open/ms-ai-architect
1
0
Fork 0
Code Issues Releases 4 Activity

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

2
skills/ms-ai-governance/references/monitoring-observability/anomaly-detection-ai-systems.md
View file

@ -463,7 +463,7 @@ Juster sensitivitet basert på false positive rate:
| Plattform | Primær Metode | Sekundær Metode |
|-----------|---------------|-----------------|
| Azure AI Foundry | Application Insights Smart Detection | KQL-baserte custom queries |
| Microsoft Foundry | Application Insights Smart Detection | KQL-baserte custom queries |
| Copilot Studio | M365 audit logs + KQL | Application Insights (via plugin) |
| Power Platform AI | Application Insights + Power Platform analytics | Custom Dataverse queries |
| Azure OpenAI Service | Application Insights + Defender for AI | Azure Monitor metric alerts |

10
skills/ms-ai-governance/references/monitoring-observability/application-insights-llm-monitoring.md
View file

@ -8,7 +8,7 @@
Application Insights er Azures native observability-plattform for å overvåke LLM-applikasjoner med OpenTelemetry-kompatibel tracing. Denne guiden dekker LLM-spesifikk telemetri, custom events for AI-interaksjoner, distributed tracing for AI-pipelines, performance baselines, og error tracking.
Application Insights integrerer sømløst med Azure AI Foundry, Azure OpenAI Service, og alle større AI-rammeverk (LangChain, Semantic Kernel, Microsoft Agent Framework, OpenAI Agents SDK).
Application Insights integrerer sømløst med Microsoft Foundry, Azure OpenAI Service, og alle større AI-rammeverk (LangChain, Semantic Kernel, Microsoft Agent Framework, OpenAI Agents SDK).
## Hvorfor Application Insights for LLM-applikasjoner?
@ -179,7 +179,7 @@ AppRequests
| order by TimeGenerated asc
```
### Instrumentering med Azure AI Foundry SDK
### Instrumentering med Microsoft Foundry SDK
**Python setup:**
@ -704,7 +704,7 @@ Application Insights **End-to-end transaction details** viser:
Application Insights er riktig valg for LLM-observabilitet når:
1. **Azure-native setup** — Kunden bruker Azure AI Foundry eller Azure OpenAI
1. **Azure-native setup** — Kunden bruker Microsoft Foundry eller Azure OpenAI
2. **Multi-framework miljø** — LangChain, Semantic Kernel, Agent Framework i samme system
3. **Enterprise compliance** — Trenger logging i Azure subscription med RBAC
4. **Cost tracking** — Viktig å korrelere token usage med fakturering
@ -734,7 +734,7 @@ Application Insights er riktig valg for LLM-observabilitet når:
2. **Enable content recording selektivt** — Kun for debugging, ikke produksjon
3. **Implementer custom metrics** — Token cost, latency percentiles, TTFT
4. **Sett opp alerting** — Error rate, cost spikes, latency anomalies
5. **Kombiner med prompt evaluation** — Azure AI Foundry Evaluation + App Insights tracing
5. **Kombiner med prompt evaluation** — Microsoft Foundry Evaluation + App Insights tracing
**Eksempel-arkitektur:**
@ -769,7 +769,7 @@ az monitor app-insights component create \
# 3. Install SDK + configure
pip install azure-ai-projects azure-monitor-opentelemetry
# 4. Skriv 5 linjer code (se "Instrumentering med Azure AI Foundry SDK")
# 4. Skriv 5 linjer code (se "Instrumentering med Microsoft Foundry SDK")
# 5. Deploy → Se traces i portal
```

2
skills/ms-ai-governance/references/monitoring-observability/azure-monitor-setup-ai-workloads.md
View file

@ -2,7 +2,7 @@
**Kategori:** Monitoring & Observability
**Sist oppdatert:** 2026-02-05
**Gjelder for:** Azure OpenAI, Azure AI Services, Azure AI Search, Azure AI Foundry
**Gjelder for:** Azure OpenAI, Azure AI Services, Azure AI Search, Microsoft Foundry
---

8
skills/ms-ai-governance/references/monitoring-observability/compliance-monitoring-ai-governance.md
View file

@ -110,7 +110,7 @@ Unified view av AI-security posture på tvers av Microsoft Entra, Defender, Purv
└───────┬────────────────────────────────────┘
│
┌───────▼─────────────────────────────────────┐
│ AI Workloads (Azure AI Foundry, Copilot │
│ AI Workloads (Microsoft Foundry, Copilot │
│ Studio, Azure OpenAI, Copilot Experiences) │
└─────────────────────────────────────────────┘
```
@ -228,7 +228,7 @@ Kombinerer sentralisert policy enforcement (Azure Policy, mandatory logging) med
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
**Compliance-features:**
- **AI Reports**: Generer PDF/SPDX-rapporter med model cards, evaluation metrics, content safety config → brukes som evidence i Compliance Manager
@ -322,7 +322,7 @@ AppMetrics
1. **Risikovurdering**: Dokumenter i Compliance Manager assessment (bruk "EU AI Act High-Risk" template)
2. **Data governance**: Purview DSPM for AI → klassifiser treningsdata og prompt/response-data
3. **Human oversight**: Azure Monitor alerts med manual review-steg før kritiske AI-beslutninger
4. **Transparency**: AI Reports fra Azure AI Foundry → model cards, evaluation metrics
4. **Transparency**: AI Reports fra Microsoft Foundry → model cards, evaluation metrics
5. **Technical documentation**: Generer SPDX-rapport fra AI Foundry → leverandøruavhengig format
6. **Logging**: 6 måneders retention minimum (for high-risk AI) → Purview retention policy
7. **Conformity assessment**: Tredjepartsaudit av AI-system før produksjonssetting
@ -338,7 +338,7 @@ AppMetrics
**Data residency:**
- Azure Policy: `Deny` deployments utenfor Norway East/West (eller EU-regioner)
- Azure AI Foundry: Velg region ved project creation → kan ikke flyttes senere
- Microsoft Foundry: Velg region ved project creation → kan ikke flyttes senere
- Azure OpenAI: EU Data Boundary garanterer at prompts/responses ikke forlater EU
**Right to erasure (Article 17):**

4
skills/ms-ai-governance/references/monitoring-observability/cost-monitoring-cost-attribution.md
View file

@ -12,7 +12,7 @@ Kostnadskontroll er kritisk for AI-prosjekter der utgifter kan eskalere raskt gj
Azure Cost Management gir innebygd synlighet på abonnements- og ressursgruppe-nivå, men AI-arbeidslaster krever ofte mer sofistikerte løsninger — spesielt for chargeback-modeller, multi-tenant-scenarier eller når man trenger å korrelere kostnader med ytelsesmetrikker. Gateway-basert overvåking (f.eks. via Azure API Management) kan fange opp detaljert bruksdata per klient-IP, modell og token-type, noe som åpner for presise kostnadsallokeringer og prediktiv budsjettering.
Denne guiden dekker både native Azure-verktøy og arkitekturmønstre for avansert kostnadssporing, med fokus på Azure OpenAI, Azure AI Foundry og andre AI-tjenester.
Denne guiden dekker både native Azure-verktøy og arkitekturmønstre for avansert kostnadssporing, med fokus på Azure OpenAI, Microsoft Foundry og andre AI-tjenester.
---
@ -454,7 +454,7 @@ if ($metrics.Data.Total -eq 0) {
https://learn.microsoft.com/en-us/azure/cloud-adoption-framework/scenarios/ai/manage#manage-ai-costs
*Konfidensgrad: Verified* – Best practices for TPM/RPM monitoring, commitment billing
5. **Plan and manage costs for Azure AI Foundry**
5. **Plan and manage costs for Microsoft Foundry**
https://learn.microsoft.com/en-us/azure/foundry/concepts/manage-costs
*Konfidensgrad: Verified* – Marketplace models, fine-tuning costs, HTTP error billing

14
skills/ms-ai-governance/references/monitoring-observability/custom-dashboards-ai-operations.md
View file

@ -24,11 +24,11 @@ Azure Workbooks er Microsofts native dashboarding-løsning i Azure Monitor. De k
- **KQL-powered:** Direkte tilgang til Kusto Query Language for avanserte aggregeringer
- **Template-drevet:** Distribuer standardiserte dashboards programmatisk via ARM templates
- **Resource-centric:** Visualiser data på tvers av flere AI-ressurser samtidig
- **Built-in for AI Foundry:** Azure AI Foundry leverer ferdig "Application Analytics" workbook
- **Built-in for AI Foundry:** Microsoft Foundry leverer ferdig "Application Analytics" workbook
### Azure AI Foundry Application Analytics Workbook
### Microsoft Foundry Application Analytics Workbook
Azure AI Foundry tilbyr en out-of-box workbook som sporer:
Microsoft Foundry tilbyr en out-of-box workbook som sporer:
- **Generative AI metrics:** Total conversations, latency, exceptions
- **Tool usage:** Hvilke extensions og tools brukes mest
@ -113,7 +113,7 @@ Azure Managed Grafana er ideell for sanntids-operasjonssentre. Grafana excels i
### Microsoft Foundry Grafana Dashboard *(Verified MCP 2026-04)*
Microsoft tilbyr en ferdig Grafana dashboard (ID: **24039**) for Azure AI Foundry/Foundry ressurser. Dashboard-tittelen er nå "Microsoft Foundry dashboard" i offisiell dokumentasjon.
Microsoft tilbyr en ferdig Grafana dashboard (ID: **24039**) for Microsoft Foundry/Foundry ressurser. Dashboard-tittelen er nå "Microsoft Foundry dashboard" i offisiell dokumentasjon.
**Key metrics:**
- **Model performance:** Inference latency (time to last byte), throughput, success rates
@ -230,7 +230,7 @@ Microsoft Fabric Real-Time Intelligence tilbyr sanntids-dashboards drevet av KQL
**Use case:** Streaming AI telemetry for øyeblikkelig innsikt.
**Architecture:**
1. Azure AI Foundry → Event Hub → Fabric Eventhouse
1. Microsoft Foundry → Event Hub → Fabric Eventhouse
2. KQL Database → Continuous queries
3. Real-Time Dashboard → Live visualizations
@ -482,14 +482,14 @@ Når kunden spør om dashboards for AI operations:
### Microsoft Learn
- [Azure Workbooks overview](https://learn.microsoft.com/en-us/azure/azure-monitor/visualize/workbooks-overview)
- [Create an Azure AI Foundry dashboard](https://learn.microsoft.com/en-us/azure/managed-grafana/azure-ai-foundry-dashboard)
- [Create an Microsoft Foundry dashboard](https://learn.microsoft.com/en-us/azure/managed-grafana/azure-ai-foundry-dashboard)
- [Monitor Azure OpenAI](https://learn.microsoft.com/en-us/azure/foundry-classic/openai/how-to/monitor-openai)
- [Workbooks programmatic management](https://learn.microsoft.com/en-us/azure/azure-monitor/visualize/workbooks-automate) *(Verified MCP 2026-04)* — ARM/Bicep deployment, RBAC (Monitoring Contributor for redigering, Monitoring Reader for visning), `microsoft.insights/workbooks/write` for custom roles
- [Power BI + Azure Monitor](https://learn.microsoft.com/en-us/azure/azure-monitor/logs/log-powerbi) *(Verified MCP 2026-06-19)* — eksport fra Log Analytics som M-query (.txt → Power BI Desktop) eller new Dataset (Power BI-tjenesten); dataflows + incremental refresh; scheduled refresh/deling krever Pro/Premium
### Code Samples
- [Workbook ARM/Bicep template samples](https://learn.microsoft.com/en-us/azure/azure-monitor/visualize/workbooks-samples) — workbook templates bruker apiVersion `2019-10-17-preview` (type: microsoft.insights/workbooktemplates); workbook instances bruker `2018-06-17-preview` (type: Microsoft.Insights/workbooks) *(Verified MCP 2026-04)*
- [Azure AI Foundry Grafana dashboard ID: 24039](https://grafana.com/grafana/dashboards/24039)
- [Microsoft Foundry Grafana dashboard ID: 24039](https://grafana.com/grafana/dashboards/24039)
- [KQL query examples for AI monitoring](https://learn.microsoft.com/en-us/azure/data-explorer/kusto/query/samples)
### GitHub

2
skills/ms-ai-governance/references/monitoring-observability/data-residency-audit-monitoring.md
View file

@ -231,7 +231,7 @@ SigninLogs
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
**Data residency tracking:**
- Azure OpenAI Service: Deploy i Norway East eller West Europe

4
skills/ms-ai-governance/references/monitoring-observability/distributed-tracing-ai-pipelines.md
View file

@ -61,7 +61,7 @@ Microsoft har utviklet nye semantic conventions for multi-agent-systemer (i sama
## Implementering i Microsoft-stakken
### 1. Azure AI Foundry + Azure Monitor
### 1. Microsoft Foundry + Azure Monitor
**Setup (Python):**
@ -602,7 +602,7 @@ Ved arkitekturveiledning:
Adapted from Microsoft Learn documentation ([CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)):
- [Tracing in Azure AI Foundry](https://learn.microsoft.com/en-us/azure/ai-studio/how-to/develop/trace-local-sdk)
- [Tracing in Microsoft Foundry](https://learn.microsoft.com/en-us/azure/ai-studio/how-to/develop/trace-local-sdk)
- [Azure Monitor OpenTelemetry overview](https://learn.microsoft.com/en-us/azure/azure-monitor/app/opentelemetry-overview)
- [Azure Functions OpenTelemetry](https://learn.microsoft.com/en-us/azure/azure-functions/opentelemetry-howto) *(Verified MCP 2026-06-19 — parent-based sampling default; OTLP + App Insights dual-export; portal log-streaming/recent-invocation-traces krever Azure Monitor)*
- [Distributed tracing in Application Insights](https://learn.microsoft.com/en-us/azure/azure-monitor/app/distributed-trace-data)

10
skills/ms-ai-governance/references/monitoring-observability/model-performance-drift-detection.md
View file

@ -211,7 +211,7 @@ Execute ML pipeline for retraining
Deploy new model version
```
### Azure AI Foundry
### Microsoft Foundry
- **Foundry Observability**: Continuous evaluation for generative AI applications
- **AI Red Teaming**: Scheduled adversarial testing for safety/security
@ -308,7 +308,7 @@ Model monitoring er inkludert i Azure Machine Learning workspace, men du betaler
- **Azure Machine Learning**: Enterprise Agreement eller Pay-As-You-Go
- **MCP-servere (hvis brukt)**: Vurder kostnader for microsoft-learn MCP (gratis), context7 MCP (avhenger av plan)
- **Azure AI Foundry**: Separate SKU for generative AI monitoring (safety evaluations hosted i East US 2, France Central, UK South, Sweden Central)
- **Microsoft Foundry**: Separate SKU for generative AI monitoring (safety evaluations hosted i East US 2, France Central, UK South, Sweden Central)
## For arkitekten (Cosmo)
@ -363,7 +363,7 @@ Model monitoring er inkludert i Azure Machine Learning workspace, men du betaler
**Level 4: Enterprise Monitoring** (AI Platform)
- Sentralisert monitoring for alle modeller (multi-workspace, multi-region)
- Automated retraining + automated deployment (CI/CD for ML)
- Red teaming for safety/security (Azure AI Foundry)
- Red teaming for safety/security (Microsoft Foundry)
- Continuous evaluation for generative AI (Foundry observability)
- FinOps tracking: cost per model, cost per inference, budget alerts
- Compliance automation: GDPR audit logs, AI Act documentation
@ -377,8 +377,8 @@ Model monitoring er inkludert i Azure Machine Learning workspace, men du betaler
- [Azure Machine Learning model monitoring (concept)](https://learn.microsoft.com/en-us/azure/machine-learning/concept-model-monitoring?view=azureml-api-2) — **Verified** (fetched 2026-02)
- [Monitor performance of models deployed to production](https://learn.microsoft.com/en-us/azure/machine-learning/how-to-monitor-model-performance?view=azureml-api-2) — **Verified** (fetched 2026-02)
- [Data drift monitoring (legacy, retiring)](https://learn.microsoft.com/en-us/azure/machine-learning/how-to-monitor-datasets?view=azureml-api-1) — **Verified** (fetched 2026-02, kontext: migrering til Model Monitor)
- [Evaluate generative AI models (Azure AI Foundry)](https://learn.microsoft.com/en-us/azure/foundry/how-to/evaluate-generative-ai-app?view=foundry-classic) — **Verified** (fetched 2026-02)
- [Observability in generative AI (Azure AI Foundry)](https://learn.microsoft.com/en-us/azure/foundry/concepts/observability?view=foundry-classic) — **Verified** (fetched 2026-02)
- [Evaluate generative AI models (Microsoft Foundry)](https://learn.microsoft.com/en-us/azure/foundry/how-to/evaluate-generative-ai-app?view=foundry-classic) — **Verified** (fetched 2026-02)
- [Observability in generative AI (Microsoft Foundry)](https://learn.microsoft.com/en-us/azure/foundry/concepts/observability?view=foundry-classic) — **Verified** (fetched 2026-02)
- [Test and evaluate AI workloads on Azure](https://learn.microsoft.com/en-us/azure/well-architected/ai/test) — **Verified** (fetched 2026-02)
### Baseline (Model knowledge)

4
skills/ms-ai-governance/references/monitoring-observability/real-time-streaming-monitoring.md
View file

@ -300,9 +300,9 @@ customEvents
4. **Setup Data Activator** til å trigger alert hvis SuccessRate < 95% i 1 minutt.
