhaldsfiltrering, kostnadshandtering og tilgangskontroll via Microsoft Entra ID.
+Microsoft Foundry gir ein samla plattform for å deploye, administrere og overvake GPT-4o vision-deployments med innebygd innhaldsfiltrering, kostnadshandtering og tilgangskontroll via Microsoft Entra ID.
 
 ---
 

skills/ms-ai-engineering/references/multi-modal/image-classification-understanding.md

@@ -24,7 +24,7 @@ For produksjonssystem anbefalar Microsoft ein hybrid tilnærming: bruk Azure AI
 | Image Analysis API | REST/SDK for caption, tags, objects, people, OCR | Azure AI Vision |
 | Custom Vision | Tilpassa klassifisering/objektdeteksjon | Custom Vision Service (legacy) |
 | Azure ML AutoML | Custom image classification med AutoML | Azure Machine Learning |
-| Content Understanding | Generativ AI-basert bildeklassifisering | Azure AI Foundry (preview) |
+| Content Understanding | Generativ AI-basert bildeklassifisering | Microsoft Foundry (preview) |
 | GPT-4o Vision | Fleksibel bildeklassifisering via chat | Azure OpenAI Service |
 | Multimodal Embeddings | Bilde-tekst-likskap for retrieval | Azure AI Vision 4.0 |
 

skills/ms-ai-engineering/references/multi-modal/multimodal-content-safety.md

@@ -12,7 +12,7 @@ Azure AI Content Safety tilbyr eit samla rammeverk for å detektere og filtrere
 
 For offentleg sektor er multimodal content safety kritisk av fleire grunnar: AI-system som genererer svar til innbyggjarar må ha pålitelege sikkerheitsbarrièrar, brukaropplasta innhald i digitale tenester må modererast, og generative AI-løysingar som nyttar LLM-ar treng beskyttelse mot prompt injection og jailbreak-forsøk.
 
-Azure AI Content Safety er integrert i Azure AI Foundry som "Guardrails + controls" og kan brukast som standalone API, som del av Azure OpenAI content filtering, eller via Prompt Shields for å beskytte LLM-applikasjonar mot angrep. Tenesta støttar multilingual moderation og er prisbasert på volum.
+Azure AI Content Safety er integrert i Microsoft Foundry som "Guardrails + controls" og kan brukast som standalone API, som del av Azure OpenAI content filtering, eller via Prompt Shields for å beskytte LLM-applikasjonar mot angrep. Tenesta støttar multilingual moderation og er prisbasert på volum.
 