### Azure AI Foundry + Eventhouse
### Microsoft Foundry + Eventhouse
Azure AI Foundry Observability dashboard støtter **native integration med Application Insights**, som kan streams til Eventhouse for real-time dashboards:
Microsoft Foundry Observability dashboard støtter **native integration med Application Insights**, som kan streams til Eventhouse for real-time dashboards:
1. **Enable Application Insights** for AI Foundry project
2. **Use Eventstream** til å route App Insights logs til Eventhouse

10
skills/ms-ai-governance/references/monitoring-observability/response-quality-metrics-rag.md
View file

@ -12,7 +12,7 @@ Response quality metrics er kritisk for å evaluere effektiviteten av RAG-system
I motsetning til tradisjonelle applikasjoner, hvor output er deterministisk, genererer LLM-er ikke-deterministische responser. Samme prompt kan gi forskjellige resultater hver gang. Dette krever et systematisk rammeverk for å måle kvalitet på tvers av dimensjoner som groundedness (er svaret basert på context?), relevance (adresserer svaret spørsmålet?), completeness (dekker svaret alle aspekter?), og coherence (flyter svaret logisk?).
Azure AI Foundry og Azure AI Evaluation SDK tilbyr AI-assisterte evaluatorer som bruker GPT-modeller som "dommere" til å score responser, samt NLP-baserte metrics (BLEU, ROUGE, METEOR) for tekstlikhet. Sammen gir disse et helhetlig bilde av RAG-systemets evne til å levere korrekt, relevant og komplett informasjon fra grunnlagsdata.
Microsoft Foundry og Azure AI Evaluation SDK tilbyr AI-assisterte evaluatorer som bruker GPT-modeller som "dommere" til å score responser, samt NLP-baserte metrics (BLEU, ROUGE, METEOR) for tekstlikhet. Sammen gir disse et helhetlig bilde av RAG-systemets evne til å levere korrekt, relevant og komplett informasjon fra grunnlagsdata.
## Kjernekomponenter
@ -291,7 +291,7 @@ groundedness = GroundednessEvaluator(
## Integrasjon med Microsoft-stakken
### Azure AI Foundry Evaluation
### Microsoft Foundry Evaluation
**Pre-production evaluation workflow:**
```
@ -452,7 +452,7 @@ eval_results = mlflow.genai.evaluate(
**Mitigering:**
- Bruk **Groundedness (LLM-judge)** i stedet for Groundedness Pro — mer kontroll over model deployment region
- Deploy GPT-judge i Norge-region (Norway East)
- Bekreft at Azure AI Foundry project og OpenAI resource er i samme region
- Bekreft at Microsoft Foundry project og OpenAI resource er i samme region
### DPIA for response quality metrics
@ -505,7 +505,7 @@ PTU equivalent: ~300 PTUs @ $6/PTU = $1800/måned
**Nødvendig:**
- **Azure OpenAI** (for GPT-judge): Standard/Enterprise Agreement
- **Azure AI Foundry**: Gratis tier for evaluation UI, betaler kun for underliggende compute (GPT calls)
- **Microsoft Foundry**: Gratis tier for evaluation UI, betaler kun for underliggende compute (GPT calls)
- **Azure AI Content Safety** (for Groundedness Pro): Inkludert i Azure subscription, pay-per-transaction
**Ikke nødvendig:**
@ -540,7 +540,7 @@ PTU equivalent: ~300 PTUs @ $6/PTU = $1800/måned
- Nei → bruk Retrieval evaluator (LLM-judge, ingen ground truth)
7. **Hvilke Microsoft-tjenester bruker dere i dag?**
- Azure AI Foundry → bruk innebygd Evaluations UI
- Microsoft Foundry → bruk innebygd Evaluations UI
- Copilot Studio → integrer QAEvaluator i Prompt Flow
- Databricks → bruk MLflow GenAI evaluation

8
skills/ms-ai-governance/references/monitoring-observability/security-and-audit-logging-ai.md
View file

@ -10,9 +10,9 @@
Security og audit logging for AI-systemer er et kritisk grunnlag for compliance, incident response og forensisk analyse. Azure AI-tjenester genererer diagnostiske logger som kan spore brukeraktivitet, dataaksess, modellinteraksjon og systemhendelser — men loggene samles ikke inn før du eksplisitt konfigurerer diagnostiske innstillinger (diagnostic settings). Uten strukturert logging har du ingen sporbarhet når sikkerhetsbrudd oppstår, og ingen evne til å dokumentere hvem som aksesserte sensitive data.
Azure Monitor tilbyr et helhetlig rammeverk for å samle, lagre og analysere audit logs fra Azure OpenAI, Azure AI Foundry, Copilot Studio og andre AI-tjenester. Loggene kan rutes til Log Analytics for KQL-basert analyse, Azure Storage for langtidslagring, eller SIEM-løsninger som Microsoft Sentinel for korrelasjon med threat intelligence.
Azure Monitor tilbyr et helhetlig rammeverk for å samle, lagre og analysere audit logs fra Azure OpenAI, Microsoft Foundry, Copilot Studio og andre AI-tjenester. Loggene kan rutes til Log Analytics for KQL-basert analyse, Azure Storage for langtidslagring, eller SIEM-løsninger som Microsoft Sentinel for korrelasjon med threat intelligence.
For norsk offentlig sektor er audit logging et lovpålagt krav under Forvaltningsloven § 11, GDPR Artikkel 30 (loggføring av behandlingsaktiviteter), og AI Act (loggføring av høyrisiko AI-systemer). Microsoft-stakken leverer innebygde funksjoner for logging, men konfigurasjonen er kundens ansvar — resource logs er deaktivert som standard, med unntak av Azure AI Foundry som har automatisk logging.
For norsk offentlig sektor er audit logging et lovpålagt krav under Forvaltningsloven § 11, GDPR Artikkel 30 (loggføring av behandlingsaktiviteter), og AI Act (loggføring av høyrisiko AI-systemer). Microsoft-stakken leverer innebygde funksjoner for logging, men konfigurasjonen er kundens ansvar — resource logs er deaktivert som standard, med unntak av Microsoft Foundry som har automatisk logging.
---
@ -33,7 +33,7 @@ For norsk offentlig sektor er audit logging et lovpålagt krav under Forvaltning
|-------------|----------------|-------------------|
| **Azure OpenAI** | `Audit`, `RequestResponse`, `Trace` | Nei (krever diagnostic setting) |
| **Azure AI Services** | `Audit`, `RequestResponse`, `AllMetrics` | Nei (krever diagnostic setting) |
| **Azure AI Foundry** | Azure Monitor, Log Analytics | Ja (auto-enabled) |
| **Microsoft Foundry** | Azure Monitor, Log Analytics | Ja (auto-enabled) |
| **Azure AI Search** | Resource logs, API requests | Nei (krever diagnostic setting) |
### Logginnhold: `AzureDiagnostics`-schema
@ -129,7 +129,7 @@ Azure AI Services → Diagnostic Settings → Storage Account (Cool/Archive tier
```
Azure OpenAI → Diagnostic Settings → Log Analytics Workspace
Azure AI Foundry → (auto-enabled) → Log Analytics Workspace
Microsoft Foundry → (auto-enabled) → Log Analytics Workspace
```
**Fordeler:**

2
skills/ms-ai-governance/references/norwegian-public-sector-governance/anskaffelser-ai-procurement-framework.md
View file

@ -159,7 +159,7 @@ DFØ tilbyr standardavtaler (SSA) som forenkler anskaffelser for statlige virkso
- Kombinasjon med DevOps-utvikling
**Eksempler på AI-bruk:**
- Azure AI Foundry-prosjekter med custom modeller
- Microsoft Foundry-prosjekter med custom modeller
- Copilot Studio med egenutviklede agenter
- RAG-løsninger med Azure AI Search og egne data

2
skills/ms-ai-governance/references/norwegian-public-sector-governance/budget-and-accounting-ai-costs.md
View file

@ -73,7 +73,7 @@ AI-tjenester i skyen følger primært **OpEx-modellen** — organisasjoner betal
For AI i offentlig sektor, må budsjettet dekke:
1. **Plattformkostnader**
- Azure AI Foundry, Azure OpenAI Service, Copilot Studio
- Microsoft Foundry, Azure OpenAI Service, Copilot Studio
- Regnskapsføres som abonnement eller konsumbasert tjeneste (OpEx)
2. **Lisenskostnader**

2
skills/ms-ai-governance/references/norwegian-public-sector-governance/citizen-communication-ai-decisions.md
View file

@ -104,7 +104,7 @@ Scorecarden kan tilpasses for både tekniske og ikke-tekniske interessenter, og
Sørger for at AI-generert kommunikasjon med innbyggere er trygg, passende og fri for skadelig innhold. Spesielt viktig når automatiserte systemer genererer tekst direkte til borgere.
### Azure AI Foundry Evaluation Tools
### Microsoft Foundry Evaluation Tools
Verktøy for å vurdere modellkvalitet før produksjonssetting:
- **Safety metrics:** Sikre at modellen ikke produserer upassende svar

6
skills/ms-ai-governance/references/norwegian-public-sector-governance/digdir-principle-4-trust-security.md
View file

@ -77,7 +77,7 @@ Brytes ett ledd i kjeden, svekkes tilliten til hele tjenesten.
- Implementer **model versioning** og access control (Azure ML Model Registry)
**Microsoft-implementering:**
- Azure AI Foundry: Managed endpoints med Azure Private Link
- Microsoft Foundry: Managed endpoints med Azure Private Link
- Azure OpenAI: Customer-managed keys (CMK) for data encryption
- Azure Machine Learning: Network isolation med VNet/Subnet
@ -118,7 +118,7 @@ Brytes ett ledd i kjeden, svekkes tilliten til hele tjenesten.
**Microsoft-implementering:**
- Azure OpenAI: Provisioned Throughput Units (PTU) for garantert kapasitet
- Azure AI Foundry: Managed endpoints med auto-scaling
- Microsoft Foundry: Managed endpoints med auto-scaling
- Azure Front Door: Global load balancing og DDoS-beskyttelse
### Sporbarhet og logging
@ -144,7 +144,7 @@ Brytes ett ledd i kjeden, svekkes tilliten til hele tjenesten.
**Microsoft-implementering:**
- Azure OpenAI: Diagnostikk-logging til Log Analytics
- Azure AI Foundry: Model monitoring med data drift detection
- Microsoft Foundry: Model monitoring med data drift detection
- Purview: Compliance-rapportering og data governance
## Zero Trust for AI

2
skills/ms-ai-governance/references/norwegian-public-sector-governance/digital-accessibility-action-plan.md
View file

@ -205,7 +205,7 @@ Microsoft krever at AI-systemer følger eksisterende accessibility-programmer og
**Microsoft-verktøy for design:**
- **Inclusive Design Toolkit:** [inclusive.microsoft.design](https://inclusive.microsoft.design/)
- **Accessibility Insights:** Automatisk testing av web, Windows, Android
- **Azure AI Foundry:** Bygg AI-løsninger med innebygde accessibility-tester
- **Microsoft Foundry:** Bygg AI-løsninger med innebygde accessibility-tester
**Arkitekturmønstre:**
- Multimodal input/output (tekst, tale, bilde)

6
skills/ms-ai-governance/references/norwegian-public-sector-governance/digital-samhandling-eif-5-layers.md
View file

@ -77,7 +77,7 @@ Teknisk samhandling sikrer at ulike systemer kan integrere, og krever teknisk st
- Integrasjonsmønstre (event-driven, sync/async, batch)
**AI-spesifikke tekniske hensyn:**
- Azure OpenAI API og Azure AI Foundry endpoints
- Azure OpenAI API og Microsoft Foundry endpoints
- Chunking-strategier og vektor-databasegrensesnitt (Azure AI Search)
- Modell-API versjonering og fallback-mekanismer
- Token-håndtering, streaming, og rate limiting
@ -94,7 +94,7 @@ Det femte laget – styring og forvaltning – går på tvers av de andre lagene
**AI-spesifikke styringshensyn:**
- AI governance frameworks (Microsoft Responsible AI Standard)
- Modellregister og lineage tracking (Azure AI Foundry model catalog)
- Modellregister og lineage tracking (Microsoft Foundry model catalog)
- Red teaming og sikkerhetsevaluering
- Budsjettmodeller for tokenforbruk (PTU vs pay-per-token)
@ -129,7 +129,7 @@ Tabellen under viser hvordan de fem lagene gjelder konkret for AI-løsninger i o
### Teknisk lag
- **Azure OpenAI Service:** API for GPT-4o, o1-preview
- **Azure AI Foundry:** Felles plattform for modell, data, evaluering
- **Microsoft Foundry:** Felles plattform for modell, data, evaluering
- **Azure API Management:** API gateway med rate limiting og versjonering
- **Event Grid / Service Bus:** Event-driven AI-workflows

4
skills/ms-ai-governance/references/norwegian-public-sector-governance/forvaltningsloven-ai-decisions.md
View file

@ -250,7 +250,7 @@ Microsoft tilbyr et **Responsible AI-rammeverk** bygget på seks prinsipper som
| Plattform | Fordeler for forvaltningslov-compliance | Utfordringer |
|-----------|----------------------------------------|--------------|
| **Azure AI Foundry** | Komplett RAI-verktøysett, model governance, prompt flow for menneske-i-sløyfen | Krever AI-kompetanse, kompleks arkitektur |
| **Microsoft Foundry** | Komplett RAI-verktøysett, model governance, prompt flow for menneske-i-sløyfen | Krever AI-kompetanse, kompleks arkitektur |
| **Azure OpenAI Service** | Zero data retention (personvern), prompt engineering for forklaring | "Black box"-utfordring, avhengig av prompt-kvalitet |
| **Azure Machine Learning** | Fullstendig MLOps, Responsible AI Dashboard, model interpretability | Høy terskle, krever datascience-kompetanse |
| **Power Platform AI Builder** | Lav kode-terskel, innebygd forklaring, bruker-UI for manuell review | Begrenset kompleksitet, ikke for avanserte modeller |
@ -260,7 +260,7 @@ Microsoft tilbyr et **Responsible AI-rammeverk** bygget på seks prinsipper som
- **Standardiserte vedtak med klare regler** → Power Platform AI Builder (lav terskel, god forklaring)
- **Komplekse vurderinger med mye data** → Azure Machine Learning (full kontroll, RAI-verktøy)
- **Dialog-baserte tjenester** → Copilot Studio (menneske-i-sløyfen innebygd)
- **Generativ AI med dokumentgrunnlag** → Azure AI Foundry (RAG-arkitektur, citation)
- **Generativ AI med dokumentgrunnlag** → Microsoft Foundry (RAG-arkitektur, citation)
---

10
skills/ms-ai-governance/references/norwegian-public-sector-governance/norge-ai-strategy-government.md
View file

@ -104,7 +104,7 @@ Microsoft støtter Norges AI-strategi gjennom:
Microsofts 6 AI-prinsipper samsvarer med norske og EU-krav:
- Fairness, Reliability & Safety, Privacy & Security, Inclusiveness, Transparency, Accountability
- Integrert i Azure AI Foundry, Copilot Studio, M365 Copilot
- Integrert i Microsoft Foundry, Copilot Studio, M365 Copilot
- **Azure AI Content Safety** for sikker innholdsfiltrering
### 2. Microsoft Cloud for Sovereignty
@ -118,7 +118,7 @@ Microsofts 6 AI-prinsipper samsvarer med norske og EU-krav:
Microsoft tilbyr spesialtilpassede løsninger:
- **Microsoft 365 Copilot** — Økt produktivitet i daglig arbeid (SaaS generative AI)
- **Azure AI Foundry** — Bygg egne AI-løsninger med full kontroll (PaaS/IaaS)
- **Microsoft Foundry** — Bygg egne AI-løsninger med full kontroll (PaaS/IaaS)
- **Copilot Studio** — Low-code AI-agenter for spesifikke tjenester
- **Power Platform AI** — Automatisering og AI Builder for prosesser
@ -168,7 +168,7 @@ Microsoft tilbyr spesialtilpassede løsninger:
|-----------|------------|------------------------|
| **M365 Copilot** | Daglig arbeid, produktivitet | Mål om AI i offentlig sektor (80% innen 2026) |
| **Copilot Studio** | Spesialiserte tjenester, low-code | Rask implementering, transparent AI-bruk |
| **Azure AI Foundry** | Komplekse løsninger, full kontroll | Støtter datasuverenitet, norsk datalagring |
| **Microsoft Foundry** | Komplekse løsninger, full kontroll | Støtter datasuverenitet, norsk datalagring |
| **Power Platform AI** | Automatisering, prosessoptimalisering | Effektivisering av saksbehandling |
### Steg 3: Implementer ansvarlig AI
@ -226,7 +226,7 @@ Når du rådgir om AI-løsninger for norsk offentlig sektor, bruk denne strategi
2. **Hvilken Microsoft-plattform passer best for å oppfylle Norges AI-strategi?**
- M365 Copilot for rask adopsjon (SaaS)?
- Azure AI Foundry for full kontroll og datasuverenitet (PaaS/IaaS)?
- Microsoft Foundry for full kontroll og datasuverenitet (PaaS/IaaS)?
- Copilot Studio for spesialiserte low-code agenter?
- Power Platform AI for prosessautomatisering?
@ -265,7 +265,7 @@ Når du rådgir om AI-løsninger for norsk offentlig sektor, bruk denne strategi
**Når du anbefaler en løsning:**
1. **Start med strategisk fit:** Hvordan støtter løsningen Norges AI-satsingsområder?
2. **Velg plattform basert på kontrollbehov:** SaaS (M365 Copilot) for rask verdi, PaaS/IaaS (Azure AI Foundry) for full kontroll.
2. **Velg plattform basert på kontrollbehov:** SaaS (M365 Copilot) for rask verdi, PaaS/IaaS (Microsoft Foundry) for full kontroll.
3. **Sikre ansvarlig AI:** Bruk Microsoft Responsible AI-verktøy (Impact Assessment, HAX Toolkit, Responsible AI Dashboard).
4. **Dokumenter compliance:** ADR + teknisk dokumentasjon for EU AI Act.
5. **Etabler governance:** Cloud Center of Excellence, roller/ansvar, kontinuerlig overvåkning.

28
skills/ms-ai-governance/references/norwegian-public-sector-governance/nsm-grunnprinsipper-ai-mapping.md
View file

@ -10,7 +10,7 @@
Nasjonal sikkerhetsmyndighet (NSM) er Norges fagmyndighet for informasjons- og objektsikkerhet, og det nasjonale fagmiljøet for IKT-sikkerhet. NSMs Grunnprinsipper for IKT-sikkerhet (versjon 2.1, publisert juni 2024) omfatter **4 kategorier** med **21 prinsipper** og tilhørende sikkerhetstiltak.
Dette dokumentet mapper NSMs grunnprinsipper til AI-systemer, med spesielt fokus på Microsoft AI-stakken (Azure AI Foundry, Copilot Studio, M365 Copilot, Power Platform AI).
Dette dokumentet mapper NSMs grunnprinsipper til AI-systemer, med spesielt fokus på Microsoft AI-stakken (Microsoft Foundry, Copilot Studio, M365 Copilot, Power Platform AI).
**Hvorfor dette er relevant for AI-arkitekter:**
- AI-systemer introduserer nye sårbarheter (prompt injection, datainnsamling, modell-drift)
@ -102,7 +102,7 @@ Hver kategori fra NSMs rammeverk krever AI-spesifikk tilpasning:
**Microsoft-implementering:**
```
- Azure Machine Learning Workspace: Modellregister med versjonering
- Azure AI Foundry Model Catalog: Oversikt over tilgjengelige modeller
- Microsoft Foundry Model Catalog: Oversikt over tilgjengelige modeller
- Copilot Studio: Agent- og plugin-oversikt
- Power Platform: AI Builder model inventory
```
@ -136,7 +136,7 @@ Hver kategori fra NSMs rammeverk krever AI-spesifikk tilpasning:
**Microsoft-implementering:**
```
- Azure AI Foundry Safety Evaluations: Pre-deployment testing
- Microsoft Foundry Safety Evaluations: Pre-deployment testing
- Microsoft Security Development Lifecycle (SDL) for AI
- Responsible AI Impact Assessment (RAIA): Built-in template
- Azure AI Content Safety: Pre-deployment red teaming
@ -152,7 +152,7 @@ Hver kategori fra NSMs rammeverk krever AI-spesifikk tilpasning:
**Microsoft-implementering:**
```
- Azure OpenAI: Managed identity + private endpoints
- Azure AI Foundry Playgrounds: Sandboxed testing
- Microsoft Foundry Playgrounds: Sandboxed testing
- Copilot Studio: Data loss prevention (DLP) policies
- Azure Virtual Network Integration: AI-tjenester i VNET
- Azure Private Link for AI Services
@ -169,7 +169,7 @@ Hver kategori fra NSMs rammeverk krever AI-spesifikk tilpasning:
```
- Azure OpenAI Content Filters: Konfigurer terskelverdier for hate/violence/sexual/self-harm
- Copilot Studio: Topic-level security settings
- Prompt Shields (Azure AI Foundry): Forsvar mot jailbreak og indirect attacks
- Prompt Shields (Microsoft Foundry): Forsvar mot jailbreak og indirect attacks
- Azure Policy for AI: Enforce security baselines
```
@ -255,7 +255,7 @@ Hver kategori fra NSMs rammeverk krever AI-spesifikk tilpasning:
**Microsoft-implementering:**
```
- Azure Machine Learning: Model versioning + rollback
- Git integration i Azure AI Foundry: Versjonskontroll for prompts
- Git integration i Microsoft Foundry: Versjonskontroll for prompts
- Azure AI Search: Geo-redundant backup
- Copilot Studio: Export/import av bot-konfigurasjon
- Azure Backup for AI workloads
@ -271,7 +271,7 @@ Hver kategori fra NSMs rammeverk krever AI-spesifikk tilpasning:
```
- Azure DevOps Pipelines: AI model deployment med security approvals
- Azure Machine Learning Endpoints: Blue-green deployment for modeller
- Azure AI Foundry Evaluations: Pre-deployment testing av prompts
- Microsoft Foundry Evaluations: Pre-deployment testing av prompts
- Copilot Studio Version Control: Rollback til tidligere agentversjoner
```
@ -290,7 +290,7 @@ Hver kategori fra NSMs rammeverk krever AI-spesifikk tilpasning:
```
- Azure AI Content Safety: Real-time jailbreak detection
- Azure Monitor Application Insights: Modell-ytelsesovervåkning
- Prompt Shields (Azure AI Foundry): Indirect attack detection
- Prompt Shields (Microsoft Foundry): Indirect attack detection
- Microsoft Defender for Cloud: Sårbarhetsscanning av AI-miljøer
```
@ -334,7 +334,7 @@ Hver kategori fra NSMs rammeverk krever AI-spesifikk tilpasning:
**Microsoft-implementering:**
```
- Azure AI Red Team (Microsoft Research): Professional red teaming services
- Azure AI Foundry Safety Evaluations: Adversarial testing toolkit
- Microsoft Foundry Safety Evaluations: Adversarial testing toolkit
- PyRIT (Python Risk Identification Toolkit): Open-source AI red teaming
- Microsoft Security Response Center (MSRC): Rapportering av AI-sårbarheter
```
@ -395,7 +395,7 @@ Hver kategori fra NSMs rammeverk krever AI-spesifikk tilpasning:
**Microsoft-implementering:**
```
- Azure AI Foundry Evaluation Reports: Post-incident model analysis
- Microsoft Foundry Evaluation Reports: Post-incident model analysis
- Azure DevOps Retrospectives: Incident review tracking
- Responsible AI Impact Assessment updates: Incorporate learnings
- Azure Policy revisions: Codify security improvements
@ -410,7 +410,7 @@ Følgende tabell mapper hver av NSMs 21 prinsipper til konkrete Microsoft Azure
| NSM-prinsipp | Microsoft Azure-tjeneste | Hvordan det dekker prinsippet |
|--------------|---------------------------|-------------------------------|
| **1.1 Kartlegg styringsstrukturer** | Azure Purview AI Hub, Azure Resource Graph | AI-systemregister og datakatalogleveranse |
| **1.2 Kartlegg enheter og programvare** | Azure Machine Learning Model Registry, Azure AI Foundry | Modellversjonering, API-inventar |
| **1.2 Kartlegg enheter og programvare** | Azure Machine Learning Model Registry, Microsoft Foundry | Modellversjonering, API-inventar |
| **1.3 Kartlegg brukere og tilgang** | Entra ID, Azure RBAC, Azure Monitor Logs | Identitetsstyring og audit logging |
| **2.1 Sikkerhet i anskaffelse** | Responsible AI Impact Assessment, SDL for AI | AI-leverandørvurdering og secure development |
| **2.2 Sikker arkitektur** | Azure OpenAI Private Endpoints, VNET integration | Zero Trust for AI |
@ -421,7 +421,7 @@ Følgende tabell mapper hver av NSMs 21 prinsipper til konkrete Microsoft Azure
| **2.7 Beskytt data** | Azure OpenAI encryption at rest/transit, Azure Key Vault | TLS 1.2+, customer-managed keys |
| **2.8 E-post og nettleser** | Microsoft Defender for Office 365, Edge Enterprise | AI-basert phishing-forsvar |
| **2.9 Gjenoppretting** | Azure Backup, Azure Machine Learning versioning | Modellversjonering og geo-redundant backup |
| **2.10 Endringshåndtering** | Azure DevOps Pipelines, Azure AI Foundry Evaluations | CI/CD med security gates |
| **2.10 Endringshåndtering** | Azure DevOps Pipelines, Microsoft Foundry Evaluations | CI/CD med security gates |
| **3.1 Oppdag sårbarheter** | Azure AI Content Safety, Prompt Shields | Jailbreak og prompt injection-deteksjon |
| **3.2 Sikkerhetsovervåkning** | Azure Monitor, Azure Sentinel, Application Insights | Real-time AI-logging og SIEM |
| **3.3 Analyser overvåkningsdata** | Azure Sentinel, Azure Machine Learning Anomaly Detector | AI-basert anomali-deteksjon |
@ -429,7 +429,7 @@ Følgende tabell mapper hver av NSMs 21 prinsipper til konkrete Microsoft Azure
| **4.1 Forbered hendelseshåndtering** | Azure Security Incident Response, Service Health | AI incident response playbooks |
| **4.2 Klassifiser hendelser** | Azure Sentinel Incident Severity, Purview Breach Workflows | GDPR-varsling og alvorlighetsgradering |
| **4.3 Håndter hendelser** | Azure OpenAI deployment shutdown, Incident Response Retainer | Immediate containment og forensics |
| **4.4 Lær av hendelser** | Azure AI Foundry Evaluation Reports, Azure DevOps Retrospectives | Post-incident review og policy updates |
| **4.4 Lær av hendelser** | Microsoft Foundry Evaluation Reports, Azure DevOps Retrospectives | Post-incident review og policy updates |
---
@ -480,7 +480,7 @@ Bruk disse spørsmålene i konsultasjonsfasen:
1. **Har virksomheten et AI-systemregister, og er det oppdatert?**
- Hvis nei: Start med å kartlegge alle AI-systemer (prinsipp 1.1)
- Hvis ja: Verifiser at Azure AI Foundry-prosjekter er inkludert
- Hvis ja: Verifiser at Microsoft Foundry-prosjekter er inkludert
2. **Er AI-systemet klassifisert etter EU AI Act, og hvilke NSM-tiltak følger av den klassifiseringen?**
- Høyrisiko-AI (f.eks. rekruttering, kredittvurdering) krever ekstra dokumentasjon og menneskeovervåkning

2
skills/ms-ai-governance/references/norwegian-public-sector-governance/public-sector-ai-ethics-framework.md
View file

@ -220,7 +220,7 @@ Microsoft har seks kjerneprinsipper for ansvarlig AI, som er godt alignet med no
- **Azure AI Content Safety** — filter for skadelig innhold
- **Azure Machine Learning Responsible AI Dashboard** — overvåking av fairness, forklarbarhet, feilanalyse
### Azure AI Foundry RAI-tools:
### Microsoft Foundry RAI-tools:
- **Fairness assessment** — evaluerer modellrettferdighet på tvers av sensitive grupper (kjønn, etnisitet, alder)
- **Explainability tools** — feature importance, SHAP values, counterfactual explanations
- **Error analysis** — identifiserer subgrupper med høy feilrate

106
skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-ai-threat-library.md
View file

@ -9,7 +9,7 @@
## Oversikt
Dette biblioteket inneholder **49 trusler fordelt på 9 kategorier** for systematisk AI-risikoidentifisering i norsk offentlig sektor. Biblioteket er forankret i OWASP LLM Top 10 (2025), OWASP Top 10 for Agentic Applications 2026, MITRE ATLAS, NS 5814:2021, og EU AI Act vedlegg III, med tilpasninger for Microsoft-stakken (Azure AI Foundry, Copilot Studio, Power Platform, M365 Copilot).
Dette biblioteket inneholder **49 trusler fordelt på 9 kategorier** for systematisk AI-risikoidentifisering i norsk offentlig sektor. Biblioteket er forankret i OWASP LLM Top 10 (2025), OWASP Top 10 for Agentic Applications 2026, MITRE ATLAS, NS 5814:2021, og EU AI Act vedlegg III, med tilpasninger for Microsoft-stakken (Microsoft Foundry, Copilot Studio, Power Platform, M365 Copilot).
Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og konsekvens representerer typiske verdier for et gjennomsnittlig offentlig sektorsystem. Agenten justerer disse basert på kontekst (borgermøtende/intern, dataklassifisering, plattformvalg).