 ---
 
@@ -277,7 +277,7 @@ For LLM-applikasjonar er content filtering innebygd:
 
 ```python
 # Content filtering skjer automatisk i Azure OpenAI
-# Konfigurer via Azure AI Foundry portal:
+# Konfigurer via Microsoft Foundry portal:
 # - Input filters: Prompt Shields + Category filters
 # - Output filters: Category filters + Protected material
 

skills/ms-ai-engineering/references/multi-modal/multimodal-evaluation-metrics.md

@@ -8,7 +8,7 @@
 
 ## Introduksjon
 
-Evaluering av multi-modale AI-system er fundamentalt meir komplekst enn evaluering av rein tekst-AI. Når system kombinerer tekst, bilete, tale og video, treng ein metrikkrammeverk som dekker kvaliteten innanfor kvar modalitet, men også korleis modalitetane samhandlar — det som blir kalla cross-modal alignment. Azure AI Foundry og Azure OpenAI Evaluation API gir innebygd støtte for både NLP-baserte metrikktypar (BLEU, ROUGE, cosine similarity) og AI-assistert evaluering (groundedness, relevance, coherence, fluency).
+Evaluering av multi-modale AI-system er fundamentalt meir komplekst enn evaluering av rein tekst-AI. Når system kombinerer tekst, bilete, tale og video, treng ein metrikkrammeverk som dekker kvaliteten innanfor kvar modalitet, men også korleis modalitetane samhandlar — det som blir kalla cross-modal alignment. Microsoft Foundry og Azure OpenAI Evaluation API gir innebygd støtte for både NLP-baserte metrikktypar (BLEU, ROUGE, cosine similarity) og AI-assistert evaluering (groundedness, relevance, coherence, fluency).
 
 For norsk offentleg sektor er systematisk evaluering ikkje berre god praksis — det er eit krav under EUs AI Act for høgrisiko AI-system. Evalueringsrammeverket må dokumentere nøyaktigheit, rettferd og pålitelegheit på ein måte som tilfredsstiller regulatoriske krav til transparens og etterprøvbarheit.
 
@@ -21,7 +21,7 @@ Microsoft Foundry tilbyr eit sentralisert evalueringsrammeverk der ein kan defin
 | Komponent | Formål | Teknologi |
 |-----------|--------|-----------|
 | **Azure OpenAI Evaluations** | Innebygd evalueringsrammeverk | Azure OpenAI API |
-| **Foundry Evaluation SDK** | Programmatisk evaluering | Azure AI Foundry SDK |
+| **Foundry Evaluation SDK** | Programmatisk evaluering | Microsoft Foundry SDK |
 | **NLP Metrics** | BLEU, ROUGE, F1, GLEU, METEOR | Matematisk-baserte metrikktypar |
 | **AI Quality (AI-assisted)** | Groundedness, Relevance, Coherence | GPT-basert dommar |
 | **Risk & Safety Metrics** | Content safety, protected material | Innhaldsfiltrering |
@@ -41,8 +41,8 @@ from azure.ai.evaluation import BleuScoreEvaluator
 bleu_evaluator = BleuScoreEvaluator()
 
 result = bleu_evaluator(
-    response="Azure AI Foundry gir verktøy for å bygge AI-løysingar.",
-    ground_truth="Azure AI Foundry tilbyr verktøy for å utvikle AI-løysingar."
+    response="Microsoft Foundry gir verktøy for å bygge AI-løysingar.",
+    ground_truth="Microsoft Foundry tilbyr verktøy for å utvikle AI-løysingar."
 )
 
 print(f"BLEU Score: {result['bleu_score']:.4f}")

skills/ms-ai-engineering/references/multi-modal/multimodal-prompt-engineering.md

@@ -12,7 +12,7 @@ Multimodal prompt engineering er kunsten å skrive effektive instruksjonar som k
 
 Microsoft sin offisielle rettleiing for image prompt engineering identifiserer seks grunnprinsipp: kontekstuell spesifisitet, oppgåveorienterte prompts, handtering av nekting (refusals), eksempelbruk, oppdeling av komplekse oppgåver, og definering av output-format. Desse prinsippa er like relevante for norsk offentleg sektor, der multimodale modellar kan nyttast til alt frå byggesaksanalyse til kvalitetssikring av veginfrastruktur.
 
-Azure AI Foundry Playground tilbyr eit interaktivt miljø for å eksperimentere med multimodale prompts, og GPT-4o sin image tokenization-mekanisme påverkar både kostnader og ytelse. Forståing av korleis bilete vert konvertert til tokens er kritisk for kostnadsoptimalisering i produksjonssystem.
+Microsoft Foundry Playground tilbyr eit interaktivt miljø for å eksperimentere med multimodale prompts, og GPT-4o sin image tokenization-mekanisme påverkar både kostnader og ytelse. Forståing av korleis bilete vert konvertert til tokens er kritisk for kostnadsoptimalisering i produksjonssystem.
 
 ---
 

skills/ms-ai-engineering/references/multi-modal/ocr-pipeline-architecture.md

@@ -26,7 +26,7 @@ For norsk offentleg sektor er robust OCR kritisk for digitalisering av arkiv, au
 | Prebuilt Models | Feltuttrekk frå faktura, kvittering, ID | Azure AI Document Intelligence |
 | Custom Models | Trenable modellar for eigne dokumenttypar | Azure AI Document Intelligence |
 | Document Classifier | Automatisk dokumentklassifisering og splitting | Azure AI Document Intelligence |
-| Content Understanding | Generativ AI-basert dokumentforståing | Azure AI Foundry (preview) |
+| Content Understanding | Generativ AI-basert dokumentforståing | Microsoft Foundry (preview) |
 | Batch API | Volumbasert asynkron prosessering | Azure AI Document Intelligence v4.0 |
 
 ---

skills/ms-ai-engineering/references/multi-modal/whisper-speech-recognition.md

@@ -344,7 +344,7 @@ forvaltingstermar = [
     "Direktoratet for digital tjenesteutvikling", "Digitaliseringsdirektoratet",
     "forvaltingslova", "offentleglova", "personopplysningslova",
     "DPIA", "GDPR", "ROS-analyse", "Schrems II",
-    "Microsoft Entra ID", "Azure AI Foundry",
+    "Microsoft Entra ID", "Microsoft Foundry",
     "Copilot Studio", "Power Platform"
 ]