@ -60,7 +60,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 12 (Oransje) |
| **Angrepsvektor** | Brukergrensesnitt (chat, skjema, API-endepunkt) |
| **Trusselaktør** | Nysgjerrige brukere, script kiddies, målrettede angripere |
| **Plattformrelevans** | Azure AI Foundry, Copilot Studio, Power Platform (AI Builder), M365 Copilot |
| **Plattformrelevans** | Microsoft Foundry, Copilot Studio, Power Platform (AI Builder), M365 Copilot |
| **Microsoft-kontroll** | Azure AI Content Safety Prompt Shields (jailbreak-deteksjon), system message hardening, Azure API Management rate limiting |
| **OWASP LLM** | LLM01:2025 — Prompt Injection |
| **MITRE ATLAS** | AML.T0051.000 — LLM Prompt Injection |
@ -77,8 +77,8 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 12 (Oransje) |
| **Angrepsvektor** | Dokumenter, e-postinnhold, nettsider, SharePoint-filer som AI prosesserer |
| **Trusselaktør** | Avanserte angripere, insider-trusler med dokument-tilgang |
| **Plattformrelevans** | Azure AI Foundry (RAG-pipelines), Copilot Studio (websøk, SharePoint), M365 Copilot |
| **Microsoft-kontroll** | Azure AI Content Safety Prompt Shields (indirect attack), grounded-only svar, dokumentsandkasse i Azure AI Foundry |
| **Plattformrelevans** | Microsoft Foundry (RAG-pipelines), Copilot Studio (websøk, SharePoint), M365 Copilot |
| **Microsoft-kontroll** | Azure AI Content Safety Prompt Shields (indirect attack), grounded-only svar, dokumentsandkasse i Microsoft Foundry |
| **OWASP LLM** | LLM01:2025 — Prompt Injection (indirect) |
| **OWASP Agentic** | ASI01:2026 — Agent Goal Hijack |
| **MITRE ATLAS** | AML.T0051.001 — Indirect Prompt Injection |
@ -95,8 +95,8 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 12 (Oransje) |
| **Angrepsvektor** | Chat-grensesnitt, fritekstsøk |
| **Trusselaktør** | Nysgjerrige brukere, aktivister, testere |
| **Plattformrelevans** | Copilot Studio, Azure AI Foundry, M365 Copilot |
| **Microsoft-kontroll** | Azure AI Content Safety (hate/violence/jailbreak-kategorier), robust system-prompt med rolleavgrensning, Azure AI Foundry red teaming |
| **Plattformrelevans** | Copilot Studio, Microsoft Foundry, M365 Copilot |
| **Microsoft-kontroll** | Azure AI Content Safety (hate/violence/jailbreak-kategorier), robust system-prompt med rolleavgrensning, Microsoft Foundry red teaming |
| **OWASP LLM** | LLM01:2025 — Prompt Injection |
| **MITRE ATLAS** | AML.T0054 — LLM Jailbreak |
@ -112,7 +112,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 9 (Gul) |
| **Angrepsvektor** | Samtalehistorikk i chat-interface |
| **Trusselaktør** | Vedvarende angripere, insider-trusler |
| **Plattformrelevans** | Copilot Studio, Azure AI Foundry, M365 Copilot |
| **Plattformrelevans** | Copilot Studio, Microsoft Foundry, M365 Copilot |
| **Microsoft-kontroll** | Konversasjonsgrenselengde (token limit), session-resett etter X omganger, stateless system prompt ved kritiske operasjoner |
| **OWASP LLM** | LLM01:2025 — Prompt Injection |
| **MITRE ATLAS** | AML.T0054 |
@ -146,7 +146,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 9 (Gul) |
| **Angrepsvektor** | API-kall med manipulert encoding, brukerinndata |
| **Trusselaktør** | Teknisk avanserte angripere, sikkerhetspenetrastere |
| **Plattformrelevans** | Azure AI Foundry, Azure OpenAI API, Power Platform AI Builder |
| **Plattformrelevans** | Microsoft Foundry, Azure OpenAI API, Power Platform AI Builder |
| **Microsoft-kontroll** | Azure AI Content Safety (Unicode-normalisering), API Management input-validering, Azure OpenAI innebygd encoding-håndtering |
| **OWASP LLM** | LLM01:2025 — Prompt Injection |
| **MITRE ATLAS** | AML.T0054 |
@ -169,7 +169,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 10 (Oransje) |
| **Angrepsvektor** | Treningsdatapipeline, fine-tuning dataset, RLHF-feedback |
| **Trusselaktør** | Insidere med datatilgang, kompromitterte leverandører |
| **Plattformrelevans** | Azure AI Foundry (fine-tuning), Azure Machine Learning |
| **Plattformrelevans** | Microsoft Foundry (fine-tuning), Azure Machine Learning |
| **Microsoft-kontroll** | Azure ML data lineage og provenance-sporing, Purview data governance, RBAC på treningsdatasett i Azure Data Lake, anomalideteksjon i ML-pipeline |
| **OWASP LLM** | LLM03:2025 — Training Data Poisoning |
| **MITRE ATLAS** | AML.T0020 — Poison Training Data |
@ -186,7 +186,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 12 (Oransje) |
| **Angrepsvektor** | Chat-grensesnitt mot RAG-aktivert chatbot |
| **Trusselaktør** | Uautoriserte interne brukere, nysgjerrige ansatte |
| **Plattformrelevans** | Azure AI Foundry (RAG), Copilot Studio (SharePoint RAG), M365 Copilot |
| **Plattformrelevans** | Microsoft Foundry (RAG), Copilot Studio (SharePoint RAG), M365 Copilot |
| **Microsoft-kontroll** | Azure AI Search security trimming (document-level permissions), Microsoft Entra-basert dokument-RBAC, Copilot Studio SharePoint-arver tillatelser |
| **OWASP LLM** | LLM02:2025 — Sensitive Information Disclosure |
| **MITRE ATLAS** | AML.T0024 — Exfiltration via ML Inference API |
@ -203,8 +203,8 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 16 (Rød) |
| **Angrepsvektor** | Intern bruk: saksbehandler stoler ukritisk på AI-svar |
| **Trusselaktør** | Utilsiktet (systemfeil, ikke ondsinnet aktør) |
| **Plattformrelevans** | Azure AI Foundry, Copilot Studio, M365 Copilot |
| **Microsoft-kontroll** | Azure AI Foundry groundedness-evaluering (Groundedness Check), kildevisning i svar, Azure AI Content Safety groundedness-deteksjon, human-in-the-loop for vedtak |
| **Plattformrelevans** | Microsoft Foundry, Copilot Studio, M365 Copilot |
| **Microsoft-kontroll** | Microsoft Foundry groundedness-evaluering (Groundedness Check), kildevisning i svar, Azure AI Content Safety groundedness-deteksjon, human-in-the-loop for vedtak |
| **OWASP LLM** | LLM09:2025 — Misinformation |
| **MITRE ATLAS** | N/A (ikke angriperstyrte) |
@ -220,7 +220,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 9 (Gul) |
| **Angrepsvektor** | Intern: manglende oppdateringsrutiner for kunnskapsbasen |
| **Trusselaktør** | Utilsiktet (organisatorisk svikt) |
| **Plattformrelevans** | Azure AI Foundry (RAG), Copilot Studio, M365 Copilot |
| **Plattformrelevans** | Microsoft Foundry (RAG), Copilot Studio, M365 Copilot |
| **Microsoft-kontroll** | Azure AI Search indekseringsplan med automatisk re-indeksering, datakildedokumentasjon med "last updated"-metadata, kildevisning med dato i svar |
| **OWASP LLM** | LLM09:2025 |
| **MITRE ATLAS** | N/A |
@ -237,7 +237,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 8 (Gul) |
| **Angrepsvektor** | Azure Portal, Copilot Studio-administrasjon, Power Platform maker-portal |
| **Trusselaktør** | Ondsinnede insidere, kompromitterte admin-kontoer |
| **Plattformrelevans** | Azure AI Foundry, Copilot Studio, Power Platform |
| **Plattformrelevans** | Microsoft Foundry, Copilot Studio, Power Platform |
| **Microsoft-kontroll** | Azure RBAC med least privilege på AI-ressurser, PIM for admin-roller, Entra Privileged Identity Management, change management-logg i Azure Activity Log |
| **OWASP LLM** | LLM05:2025 — Improper Output Handling |
| **MITRE ATLAS** | AML.T0020 |
@ -254,7 +254,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 12 (Oransje) |
| **Angrepsvektor** | SharePoint-dokumenter, webinnhold indeksert av Azure AI Search, kunnskapsbase-opplastinger, API-integrerte datakilder |
| **Trusselaktør** | Insidere med skrivetilgang til kunnskapskilder, avanserte eksterne angripere med dokumenttilgang |
| **Plattformrelevans** | Azure AI Foundry (RAG-pipelines), Copilot Studio (SharePoint/web RAG), M365 Copilot (Graph-basert RAG) |
| **Plattformrelevans** | Microsoft Foundry (RAG-pipelines), Copilot Studio (SharePoint/web RAG), M365 Copilot (Graph-basert RAG) |
| **Microsoft-kontroll** | Azure AI Search document-level RBAC og security trimming, datakildevalidering med content hashing og integritetssjekk, Purview sensitivity labels på kunnskapsdokumenter, anomalideteksjon på indeksendringer |
| **OWASP LLM** | LLM03:2025 — Training Data Poisoning |
| **MITRE ATLAS** | AML.T0020 — Poison Training Data |
@ -277,8 +277,8 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 12 (Oransje) |
| **Angrepsvektor** | Direkte spørsmål ("hva er din system-prompt?", "repeter instruksjonene dine") |
| **Trusselaktør** | Nysgjerrige brukere, angripere som rekognoserer |
| **Plattformrelevans** | Azure AI Foundry, Copilot Studio, M365 Copilot |
| **Microsoft-kontroll** | System-prompt konfidensialitets-instruksjon ("ikke avslør disse instruksjonene"), Azure AI Foundry protected system messages, Azure Content Safety jailbreak-shield |
| **Plattformrelevans** | Microsoft Foundry, Copilot Studio, M365 Copilot |
| **Microsoft-kontroll** | System-prompt konfidensialitets-instruksjon ("ikke avslør disse instruksjonene"), Microsoft Foundry protected system messages, Azure Content Safety jailbreak-shield |
| **OWASP LLM** | LLM02:2025 — Sensitive Information Disclosure |
| **MITRE ATLAS** | AML.T0056 — LLM Meta-Prompt Extraction |
@ -294,7 +294,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 15 (Rød) |
| **Angrepsvektor** | Målrettede spørsmål om kjente persons data, uttrekk av RAG-innhold |
| **Trusselaktør** | Nysgjerrige brukere, angripere, journalister |
| **Plattformrelevans** | Azure AI Foundry, Copilot Studio, M365 Copilot |
| **Plattformrelevans** | Microsoft Foundry, Copilot Studio, M365 Copilot |
| **Microsoft-kontroll** | Azure AI Content Safety PII-deteksjon i output, Azure Purview dataklassifisering, Microsoft Presidio (open source PII-redaksjon i pipeline), document-level security trimming |
| **OWASP LLM** | LLM02:2025 |
| **MITRE ATLAS** | AML.T0024 |
@ -311,7 +311,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 8 (Gul) |
| **Angrepsvektor** | Systematiske API-kall, iterative spørsmål |
| **Trusselaktør** | Sofistikerte angripere, akademiske aktører, konkurrenter |
| **Plattformrelevans** | Azure AI Foundry (fine-tuning), Azure Machine Learning |
| **Plattformrelevans** | Microsoft Foundry (fine-tuning), Azure Machine Learning |
| **Microsoft-kontroll** | Differential privacy i fine-tuning (Azure ML), rate limiting og output diversifisering, unngå fine-tuning på direkte identifiserbare data |
| **OWASP LLM** | LLM06:2025 — Excessive Agency |
| **MITRE ATLAS** | AML.T0024.000 — Membership Inference |
@ -328,7 +328,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 12 (Oransje) |
| **Angrepsvektor** | Vellykkede jailbreak-forsøk, edge-case inputs |
| **Trusselaktør** | Ondsinnede brukere, automatiserte angripere |
| **Plattformrelevans** | Azure AI Foundry, Copilot Studio, M365 Copilot, Power Platform AI Builder |
| **Plattformrelevans** | Microsoft Foundry, Copilot Studio, M365 Copilot, Power Platform AI Builder |
| **Microsoft-kontroll** | Azure AI Content Safety content filters (alle 4 harm-kategorier på medium+ severity), Prompt Shields, red team-testing |
| **OWASP LLM** | LLM01:2025, LLM09:2025 |
| **MITRE ATLAS** | AML.T0054 |
@ -345,8 +345,8 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 10 (Oransje) |
| **Angrepsvektor** | Agent tool-kall (e-post, HTTP, Teams-melding, filskriving) |
| **Trusselaktør** | Avanserte angripere via indirekte injection |
| **Plattformrelevans** | Azure AI Foundry (agenter), Copilot Studio (actions/plugins), Power Automate |
| **Microsoft-kontroll** | Prinsippen om minste privilegium for agent-verktøy, human-in-the-loop for destruktive actions, Azure AI Foundry agent execution sandboxing, outbound nettverkskontroll |
| **Plattformrelevans** | Microsoft Foundry (agenter), Copilot Studio (actions/plugins), Power Automate |
| **Microsoft-kontroll** | Prinsippen om minste privilegium for agent-verktøy, human-in-the-loop for destruktive actions, Microsoft Foundry agent execution sandboxing, outbound nettverkskontroll |
| **OWASP LLM** | LLM06:2025 — Excessive Agency |
| **MITRE ATLAS** | AML.T0051.001 |
@ -368,7 +368,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 6 (Gul) |
| **Angrepsvektor** | Massiv API-bruk (automatisert spørringsgenerering) |
| **Trusselaktør** | Konkurrenter, nasjonsstataktører, kommersielle aktører |
| **Plattformrelevans** | Azure AI Foundry (custom/fine-tuned modeller), Azure OpenAI |
| **Plattformrelevans** | Microsoft Foundry (custom/fine-tuned modeller), Azure OpenAI |
| **Microsoft-kontroll** | Azure API Management rate limiting (< 100 req/min per bruker), Defender for Cloud anomaly detection, Azure OpenAI content logging for misbruksdeteksjon |
| **OWASP LLM** | LLM10:2025 — Model Theft |
| **MITRE ATLAS** | AML.T0036 — Model Extraction |
@ -385,7 +385,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 5 (Gul) |
| **Angrepsvektor** | Fine-tuning dataset, RLHF-feedback fra ondsinnet annotator |
| **Trusselaktør** | Nasjonsstataktører, sofistikerte insidere, kompromitterte ML-leverandører |
| **Plattformrelevans** | Azure AI Foundry (fine-tuning), Azure Machine Learning |
| **Plattformrelevans** | Microsoft Foundry (fine-tuning), Azure Machine Learning |
| **Microsoft-kontroll** | Azure ML data lineage, tostegsprosess for fine-tuning-godkjenning, model evaluation med adversarial test-suite, innkjøps-ROS for ML-leverandører |
| **OWASP LLM** | LLM03:2025 — Training Data Poisoning |
| **MITRE ATLAS** | AML.T0018 — Backdoor ML Model |
@ -402,8 +402,8 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 12 (Oransje) |
| **Angrepsvektor** | Organisk (endringer i datafordelingen, regelverksendringer) |
| **Trusselaktør** | Utilsiktet (naturlig drift, ikke ondsinnet aktør) |
| **Plattformrelevans** | Azure Machine Learning, Azure AI Foundry (custom models) |
| **Microsoft-kontroll** | Azure ML data drift monitoring, Azure AI Foundry model evaluation i produksjon, automatiske ytelsesalarmer, planlagte re-evalueringer mot gullstandarddata |
| **Plattformrelevans** | Azure Machine Learning, Microsoft Foundry (custom models) |
| **Microsoft-kontroll** | Azure ML data drift monitoring, Microsoft Foundry model evaluation i produksjon, automatiske ytelsesalarmer, planlagte re-evalueringer mot gullstandarddata |
| **OWASP LLM** | N/A |
| **MITRE ATLAS** | N/A |
@ -419,7 +419,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 8 (Gul) |
| **Angrepsvektor** | Eksport av modellvekter via Azure ML registry, utilsiktet deployment til feil miljø |
| **Trusselaktør** | Insidere med ML-tilgang, administrasjonsfeil |
| **Plattformrelevans** | Azure Machine Learning, Azure AI Foundry |
| **Plattformrelevans** | Azure Machine Learning, Microsoft Foundry |
| **Microsoft-kontroll** | Azure ML model registry med RBAC, PIM for model deployment-rettigheter, deployment godkjenningsflyt, Azure Policy for godkjente model-registries |
| **OWASP LLM** | LLM10:2025 — Model Theft |
| **MITRE ATLAS** | AML.T0012 — Valid Accounts |
@ -442,7 +442,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 5 (Gul) |
| **Angrepsvektor** | Oppdatering av leverandørtjeneste, modellkatalog-distribusjon |
| **Trusselaktør** | Nasjonsstataktører, supply chain-angripere |
| **Plattformrelevans** | Azure AI Foundry (Model Catalog), Azure OpenAI |
| **Plattformrelevans** | Microsoft Foundry (Model Catalog), Azure OpenAI |
| **Microsoft-kontroll** | Microsoft Responsible AI Content Safety for alle Catalog-modeller, leverandørrisiko-vurdering (ROS for tjenesteutsetting), change management-varsling ved modellversjonseringer |
| **OWASP LLM** | LLM05:2025 — Supply Chain Vulnerabilities |
| **MITRE ATLAS** | AML.T0010 — ML Supply Chain Compromise |
@ -459,7 +459,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 12 (Oransje) |
| **Angrepsvektor** | Npm/pip-pakker, container-images |
| **Trusselaktør** | Supply chain-angripere, opportunistiske angripere via kjente CVE-er |
| **Plattformrelevans** | Azure AI Foundry, Azure Machine Learning, Power Platform (custom code) |
| **Plattformrelevans** | Microsoft Foundry, Azure Machine Learning, Power Platform (custom code) |
| **Microsoft-kontroll** | Microsoft Defender for DevOps (dependency scanning), Azure Container Registry vulnerability scanning, GitHub Advanced Security SCA, Dependabot |
| **OWASP LLM** | LLM05:2025 |
| **MITRE ATLAS** | AML.T0010 |
@ -476,7 +476,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 9 (Gul) |
| **Angrepsvektor** | Web-scraping til treningsdata, ukontrollerte API-datakilder |
| **Trusselaktør** | Supply chain-angripere, aktører som kontrollerer datakilder |
| **Plattformrelevans** | Azure AI Foundry, Azure Machine Learning |
| **Plattformrelevans** | Microsoft Foundry, Azure Machine Learning |
| **Microsoft-kontroll** | Azure Purview data provenance, hvitlistede datakilder, automatisk innholdskvalitetsvurdering, menneskelig validering av nye datakilder |
| **OWASP LLM** | LLM03:2025 |
| **MITRE ATLAS** | AML.T0020 |
@ -527,7 +527,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
| **Standard risikoscore** | 15 (Rød) |
| **Angrepsvektor** | MCP-servere, tredjeparts Skills/plugins, pakkeregistre (npm, pip), åpne markedsplasser |
| **Trusselaktør** | Supply chain-angripere, ondsinnede plugin-utviklere, opportunistiske aktører via typosquatting |
| **Plattformrelevans** | Azure AI Foundry (MCP-integrasjoner), Copilot Studio (plugins/actions), M365 Copilot (extensions), Power Platform (custom connectors) |
| **Plattformrelevans** | Microsoft Foundry (MCP-integrasjoner), Copilot Studio (plugins/actions), M365 Copilot (extensions), Power Platform (custom connectors) |
| **Microsoft-kontroll** | Entra Agent ID-signering for plugins, Copilot Studio admin-godkjenningsprosess for plugins, minimal MCP-scope med eksplisitt tool-whitelist, Azure API Management for tredjeparts-API-kontroll |
| **OWASP LLM** | LLM05:2025 — Supply Chain Vulnerabilities |
| **MITRE ATLAS** | AML.T0010 — ML Supply Chain Compromise |
@ -536,7 +536,7 @@ Truslene er ment som et deterministisk utgangspunkt: standard sannsynlighet og k
## OWASP Top 10 for Agentic Applications 2026 — mapping til biblioteket
OWASP Gen AI Security Project publiserte **OWASP Top 10 for Agentic Applications 2026** (versjon for 2026, publisert 9. desember 2025) som et eget rammeverk for agent-spesifikke risikoer, til forskjell fra OWASP LLM Top 10 som dekker LLM-applikasjoner generelt. For agentbaserte AI-systemer (Azure AI Foundry-agenter, Copilot Studio autonome agenter, Power Automate agentflows) skal ROS-analysen vurdere disse ti kategoriene i tillegg til OWASP LLM Top 10.
OWASP Gen AI Security Project publiserte **OWASP Top 10 for Agentic Applications 2026** (versjon for 2026, publisert 9. desember 2025) som et eget rammeverk for agent-spesifikke risikoer, til forskjell fra OWASP LLM Top 10 som dekker LLM-applikasjoner generelt. For agentbaserte AI-systemer (Microsoft Foundry-agenter, Copilot Studio autonome agenter, Power Automate agentflows) skal ROS-analysen vurdere disse ti kategoriene i tillegg til OWASP LLM Top 10.
> **Merknad om kilde:** Tittel-ordlyden under er verifisert ordrett mot OWASP GenAI Security Projects offisielle publisering på genai.owasp.org (publisert 9. desember 2025). Sekundærkilder (aggregatorer og leverandørblogger) gjengir flere kategorier inkonsistent — særlig ASI02 (gjengis ofte «...& Exploitation»), ASI04 («...Compromise» i stedet for «...Vulnerabilities») og ASI08 («Cascading Agent Failures»); ordlyden her følger den offisielle teksten.
@ -573,8 +573,8 @@ Trusler i biblioteket som har en agentrelevant ASI-mapping er merket med raden *
| **Standard risikoscore** | 12 (Oransje) |
| **Angrepsvektor** | Ondsinnede prompts mot agenter med brede tool-rettigheter |
| **Trusselaktør** | Ondsinnet bruker, indirekte prompt injection |
| **Plattformrelevans** | Azure AI Foundry (agenter), Copilot Studio (actions), Power Automate (agentflows) |
| **Microsoft-kontroll** | Minste privilegium for agent tool-tilgang, human-in-the-loop for irreversible actions, Azure AI Foundry agent execution policies, konfigurasjonskontroll for tillatte tool-kall |
| **Plattformrelevans** | Microsoft Foundry (agenter), Copilot Studio (actions), Power Automate (agentflows) |
| **Microsoft-kontroll** | Minste privilegium for agent tool-tilgang, human-in-the-loop for irreversible actions, Microsoft Foundry agent execution policies, konfigurasjonskontroll for tillatte tool-kall |
| **OWASP LLM** | LLM06:2025 — Excessive Agency |
| **OWASP Agentic** | ASI02:2026 — Tool Misuse, ASI03:2026 — Identity & Privilege Abuse |
| **MITRE ATLAS** | AML.T0051 |
@ -585,13 +585,13 @@ Trusler i biblioteket som har en agentrelevant ASI-mapping er merket med raden *
| Egenskap | Verdi |
|----------|-------|
| **Beskrivelse** | En ondsinnet instruksjon injiseres i en agent og propageres uendret videre til neste agent i kjeden, som handler på instruksjonen uten ytterligere validering. I komplekse agentkjeder kan en enkelt kompromittert agent "forgift" hele kjedens output. Azure AI Foundry agent-to-agent-kommunikasjon (A2A-protokollen) introduserer nye angrepsvektorer her. |
| **Beskrivelse** | En ondsinnet instruksjon injiseres i en agent og propageres uendret videre til neste agent i kjeden, som handler på instruksjonen uten ytterligere validering. I komplekse agentkjeder kan en enkelt kompromittert agent "forgift" hele kjedens output. Microsoft Foundry agent-to-agent-kommunikasjon (A2A-protokollen) introduserer nye angrepsvektorer her. |
| **Standard sannsynlighet** | 2/5 |
| **Standard konsekvens** | 4/5 |
| **Standard risikoscore** | 8 (Gul) |
| **Angrepsvektor** | Inter-agent kommunikasjonskanal (A2A-protokoll, message queue) |
| **Trusselaktør** | Avanserte angripere som kjenner agent-arkitekturen |
| **Plattformrelevans** | Azure AI Foundry (multi-agent), Copilot Studio (agentorkestrering) |
| **Plattformrelevans** | Microsoft Foundry (multi-agent), Copilot Studio (agentorkestrering) |
| **Microsoft-kontroll** | Agent identity-validering mellom noder, output-validering mellom agentlag, signert agent-til-agent-kommunikasjon (Entra Agent ID), input-sanitering i orchestratoragent |
| **OWASP LLM** | LLM06:2025, LLM01:2025 |
| **OWASP Agentic** | ASI07:2026 — Insecure Inter-Agent Communication, ASI08:2026 — Cascading Failures |
@ -609,7 +609,7 @@ Trusler i biblioteket som har en agentrelevant ASI-mapping er merket med raden *
| **Standard risikoscore** | 12 (Oransje) |
| **Angrepsvektor** | Agent tool-kall (delete, send, publish, pay) |
| **Trusselaktør** | Utilsiktet (agent-misforståelse), ondsinnet manipulasjon |
| **Plattformrelevans** | Azure AI Foundry (agenter), Power Automate, Copilot Studio (actions) |
| **Plattformrelevans** | Microsoft Foundry (agenter), Power Automate, Copilot Studio (actions) |
| **Microsoft-kontroll** | Human-in-the-loop for alle irreversible actions (confirmasjonsdialog), action rollback-mekanismer der mulig, audit trail for alle agent-handlinger, "dry run"-modus for testing |
| **OWASP LLM** | LLM06:2025 |
| **MITRE ATLAS** | AML.T0051 |
@ -626,7 +626,7 @@ Trusler i biblioteket som har en agentrelevant ASI-mapping er merket med raden *
| **Standard risikoscore** | 9 (Gul) |
| **Angrepsvektor** | Agent-instruksjoner som trigget rekursive kall, ondsinnet agentkjede |
| **Trusselaktør** | Utilsiktet (programmeringsfeil), ondsinnet bruker med agent-tilgang |
| **Plattformrelevans** | Azure AI Foundry (agenter), Power Automate |
| **Plattformrelevans** | Microsoft Foundry (agenter), Power Automate |
| **Microsoft-kontroll** | Azure OpenAI token-budsjetter og kostnadsalarmer, agent execution timeout-grenser, Azure Cost Management-budsjetter med automatisk cutoff, maksimum iterasjoner per agent-run |
| **OWASP LLM** | LLM10:2025 — Unbounded Consumption |
| **MITRE ATLAS** | AML.T0034 — Cost Harvesting |
@ -643,8 +643,8 @@ Trusler i biblioteket som har en agentrelevant ASI-mapping er merket med raden *
| **Standard risikoscore** | 12 (Oransje) |
| **Angrepsvektor** | Organisatorisk (manglende implementasjon av logging) |
| **Trusselaktør** | Utilsiktet (arkitektursvikt) |
| **Plattformrelevans** | Azure AI Foundry (agenter), Copilot Studio, Power Automate |
| **Microsoft-kontroll** | Azure AI Foundry run history og trace, Azure Monitor Diagnostic Settings for agent-ressurser, custom logging til Log Analytics, Power Automate run history |
| **Plattformrelevans** | Microsoft Foundry (agenter), Copilot Studio, Power Automate |
| **Microsoft-kontroll** | Microsoft Foundry run history og trace, Azure Monitor Diagnostic Settings for agent-ressurser, custom logging til Log Analytics, Power Automate run history |
| **OWASP LLM** | LLM09:2025 |
| **MITRE ATLAS** | N/A |
@ -660,7 +660,7 @@ Trusler i biblioteket som har en agentrelevant ASI-mapping er merket med raden *
| **Standard risikoscore** | 10 (Oransje) |
| **Angrepsvektor** | Agentens egne beslutningsmekanismer, emergent atferd i avanserte modeller |
| **Trusselaktør** | Utilsiktet (emergent misalignment), forsterket av avanserte modeller med sterkere resonnering |
| **Plattformrelevans** | Azure AI Foundry (agenter med verktøytilgang), Copilot Studio (autonome agenter), Power Automate (agentflows) |
| **Plattformrelevans** | Microsoft Foundry (agenter med verktøytilgang), Copilot Studio (autonome agenter), Power Automate (agentflows) |
| **Microsoft-kontroll** | Agent sandbox med konfigurert timeout og maksimum iterasjoner, kill switch for umiddelbar terminering, overvåking av agent-atferd via Azure Monitor med alarmering på avvikende mønstre, minimal tool-scope (kun nødvendige verktøy) |
| **OWASP LLM** | LLM06:2025 — Excessive Agency |
| **OWASP Agentic** | ASI10:2026 — Rogue Agents |
@ -701,7 +701,7 @@ Trusler i biblioteket som har en agentrelevant ASI-mapping er merket med raden *
| **Standard risikoscore** | 16 (Rød) |
| **Angrepsvektor** | Historiske saksbehandlingsdata, offentlige statistikker med underrepresenterte grupper |
| **Trusselaktør** | Utilsiktet (strukturell bias i datagrunnlaget) |
| **Plattformrelevans** | Azure Machine Learning (custom models), Azure AI Foundry (fine-tuning), Power Platform AI Builder |
| **Plattformrelevans** | Azure Machine Learning (custom models), Microsoft Foundry (fine-tuning), Power Platform AI Builder |
| **Microsoft-kontroll** | Azure ML Responsible AI Dashboard (fairness assessment), Fairlearn Python-bibliotek, fairness-testing på beskyttede grupper (kjønn, alder, etnisitet) per Likestillingsloven |
| **OWASP LLM** | LLM09:2025 |
| **MITRE ATLAS** | N/A |
@ -735,7 +735,7 @@ Trusler i biblioteket som har en agentrelevant ASI-mapping er merket med raden *
| **Standard risikoscore** | 15 (Rød) |
| **Angrepsvektor** | Automatisk vedtaksassistanse, scoringsmodeller |
| **Trusselaktør** | Utilsiktet (bias i modellen) |
| **Plattformrelevans** | Azure Machine Learning, Azure AI Foundry |
| **Plattformrelevans** | Azure Machine Learning, Microsoft Foundry |
| **Microsoft-kontroll** | Azure ML fairness metrics (demographic parity, equalized odds), obligatorisk fairness-rapport for high-risk AI (AI Act Annex III), HITL for alle vedtak som påvirker rettigheter |
| **OWASP LLM** | LLM09:2025 |
| **MITRE ATLAS** | N/A |
@ -752,7 +752,7 @@ Trusler i biblioteket som har en agentrelevant ASI-mapping er merket med raden *
| **Standard risikoscore** | 9 (Gul) |
| **Angrepsvektor** | RLHF-feedback fra homogen annotatorgruppe |
| **Trusselaktør** | Utilsiktet (mangel på representativt feedbackpanel) |
| **Plattformrelevans** | Azure AI Foundry (custom RLHF), Azure Machine Learning |
| **Plattformrelevans** | Microsoft Foundry (custom RLHF), Azure Machine Learning |
| **Microsoft-kontroll** | Representativt annotatorpanel (demografisk og faglig diversitet), annotatoravtaler med bias-opplæring, inter-annotator agreement-mål, periodisk bias-audit av feedback-data |
| **OWASP LLM** | LLM03:2025 |
| **MITRE ATLAS** | AML.T0020 |
@ -769,7 +769,7 @@ Trusler i biblioteket som har en agentrelevant ASI-mapping er merket med raden *
| **Standard risikoscore** | 16 (Rød) |
| **Angrepsvektor** | Manglende XAI-implementasjon, fravær av statistisk overvåking |
| **Trusselaktør** | Utilsiktet (organisatorisk svikt) |
| **Plattformrelevans** | Azure Machine Learning, Azure AI Foundry |
| **Plattformrelevans** | Azure Machine Learning, Microsoft Foundry |
| **Microsoft-kontroll** | Azure ML Responsible AI Dashboard (SHAP/LIME-visualisering), Fairlearn fairness dashboard, periodisk bias-audit med statistisk signifikanstesting, AI Act-dokumentasjon |
| **OWASP LLM** | LLM09:2025 |
| **MITRE ATLAS** | N/A |
@ -792,7 +792,7 @@ Trusler i biblioteket som har en agentrelevant ASI-mapping er merket med raden *
| **Standard risikoscore** | 9 (Gul) |
| **Angrepsvektor** | HTTP/S flom mot API-endepunkt, botnet |
| **Trusselaktør** | Hacktivister, kriminelle aktører, konkurrenter |
| **Plattformrelevans** | Azure AI Foundry, Azure OpenAI, Copilot Studio |
| **Plattformrelevans** | Microsoft Foundry, Azure OpenAI, Copilot Studio |
| **Microsoft-kontroll** | Azure DDoS Protection Standard, Azure Front Door med WAF, Azure API Management rate limiting og throttling, Azure OpenAI PTU (Provisioned Throughput Units) for kapasitetsgaranti |
| **OWASP LLM** | LLM10:2025 — Unbounded Consumption |
| **MITRE ATLAS** | AML.T0034 |
@ -809,7 +809,7 @@ Trusler i biblioteket som har en agentrelevant ASI-mapping er merket med raden *
| **Standard risikoscore** | 6 (Gul) |
| **Angrepsvektor** | Veldig lange prompts, rekursive mønster, gjentatte identiske kall |
| **Trusselaktør** | Nysgjerrige brukere, opportunistiske angripere |
| **Plattformrelevans** | Azure AI Foundry, Azure OpenAI, Power Platform AI Builder |
| **Plattformrelevans** | Microsoft Foundry, Azure OpenAI, Power Platform AI Builder |
| **Microsoft-kontroll** | Azure OpenAI max_tokens-begrensning, input-lengdebegrensning i API Management, per-bruker token-kvote, Azure Monitor kostnadsalerter |
| **OWASP LLM** | LLM10:2025 |
| **MITRE ATLAS** | AML.T0034 |
@ -843,7 +843,7 @@ Trusler i biblioteket som har en agentrelevant ASI-mapping er merket med raden *
| **Standard risikoscore** | 9 (Gul) |
| **Angrepsvektor** | Organisk (utilstrekkelig kapasitetsplanlegging) |
| **Trusselaktør** | Utilsiktet (kapasitetsplanleggingssvikt) |
| **Plattformrelevans** | Azure OpenAI, Azure AI Foundry |
| **Plattformrelevans** | Azure OpenAI, Microsoft Foundry |
| **Microsoft-kontroll** | Azure OpenAI PTU (forutsigbar kapasitet), autoskalering for TPM-kvote, retry-logikk med eksponential backoff, kapasitetsplanlegging med belastningstesting |
| **OWASP LLM** | N/A |
| **MITRE ATLAS** | N/A |
@ -861,7 +861,7 @@ Trusler i biblioteket som har en agentrelevant ASI-mapping er merket med raden *
| **Angrepsvektor** | Organisatorisk (manglende BCDR-plan for AI) |
| **Trusselaktør** | Utilsiktet (organisatorisk sårbarhet) |
| **Plattformrelevans** | Alle Microsoft AI-plattformer |
| **Microsoft-kontroll** | Azure Site Recovery, manuell fallback-prosedyre, Azure AI Foundry multi-region, degraded-mode-design der AI er valgfritt supplement ikke krav |
| **Microsoft-kontroll** | Azure Site Recovery, manuell fallback-prosedyre, Microsoft Foundry multi-region, degraded-mode-design der AI er valgfritt supplement ikke krav |
| **OWASP LLM** | N/A |
| **MITRE ATLAS** | N/A |
@ -934,8 +934,8 @@ Trusler i biblioteket som har en agentrelevant ASI-mapping er merket med raden *
| **Standard risikoscore** | 9 (Gul) |
| **Angrepsvektor** | Borgerkrav som system ikke kan håndtere teknisk |
| **Trusselaktør** | Utilsiktet (teknisk arkitektursvikt) |
| **Plattformrelevans** | Azure AI Foundry, Copilot Studio, M365 Copilot |
| **Microsoft-kontroll** | Microsoft Purview subject rights requests, Azure AI Foundry conversation history sletting, Azure OpenAI data deletion API, datakartlegging (DPIA) som identifiserer alle lagringslokasjoner |
| **Plattformrelevans** | Microsoft Foundry, Copilot Studio, M365 Copilot |
| **Microsoft-kontroll** | Microsoft Purview subject rights requests, Microsoft Foundry conversation history sletting, Azure OpenAI data deletion API, datakartlegging (DPIA) som identifiserer alle lagringslokasjoner |
| **OWASP LLM** | LLM02:2025 |
| **MITRE ATLAS** | N/A |
@ -951,7 +951,7 @@ Trusler i biblioteket som har en agentrelevant ASI-mapping er merket med raden *
| **Standard risikoscore** | 16 (Rød) |
| **Angrepsvektor** | Systemdesign (manglende XAI og logging) |
| **Trusselaktør** | Utilsiktet (mangel på XAI i arkitekturen) |
| **Plattformrelevans** | Azure Machine Learning, Azure AI Foundry |
| **Plattformrelevans** | Azure Machine Learning, Microsoft Foundry |
| **Microsoft-kontroll** | Azure ML Responsible AI Dashboard (feature importance, error analysis), Explainable Boosting Machine for tabular data, beslutningslogg per enkeltvedtak i Azure Monitor, HITL med begrunnelseskrav |
| **OWASP LLM** | LLM09:2025 |
| **MITRE ATLAS** | N/A |
@ -1001,7 +1001,7 @@ Trusler i biblioteket som har en agentrelevant ASI-mapping er merket med raden *
Biblioteket brukes som utgangspunkt i Fase 4 av ROS-analysen. Gjennomfør trusselidentifisering i to steg:
1. **Filtrer på plattformrelevans** — velg kun trusler som er relevante for kundens faktiske plattformvalg (Azure AI Foundry, Copilot Studio, Power Platform, M365 Copilot).
1. **Filtrer på plattformrelevans** — velg kun trusler som er relevante for kundens faktiske plattformvalg (Microsoft Foundry, Copilot Studio, Power Platform, M365 Copilot).
2. **Juster standard-scorer** basert på kontekst:
- Borgermøtende system: +1 konsekvens på alle trusler med persondata
- Eksternt eksponert API: +1 sannsynlighet på T-INP og T-AVL

2
skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-analyse-ai-systems.md
View file

@ -327,7 +327,7 @@ Overvåk compliance med regelverk (GDPR, AI Act, ISO 27001).
Strukturert trusselmodellering basert på STRIDE-rammeverket.
**For AI-systemer:**
- Importer Azure-arkitektur (Azure AI Foundry, Copilot Studio)
- Importer Azure-arkitektur (Microsoft Foundry, Copilot Studio)
- Identifiser trust boundaries (f.eks. bruker → AI → backend-database)
- Automatisk generering av trusler basert på dataflyt
- Eksport til Azure DevOps for sporing av tiltak

10
skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-maestro-multiagent.md
View file

@ -12,7 +12,7 @@
MAESTRO (Multi-Agent Environment Security Threat and Risk Operations) er et 7-lags sikkerhetsrammeverk utviklet av OWASP for å adressere unike sikkerhetsutfordringer i multiagent AI-systemer. Rammeverket bygger på defense-in-depth-prinsippet og gir et systematisk verktøy for å identifisere, vurdere og mitigere risiko i hvert lag av en agent-arkitektur.
I norsk offentlig sektor er MAESTRO særlig relevant for:
- Azure AI Foundry Agent Service-baserte systemer med verktøytilgang
- Foundry Agent Service-baserte systemer med verktøytilgang
- Copilot Studio-agenter med actions/plugins og multi-agent orkestrering
- Power Automate agentflows med autonom beslutningstaking
- Microsoft 365 Copilot med extensions og personlige agenter
@ -72,7 +72,7 @@ I norsk offentlig sektor er MAESTRO særlig relevant for:
**Mapping til trusselbibliotek:** T-OUT-01, T-DAT-05, T-AGT-06, T-INP-04
**Microsoft-kontroller:**
- Protected system messages i Azure AI Foundry
- Protected system messages i Microsoft Foundry
- PIM-basert tilgangskontroll for agentkonfigurasjon
- Session-resett etter definert antall omganger
- Agent behavior monitoring via Azure Monitor
@ -112,7 +112,7 @@ I norsk offentlig sektor er MAESTRO særlig relevant for:
**Mapping til trusselbibliotek:** T-AGT-02, T-AGT-04
**Microsoft-kontroller:**
- Azure AI Foundry Agent Service med Agent-to-Agent (A2A) protokoll
- Foundry Agent Service med Agent-to-Agent (A2A) protokoll
- Signert agent-til-agent-kommunikasjon via Entra Agent ID
- Timeout og maksimum iterasjoner per agent-run
- Output-sanitering mellom agentlag i orchestrator
@ -216,7 +216,7 @@ Bruk denne sjekklisten i Fase 5 (Sårbarhetsanalyse) for systemer med AI-agenter
- MCPTox — "A Large-Scale Study on MCP Security", 2025
- Pillar Security — MCP Security Audit, 2025
- Microsoft Entra Agent ID documentation, 2025
- Azure AI Foundry Agent Service GA documentation, 2025
- Foundry Agent Service GA documentation, 2025
---
@ -232,7 +232,7 @@ MAESTRO-rammeverket brukes når kunden har eller planlegger et agentbasert AI-sy
### Når er MAESTRO relevant?
- **Alltid relevant:** Systemer med Azure AI Foundry Agent Service, Copilot Studio autonome agenter, Power Automate agentflows
- **Alltid relevant:** Systemer med Foundry Agent Service, Copilot Studio autonome agenter, Power Automate agentflows
- **Delvis relevant:** Enkle chatboter med verktøytilgang (bruk lag 1-4)
- **Ikke relevant:** Statiske modeller uten verktøytilgang eller agent-funksjonalitet (standard RAG-chatbot uten actions)

2
skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-report-templates.md
View file

@ -195,7 +195,7 @@ Bruk denne malen for alle AI-systemer som skal i produksjon i offentlig sektor,
**AI-komponenttype:** [Generativ AI / klassifisering / anbefaling / prediktiv / NLP / computer vision / hybrid]
**Grad av autonomi:** [Fullt manuelt (HITL alltid) / beslutningsstøtte / semi-autonomt / fullt autonomt]
**Modell(er):** [GPT-4o / Phi-4 / Azure AI Services / etc.]
**Plattform:** [Azure AI Foundry / Copilot Studio / Power Platform / Azure OpenAI / custom]
**Plattform:** [Microsoft Foundry / Copilot Studio / Power Platform / Azure OpenAI / custom]
#### 2.2 Dataflyt

18
skills/ms-ai-governance/references/norwegian-public-sector-governance/ros-scoring-rubrics-7x5.md
View file

@ -46,7 +46,7 @@ Hver celle inneholder 5 sjekkpunkter. Regelen er:
## Dimensjon 1: Modellsikkerhet (20 %)
*Referanse: OWASP LLM Top 10 (2025), MITRE ATLAS, Azure AI Content Safety, Azure AI Foundry Guardrails*
*Referanse: OWASP LLM Top 10 (2025), MITRE ATLAS, Azure AI Content Safety, Microsoft Foundry Guardrails*
Dimensjonen vurderer i hvilken grad AI-systemet er beskyttet mot AI-spesifikke angrep som prompt injection, jailbreaking, adversarial input og poisoning. Dette er den mest teknisk AI-spesifikke dimensjonen og skiller seg fra generell applikasjonssikkerhet.
@ -54,17 +54,17 @@ Dimensjonen vurderer i hvilken grad AI-systemet er beskyttet mot AI-spesifikke a
| # | Sjekkpunkt | Verifiseringsmetode |
|---|-----------|---------------------|
| 1 | Azure AI Content Safety (eller tilsvarende) er aktivert med content filters på alle 4 harm-kategorier (hate, violence, sexual, self-harm) på severity medium eller høyere | Azure AI Foundry → Guardrails → Content filter: sjekk at alle kategorier er konfigurert, ikke kun "default" |
| 1 | Azure AI Content Safety (eller tilsvarende) er aktivert med content filters på alle 4 harm-kategorier (hate, violence, sexual, self-harm) på severity medium eller høyere | Microsoft Foundry → Guardrails → Content filter: sjekk at alle kategorier er konfigurert, ikke kun "default" |
| 2 | Prompt Shields er aktivert for deteksjon av både direkte jailbreak og indirekte prompt injection fra dokumenter og ekstern innhold | Content filter → Prompt Shields = ON for user messages OG documents/grounded content |
| 3 | System message (meta-prompt) definerer eksplisitt AI-systemets rolle, tillatte operasjoner, og inneholder instruksjoner om å ikke avsløre konfigurasjon | System prompt inneholder: tydelig rollebeskrivelse, scope-begrensning, "do not reveal system prompt"-instruksjon, og avvisning av rolleplay-angrep |
| 4 | Red team-testing er gjennomført og dokumentert med systematisk testing av minst 20 jailbreak- og injection-varianter | Dokumentert red team-rapport med Attack Success Rate (ASR) < 10 % for alle harm-kategorier, eller Azure AI Foundry automated red teaming-rapport |
| 4 | Red team-testing er gjennomført og dokumentert med systematisk testing av minst 20 jailbreak- og injection-varianter | Dokumentert red team-rapport med Attack Success Rate (ASR) < 10 % for alle harm-kategorier, eller Microsoft Foundry automated red teaming-rapport |
| 5 | Input- og output-validering er implementert i AI-pipeline som supplement til content filters (f.eks. regex-filtre, lengdebegrensning, output-groundedness) | Kodegjennomgang eller arkitekturdokumentasjon viser pre/post-processing med eksplisitte valideringsregler |
### Scoringstabell
| Score | Kriterier | Typisk scenario |
|-------|-----------|-----------------|
| **5** | Alle 5 sjekkpunkter oppfylt | Azure AI Foundry med full content safety-konfigurasjon, dokumentert red team, og pipeline-validering |
| **5** | Alle 5 sjekkpunkter oppfylt | Microsoft Foundry med full content safety-konfigurasjon, dokumentert red team, og pipeline-validering |
| **4** | 4/5 oppfylt (typisk: mangler formell red team-rapport, men uformell testing er gjennomført) | Alle tekniske kontroller aktivert, men ingen systematisk adversarial testing med dokumentasjon |
| **3** | 3/5 oppfylt (typisk: content filters + prompt shields + system message, men ingen output-validering eller red team) | Default-kontroller aktivert via wizard/portal, men ingen tilpasning eller testing utover standard |
| **2** | 2/5 oppfylt (typisk: content filters på default, men ingen prompt shields og svak system message) | Noen sikkerhetstiltak ved oppstart, ikke oppdatert eller testet etter lansering |
@ -141,7 +141,7 @@ Dimensjonen vurderer om AI-systemet er tilstrekkelig robust og tilgjengelig —
| 1 | SLA-krav er definert for AI-komponenten og er kontraktsmessig forankret i avtale med Microsoft (og eventuelle underleverandører), og samsvarer med virksomhetens krav til tjenestekontinuitet | SLA-dokumentasjon viser krav (f.eks. 99,9 % oppetid) og Microsoft Azure SLA bekrefter at tjenesten dekker dette; avvik er akseptert og dokumentert |
| 2 | Kapasitetsplanlegging er gjennomført med belastningstesting, og Azure OpenAI PTU (Provisioned Throughput Units) eller tilsvarende kapasitetsreservasjon er aktivert for produksjonskritiske systemer | Belastningstestrapport med dokumenterte peak-scenarier; PTU-avtale eller dokumentert begrunnelse for TPM-basert provisjonering |
| 3 | Fallback-prosedyre til manuell saksbehandling er dokumentert, testet og kjent av saksbehandlerne — AI-nedetid medfører ikke full stopp i lovpålagte saksbehandlingsprosesser | BCDR-plan med AI-specifik section; øvelsesprotokoll viser at fallback er gjennomgått; saksbehandlere kjenner prosedyren |
| 4 | Multi-region redundans eller aktiv failover er konfigurert for kritiske AI-komponenter | Azure AI Foundry eller Azure OpenAI deployert i minst 2 Azure-regioner med load balancing, ELLER dokumentert aksept av single-region risiko |
| 4 | Multi-region redundans eller aktiv failover er konfigurert for kritiske AI-komponenter | Microsoft Foundry eller Azure OpenAI deployert i minst 2 Azure-regioner med load balancing, ELLER dokumentert aksept av single-region risiko |
| 5 | AI-systemet er designet med graceful degradation — det fungerer i en redusert "uten AI"-modus som gir begrenset men funksjonell service ved AI-komponentfeil | Systemarkitekturen viser at kjernesystemet (saksbehandlingssystem, portal) fungerer uavhengig av AI-komponenten; AI er supplement, ikke enkeltfeilpunkt |
### Scoringstabell
@ -314,7 +314,7 @@ Uavhengig av beregnet totalscore skal risikokategorien oppgraderes til **Kritisk
### Case B: Borgermøtende vedtaksstøttesystem med sensitive data
**Scenario:** Azure AI Foundry-basert system som assisterer saksbehandlere ved vurdering av søknader om offentlige tjenester (f.eks. tilskudd, støtteordninger). Systemet analyserer søknadstekst og støttedokumenter og gir en anbefaling med begrunnelse. Saksbehandler fatter det formelle vedtaket. Systemet behandler personopplysninger inkludert økonomidata og helseopplysninger.
**Scenario:** Microsoft Foundry-basert system som assisterer saksbehandlere ved vurdering av søknader om offentlige tjenester (f.eks. tilskudd, støtteordninger). Systemet analyserer søknadstekst og støttedokumenter og gir en anbefaling med begrunnelse. Saksbehandler fatter det formelle vedtaket. Systemet behandler personopplysninger inkludert økonomidata og helseopplysninger.
| Dimensjon | Forventet score | Begrunnelse |
|-----------|----------------|-------------|
@ -322,7 +322,7 @@ Uavhengig av beregnet totalscore skal risikokategorien oppgraderes til **Kritisk
| Dataintegritet og konfidensialitet | **3** | TLS 1.2, Norway East region, noe tilgangskontroll — men CMK typisk ikke implementert for AI Search, PII-filter for norsk fødselsnummer/helseopplysninger sjelden komplett |
| Bias og diskriminering | **2** | HITL er implementert (saksbehandler vedtar) — men ingen fairness-evaluering, ingen overvåking av demografiske ytelsesforskjeller, ingen bias-audit gjennomført |
| Tilgjengelighet og robusthet | **3** | Manuell saksbehandling er mulig ved AI-nedetid; men ingen PTU, ingen multi-region, ingen formell BCDR-plan for AI-komponenten |
| Forklarbarhet og sporbarhet | **3** | Azure AI Foundry run history finnes; kildevisning i svar; men logger ikke lagret tilstrekkelig lenge (< 5 år), og prosedyre for borgerkrav om innsyn ikke etablert |
| Forklarbarhet og sporbarhet | **3** | Microsoft Foundry run history finnes; kildevisning i svar; men logger ikke lagret tilstrekkelig lenge (< 5 år), og prosedyre for borgerkrav om innsyn ikke etablert |
| Juridisk og regulatorisk | **2** | DPA eksisterer; behandlingsgrunnlag identifisert — men DPIA ikke gjennomført for AI-spesifikke risikoer (helseopplysninger krever DPIA), AI Act-klassifisering (sannsynligvis high-risk per Annex III punkt 5) ikke formalisert |
| Organisatorisk og menneskelig | **3** | Ansvarsfordeling finnes; saksbehandlere har fått noe opplæring; men ingen vedtatt AI-policy, ingen hendelsesprosedyre, ROS er ny og ikke revidert |
@ -395,7 +395,7 @@ Marker scorer med (H), (M) eller (L) i dimensjonsvurderingstabellen:
### Slik bruker du rubrikkene
1. **Innhent kontekst:** Identifiser systemtype (borgermøtende/intern), dataklassifisering (personopplysninger/sensitive/gradert), plattform (Azure AI Foundry/Copilot Studio/Power Platform/M365), og tiltenkt bruk (vedtaksstøtte/informasjon/automatisering).
1. **Innhent kontekst:** Identifiser systemtype (borgermøtende/intern), dataklassifisering (personopplysninger/sensitive/gradert), plattform (Microsoft Foundry/Copilot Studio/Power Platform/M365), og tiltenkt bruk (vedtaksstøtte/informasjon/automatisering).
2. **Gå gjennom dimensjonene sekvensielt:** Vurder alle 5 sjekkpunkter for hver dimensjon med ja/nei. Dokumenter evidens for hvert svar.
3. **Beregn dimensjonscore:** Tell antall "ja" → score (5=5, 4=4, 3=3, 2=2, 0-1=1).
4. **Beregn totalscore:** Bruk vektingsformelen. Rund av til 2 desimaler.
@ -415,7 +415,7 @@ Marker scorer med (H), (M) eller (L) i dimensjonsvurderingstabellen:
### Spørsmål å stille kunden for å bestemme score
For **Dimensjon 1 (Modellsikkerhet):**
- "Kan du vise meg content filter-konfigurasjonen i Azure AI Foundry eller Copilot Studio?"
- "Kan du vise meg content filter-konfigurasjonen i Microsoft Foundry eller Copilot Studio?"
- "Er det gjennomført noen form for adversarial testing av systemet?"
For **Dimensjon 3 (Bias):**

2
skills/ms-ai-governance/references/norwegian-public-sector-governance/utredningsinstruksen-ai-methodology.md
View file

@ -498,7 +498,7 @@ Selv under terskelverdi kan frivillig ekstern review være lurt (f.eks. fagmilj
| Oppgave | Microsoft-verktøy | Bruk |
|---------|-------------------|------|
| DPIA | **Microsoft Purview Compliance Manager** | Template for privacy impact assessment |
| AI Act compliance | **Azure AI Foundry (model cards, transparency notes)** | Dokumentasjon av modeller |
| AI Act compliance | **Microsoft Foundry (model cards, transparency notes)** | Dokumentasjon av modeller |
| Content filtering | **Azure AI Content Safety** | Blokkere harmful content |
| Responsible AI dashboard | **Responsible AI Toolbox** | Bias detection, explainability |

4
skills/ms-ai-governance/references/responsible-ai/ai-act-annex-iii-checklist.md
View file

@ -447,12 +447,12 @@ Den nye forvaltningsloven (vedtatt 3. juni 2025, Prop. 79 L (2024-2025)) innehol
| Steg | Verktøy | Funksjon |
|------|---------|----------|
| Risikoklassifisering | Microsoft Purview Compliance Manager | EU AI Act assessment template med improvement actions |
| Dokumentasjon | Azure AI Foundry AI Reports | Model cards, evaluation metrics, compliance-klar eksport |
| Dokumentasjon | Microsoft Foundry AI Reports | Model cards, evaluation metrics, compliance-klar eksport |
| Profileringsvurdering | Microsoft Priva | Privacy Impact Assessment for å avgjøre profileringsstatus |
| FRIA | Compliance Manager + Priva | Fundamental Rights Impact Assessment-mal |
| Human oversight | Power Automate / Logic Apps | Godkjenningsworkflows for høyrisiko-beslutninger |
| Logging | Azure Monitor + Log Analytics | Automatisk logging per Art. 12-krav |
| Adversarial testing | Azure AI Foundry Red Teaming Agent | Pre-deployment robustness-testing (Art. 15) |
| Adversarial testing | Microsoft Foundry Red Teaming Agent | Pre-deployment robustness-testing (Art. 15) |
| Post-market monitoring | Microsoft Defender for Cloud | AI threat protection i produksjon |
---

32
skills/ms-ai-governance/references/responsible-ai/ai-act-compliance-guide.md
View file

@ -65,15 +65,15 @@ Providers av høyrisiko-systemer (de som utvikler/markedsfører) må oppfylle **
| Kravområde | Konkret innhold | Microsoft-verktøy |
|-----------|-----------------|-------------------|
| **Risk Management System** | Kontinuerlig identifisering, analyse og mitigering av risikoer gjennom hele livssyklusen | Azure AI Foundry risk assessments, MITRE ATLAS framework |
| **Risk Management System** | Kontinuerlig identifisering, analyse og mitigering av risikoer gjennom hele livssyklusen | Microsoft Foundry risk assessments, MITRE ATLAS framework |
| **Data Governance** | Relevante, representative og feilfrie treningsdata; bias-analyse | Microsoft Purview Data Lifecycle Management, data lineage |
| **Technical Documentation** | Komplett dokumentasjon av design, utvikling, testing | Azure AI Foundry reports (PDF/SPDX), model cards |
| **Technical Documentation** | Komplett dokumentasjon av design, utvikling, testing | Microsoft Foundry reports (PDF/SPDX), model cards |
| **Record-keeping** | Automatisk logging av events for sporbarhet | Azure Monitor, Log Analytics, Purview audit logs |
| **Transparency** | Brukere skal forstå systemets kapabiliteter og begrensninger | Transparency notes, model cards |
| **Human Oversight** | Mekanismer for human-in-the-loop i kritiske beslutninger | Azure Logic Apps, Power Automate approval workflows |
| **Accuracy, Robustness, Security** | Høy presisjon, resiliens mot feil, cybersecurity | Azure AI Content Safety, adversarial testing (PyRIT) |
| **Quality Management System** | ISO-lignende kvalitetsstyring for hele utviklingsløpet | ISO 42001:2023 (Microsoft sertifisert for M365 Copilot, Copilot Studio, Microsoft Foundry, Security Copilot, GitHub Copilot, Dragon Copilot, Dragon Copilot (Radiologist), Copilot Health) *(Verified MCP 2026-06-19)* |
| **Conformity Assessment** | Pre-deployment vurdering (intern eller ekstern) | Azure AI Foundry evaluation metrics, Compliance Manager |
| **Conformity Assessment** | Pre-deployment vurdering (intern eller ekstern) | Microsoft Foundry evaluation metrics, Compliance Manager |
| **CE-merking** | Registrering i EU database før markedsføring | (Gjelder ikke SaaS-tjenester fra Microsoft) |
| **Post-market Monitoring** | Kontinuerlig overvåking av performance i produksjon | Microsoft Defender for Cloud AI threat protection |
@ -110,7 +110,7 @@ For organisasjoner som bygger egne AI-løsninger på Azure:
│
┌─────────────────────────────────────────────────────────────┐
│ Development Layer │
│ • Azure AI Foundry (model development + evaluation) │
│ • Microsoft Foundry (model development + evaluation) │
│ • AI Red Teaming Agent (pre-deployment adversarial testing) │
│ • Model cards + transparency notes (documentation) │
│ • AI Reports (PDF/SPDX export for audits) │
@ -259,7 +259,7 @@ Compliance Manager tilbyr **4 premium AI templates** gratis i 6 måneder ved kj
3. ISO/IEC 42001:2023 (AI management system)
4. NIST AI RMF 1.0
**Automatisk synkronisering fra Azure AI Foundry:**
**Automatisk synkronisering fra Microsoft Foundry:**
- Compliance Manager kan synkronisere **15 automated evaluation actions** fra AI Foundry (reliability, BLEU score, coherence, fluency)
- Real-time pass/fail status vises i Compliance Manager
@ -271,15 +271,15 @@ Compliance Manager tilbyr **4 premium AI templates** gratis i 6 måneder ved kj
2. Create assessment → velg "EU Artificial Intelligence Act"
3. Scope assessment til relevante AI workloads (Azure subscriptions, M365 services)
4. Assign improvement actions til ansvarlige team members
5. Integrate med Azure AI Foundry for automated evaluation sync (krever AI Project Manager RBAC role)
5. Integrate med Microsoft Foundry for automated evaluation sync (krever AI Project Manager RBAC role)
**Confidence: High** — Compliance Manager's AI Act template er offisielt lansert og aktivt vedlikeholdt av Microsoft.
### Azure AI Foundry: Built-in compliance features
### Microsoft Foundry: Built-in compliance features
**AI Reports for audit readiness:**
Azure AI Foundry kan generere **compliance-klare rapporter** som dekker AI Act dokumentasjonskrav:
Microsoft Foundry kan generere **compliance-klare rapporter** som dekker AI Act dokumentasjonskrav:
- Model cards (modellnavn, versjon, formål, begrensninger)
- Evaluation metrics (accuracy, fairness, robustness)
@ -289,7 +289,7 @@ Azure AI Foundry kan generere **compliance-klare rapporter** som dekker AI Act d
**Hvordan generere:**
```bash
# I Azure AI Foundry portal
# I Microsoft Foundry portal
Project → Reports → Create Report
├─ Include: Model card, Evaluations, Safety filters
├─ Export format: PDF (for auditors) eller SPDX (for tech compliance)
@ -309,7 +309,7 @@ Supported risk categories:
**Hvordan kjøre:**
```bash
# I Azure AI Foundry
# I Microsoft Foundry
Evaluation → AI Red Teaming Agent → Select risk categories
├─ Run automated attack scenarios (prompt injections, jailbreaks)
├─ Review failure cases
@ -428,7 +428,7 @@ En kommunes AI-drevne søknadsbehandling må ikke bare følge forvaltningsloven,
9. **EU database registration:** NAV må registrere systemet i EU-databasen før produksjonssetting (fra aug 2026)
**Microsoft-verktøy for NAV:**
- Azure AI Foundry for utvikling + evaluation
- Microsoft Foundry for utvikling + evaluation
- Purview Compliance Manager med AI Act template
- Purview Data Map for data lineage (spore datakilder)
- Azure AI Content Safety for å filtrere upassende input
@ -480,7 +480,7 @@ Selv om offentlige virksomheter ikke har "omsetning", kan administrative sanksjo
**Kostnadsreduksjon med Microsoft-stack:**
- **Purview Compliance Manager:** €0 for AI templates (inkludert i E5/Copilot-lisens)
- **Azure AI Foundry reports:** €0 (inkludert i AI Foundry subscription)
- **Microsoft Foundry reports:** €0 (inkludert i AI Foundry subscription)
- **Automated evaluation sync:** Reduserer manuelle compliance-sjekker (estimert 30-40% tidsbesparelse)
- **Pre-built guardrails:** Azure AI Content Safety koster ~$1-2 per 1000 transactions (billigere enn custom-løsning)
@ -494,7 +494,7 @@ Selv om offentlige virksomheter ikke har "omsetning", kan administrative sanksjo
|--------|---------------------------|
| **Microsoft 365 E5** | Purview Compliance Manager (AI Act template), Purview Audit, Communication Compliance, eDiscovery |
| **Microsoft 365 E5 Compliance** | Full Purview suite (DLP, Insider Risk, Data Lifecycle Management) |
| **Azure AI Foundry** | AI Reports, AI Red Teaming Agent, evaluation metrics, model cards |
| **Microsoft Foundry** | AI Reports, AI Red Teaming Agent, evaluation metrics, model cards |
| **Microsoft Defender for Cloud (CSPM)** | AI threat protection, vulnerability scanning |
| **Copilot for M365** | Baseline AI Act assessment auto-provisioned, built-in content filters |
@ -547,7 +547,7 @@ Selv om offentlige virksomheter ikke har "omsetning", kan administrative sanksjo
**Confidence: High**
**Scenario 2: Kunde bygger custom AI på Azure AI Foundry (høyrisiko)**
**Scenario 2: Kunde bygger custom AI på Microsoft Foundry (høyrisiko)**
**Ditt råd:**
- "Dere er provider, så dere må gjennomføre full compliance-løp: risk assessment, data governance, FRIA (hvis offentlig sektor), conformity assessment."
@ -668,7 +668,7 @@ Tre nivåer av human oversight:
*Last accessed: 2026-02-03*
*Confidence: Highest*
10. **Azure AI Foundry - AI Reports for Compliance** — [Microsoft Tech Community Blog](https://techcommunity.microsoft.com/blog/aiplatformblog/ai-reports-improve-ai-governance-and-genaiops-with-consistent-documentation/4301914)
10. **Microsoft Foundry - AI Reports for Compliance** — [Microsoft Tech Community Blog](https://techcommunity.microsoft.com/blog/aiplatformblog/ai-reports-improve-ai-governance-and-genaiops-with-consistent-documentation/4301914)
*Published: 2024*
*Confidence: High*
@ -676,7 +676,7 @@ Tre nivåer av human oversight:
*Last accessed: 2026-02-03*
*Confidence: Highest*
12. **Azure AI Foundry - Governance and Security for AI Agents** — [Microsoft Learn](https://learn.microsoft.com/en-us/azure/cloud-adoption-framework/ai-agents/governance-security-across-organization)
12. **Microsoft Foundry - Governance and Security for AI Agents** — [Microsoft Learn](https://learn.microsoft.com/en-us/azure/cloud-adoption-framework/ai-agents/governance-security-across-organization)
*Last accessed: 2026-02-03*
*Confidence: Highest*

2
skills/ms-ai-governance/references/responsible-ai/ai-act-conformity-assessment.md
View file

@ -44,7 +44,7 @@ Annex IV spesifiserer hvilken teknisk dokumentasjon som kreves. Under følger hv
- Versjonskontroll og endringshåndtering
**Eksempel:**
> "Systemet benytter Azure OpenAI GPT-4o (modell-id: gpt-4o-2024-08-06) via Azure AI Foundry. Treningsdata er ikke benyttet — systemet er prompt-engineered med virksomhetens egne saksmaler. Retrieval-augmented generation (RAG) er implementert mot en Azure AI Search-indeks med 12 000 dokumenter fra Lovdata og interne retningslinjer. Indeksen oppdateres månedlig."
> "Systemet benytter Azure OpenAI GPT-4o (modell-id: gpt-4o-2024-08-06) via Microsoft Foundry. Treningsdata er ikke benyttet — systemet er prompt-engineered med virksomhetens egne saksmaler. Retrieval-augmented generation (RAG) er implementert mot en Azure AI Search-indeks med 12 000 dokumenter fra Lovdata og interne retningslinjer. Indeksen oppdateres månedlig."
**Typiske mangler:**
- Konkret modell-ID mangler (bare "GPT-4" oppgitt)

20
skills/ms-ai-governance/references/responsible-ai/ai-act-microsoft-tools-mapping.md
View file

@ -17,15 +17,15 @@ Microsoft-plattformen tilbyr en bred portefølje av verktøy som støtter etterl
| AI Act-artikkel | Krav | Microsoft-verktøy | Implementeringsdetalj |
|---|---|---|---|
| **Art. 5** Forbudt praksis | Dokumentasjon av at systemet ikke faller inn under forbudte kategorier | Microsoft Purview Compliance Manager | Opprett tilpasset assessment med Art. 5-sjekkliste; dokumentér eksklusjonsgrunnlag |
| **Art. 9** Risikostyring | Kontinuerlig risikoidentifisering og -reduksjon | Azure AI Content Safety, Azure AI Foundry Evaluation | Sett opp automatisert evaluering i Prompt Flow; konfigurér Content Safety-filtre med terskler tilpasset risikonivå |
| **Art. 9** Risikostyring | Kontinuerlig risikoidentifisering og -reduksjon | Azure AI Content Safety, Microsoft Foundry Evaluation | Sett opp automatisert evaluering i Prompt Flow; konfigurér Content Safety-filtre med terskler tilpasset risikonivå |
| **Art. 9** Risikostyring | Risikoregister og -prosess | Microsoft Purview Compliance Manager | Bruk innebygde risk assessments; knytt til Azure DevOps work items for sporbarhet |
| **Art. 10** Data governance | Treningsdata-kvalitetsdokumentasjon | Microsoft Purview Data Catalog, Azure ML Data Labeling | Registrér alle datasett i Purview med lineage-sporing; dokumentér pre-prosesseringssteg i Azure ML |
| **Art. 10** Data governance | Datakvalitetstiltak og bias-vurdering | Azure AI Foundry Evaluation, Responsible AI Dashboard | Kjør Responsible AI Dashboard i Azure ML for bias-analyse og fairness-måling per undergruppe |
| **Art. 11** Teknisk dokumentasjon | Fullstendig Annex IV-dokumentasjon | Azure ML Model Registry, Prompt Flow Tracing, Azure AI Foundry | Bruk Model Registry for automatisk modellkort-generering; eksportér Prompt Flow-traces til dokumentasjon |
| **Art. 10** Data governance | Datakvalitetstiltak og bias-vurdering | Microsoft Foundry Evaluation, Responsible AI Dashboard | Kjør Responsible AI Dashboard i Azure ML for bias-analyse og fairness-måling per undergruppe |
| **Art. 11** Teknisk dokumentasjon | Fullstendig Annex IV-dokumentasjon | Azure ML Model Registry, Prompt Flow Tracing, Microsoft Foundry | Bruk Model Registry for automatisk modellkort-generering; eksportér Prompt Flow-traces til dokumentasjon |
| **Art. 11** Teknisk dokumentasjon | Versjonskontroll av AI-artefakter | Azure DevOps, GitHub, Azure ML Model Registry | Semantisk versjonering av modeller, prompts og konfigurasjoner; koble til change management-prosess |
| **Art. 12** Loggføring | Automatisk og uforanderlig loggføring | Azure Monitor, Application Insights, Log Analytics | Konfigurér 6-måneders retention (minimum per AI Act); bruk immutable storage for audit logs; alert ved logg-gap |
| **Art. 12** Loggføring | Sporbarhet av AI-beslutninger | Azure AI Foundry Prompt Flow Tracing | Aktiver trace-logging per forespørsel; logg input, output, versjon og bruker-ID |
| **Art. 13** Transparens | Publisering av bruksinstruksjoner | Azure AI Foundry Model Cards, SharePoint, Confluence | Generer modellkort automatisk fra Azure ML; publisér på intern portal med versjonskontroll |
| **Art. 12** Loggføring | Sporbarhet av AI-beslutninger | Microsoft Foundry Prompt Flow Tracing | Aktiver trace-logging per forespørsel; logg input, output, versjon og bruker-ID |
| **Art. 13** Transparens | Publisering av bruksinstruksjoner | Microsoft Foundry Model Cards, SharePoint, Confluence | Generer modellkort automatisk fra Azure ML; publisér på intern portal med versjonskontroll |
| **Art. 13** Transparens | AI-merking i grensesnitt | Copilot Studio (custom messages), custom UI components | Konfigurér velkommen-melding i Copilot Studio; implementér Art. 50(1)-notis i UI-lag |
| **Art. 14** Menneskelig tilsyn | Human-in-the-loop i automatiserte flyter | Power Automate Approvals, Copilot Studio HITL | Konfigurér approval-actions i Power Automate; bruk Copilot Studio escalation til menneskelig agent |
| **Art. 14** Menneskelig tilsyn | Override-mekanisme for AI-beslutninger | Power Apps, custom portals | Bygg override-knapp i saksbehandlerflate; logg alle overrides i Azure Monitor |
@ -74,9 +74,9 @@ Microsoft-plattformen tilbyr en bred portefølje av verktøy som støtter etterl
---
### Azure AI Foundry (Prompt Flow, Evaluation, Model Catalog)
### Microsoft Foundry (Prompt Flow, Evaluation, Model Catalog)
**Hva det gjør:** Azure AI Foundry er en ende-til-ende plattform for utvikling, evaluering og deployering av generative AI-løsninger. Prompt Flow gir visuell orkestrering av LLM-pipeliner med innebygd tracing. Evaluation muliggjør systematisk vurdering av modellkvalitet.
**Hva det gjør:** Microsoft Foundry er en ende-til-ende plattform for utvikling, evaluering og deployering av generative AI-løsninger. Prompt Flow gir visuell orkestrering av LLM-pipeliner med innebygd tracing. Evaluation muliggjør systematisk vurdering av modellkvalitet.
**Mapping til AI Act:**
- **Prompt Flow Tracing:** Art. 12-loggføring — full sporbarhet av input, output og mellomliggende steg per forespørsel
@ -111,7 +111,7 @@ Microsoft-plattformen tilbyr en bred portefølje av verktøy som støtter etterl
- **Privileged Identity Management (PIM):** Just-in-time-tilgang for administratorer til AI-infrastruktur — reduserer risiko for utilsiktet endring
- **Audit Logs:** Detaljert loggføring av alle påloggings- og tilgangshendelser — støtter Art. 12-krav
**Konfigurasjon for AI Act:** Sett opp dedikerte app-registreringer for AI-systemer med minste-privilegium-tilgang. Aktiver PIM for tilgang til Azure AI Foundry og Azure ML. Konfigurér Conditional Access til å kreve MFA og compliant device for alle AI-administrasjonsoppgaver.
**Konfigurasjon for AI Act:** Sett opp dedikerte app-registreringer for AI-systemer med minste-privilegium-tilgang. Aktiver PIM for tilgang til Microsoft Foundry og Azure ML. Konfigurér Conditional Access til å kreve MFA og compliant device for alle AI-administrasjonsoppgaver.
---
@ -165,7 +165,7 @@ Microsoft-plattformen tilbyr en bred portefølje av verktøy som støtter etterl
| Microsoft Purview Compliance Manager | Microsoft 365 E3 / E5 | M365 E5 Compliance | E3 gir grunnleggende assessment; E5 gir avanserte rapporter og Priva |
| Microsoft Priva | Microsoft Priva add-on (~50 NOK/bruker/mnd) | Inkludert i M365 E5 Compliance | Priva Privacy Risk Management krever separat lisens eller E5 |
| Azure AI Content Safety | Pay-as-you-go (Azure consumption) | Dedikert Azure-abonnement | Prising per 1000 tekst-tegn / per bilde; budsjettér ut fra volum |
| Azure AI Foundry (Evaluation) | Pay-as-you-go | Dedikert Azure-abonnement | Evalueringsoperasjoner faktureres per run; Prompt Flow er gratis å kjøre |
| Microsoft Foundry (Evaluation) | Pay-as-you-go | Dedikert Azure-abonnement | Evalueringsoperasjoner faktureres per run; Prompt Flow er gratis å kjøre |
| Azure ML (Responsible AI Dashboard) | Azure ML compute-kostnader | Dedikert Azure-abonnement | Selve Dashboard-funksjonen er gratis; compute for kjøring av analyser faktureres |
| Azure Monitor + Log Analytics | Inkludert i Azure | Utvidet retention tilkommer | 90 dager gratis retention; 6 måneder (AI Act-krav) koster ca. 3,5 NOK/GB/mnd ekstra |
| Microsoft Entra ID (PIM, Conditional Access) | Entra ID P2 | Inkludert i M365 E5 / EMS E5 | P1 gir Conditional Access; P2 kreves for PIM og Identity Protection |
@ -204,7 +204,7 @@ Anbefalt sekvens basert på AI Act-ikrafttredelsesdatoer og risikoprioritering:
**Prioritet:** Oppfylle Art. 9, 10, 11 og 13-krav i god tid før høyrisiko-fristen (2. des 2027, provisorisk — utsatt fra aug 2026 via Omnibus)
5. **Azure AI Foundry Evaluation:** Konfigurér automatisert evalueringspipeline (Art. 9 + Art. 11)
5. **Microsoft Foundry Evaluation:** Konfigurér automatisert evalueringspipeline (Art. 9 + Art. 11)
6. **Responsible AI Dashboard:** Kjør bias- og fairness-analyse (Art. 10)
7. **Purview Data Catalog:** Katalogisér treningsdata og aktivér lineage-sporing (Art. 10)
8. **Teknisk dokumentasjon (Annex IV):** Skriv alle 9 elementer — bruk Azure ML Model Registry som grunnlag

2
skills/ms-ai-governance/references/responsible-ai/ai-act-transparency-notices.md
View file

@ -148,7 +148,7 @@ Art. 50(2) krever at AI-generert tekst, bilde, lyd og video som ikke er åpenbar
**Azure AI Content Safety — Watermarking:**
- Støtter digitalt vannmerke for bilder generert med Azure OpenAI DALL-E
- C2PA (Coalition for Content Provenance and Authenticity) metadata-standard
- Konfigurerbart via Azure AI Foundry
- Konfigurerbart via Microsoft Foundry
**Tekstmerking:**
- Ikke automatisk støttet per 2026-02 for ren tekst

12
skills/ms-ai-governance/references/responsible-ai/ai-center-of-excellence-setup.md
View file

@ -129,7 +129,7 @@ AI CoE skal fylle disse kjerneansvarene, spesielt i oppstarten av AI-adopsjon:
#### A. Definere AI-strategi
- Etabler klar AI-strategi alignet med business goals
- Bruk AI decision tree for å velge riktige løsninger (Azure AI Foundry vs Copilot Studio vs Power Platform AI)
- Bruk AI decision tree for å velge riktige løsninger (Microsoft Foundry vs Copilot Studio vs Power Platform AI)
- Utvikle Responsible AI-strategi som guider etisk implementering
- Identifiser AI-muligheter sammen med business ledere
@ -401,7 +401,7 @@ Executive sponsorship tilgjengelig? ──No──> Ikke etabler CoE nå
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
**CoE-ansvar:**
- Definere project-struktur (ett Foundry hub per business unit, projects per use case)
@ -487,7 +487,7 @@ Executive sponsorship tilgjengelig? ──No──> Ikke etabler CoE nå
- Remediate policy violations
**Key policies for AI (fra Cloud Adoption Framework):**
- Azure AI Foundry: Model deployment restrictions, content filter enforcement
- Microsoft Foundry: Model deployment restrictions, content filter enforcement
- Azure AI Services: Allowed SKUs, network isolation
- Azure AI Search: Encryption, network security
- Azure OpenAI: Model restrictions, content filtering
@ -520,7 +520,7 @@ Executive sponsorship tilgjengelig? ──No──> Ikke etabler CoE nå
- Pilots: AI for vegvedlikehold (prediktiv analyse av asfaltslitasje via computer vision)
**Teknologi:**
- Azure AI Foundry i Norway East (data residency)
- Microsoft Foundry i Norway East (data residency)
- Microsoft Purview for GDPR compliance
- Custom policies: "Ingen AI-tjenester utenfor Norge/EU", "Alle models må ha content filter"
@ -538,7 +538,7 @@ Executive sponsorship tilgjengelig? ──No──> Ikke etabler CoE nå
| **Personnel** | 3-20M | Avhenger av team size (se sizing-guide). Lønn + overhead (35-40%). |
| **Training & Certification** | 300k-1M | Microsoft Learn gratis, men dedikert tid (20% av FTE) + sertifiseringer (~10k per person). |
| **Azure Infrastructure** | 500k-5M | CoE Portal (App Service), Azure Policy, Purview, Defender for Cloud, Monitor. Varierer med scale. |
| **Licensing (CoE members)** | 200k-800k | Azure AI Foundry, Copilot Studio, Power Platform Premium per CoE member. |
| **Licensing (CoE members)** | 200k-800k | Microsoft Foundry, Copilot Studio, Power Platform Premium per CoE member. |
| **Tools & Software** | 100k-500k | DevOps tooling, collaboration platforms, knowledge management. |
| **Pilot Projects** | 1-5M | Initial pilots til å demonstrere value. Varierer sterkt med use case. |
| **External Consulting** | 500k-3M | Microsoft FastTrack, partner workshops, architecture reviews. Optional men anbefalt i oppstart. |
@ -551,7 +551,7 @@ Executive sponsorship tilgjengelig? ──No──> Ikke etabler CoE nå
| Rolle | Nødvendige lisenser | Måndeklig kostnad (ca, NOK) |
|-------|---------------------|----------------------------|
| CoE Lead | M365 E5, Azure subscription contributor | ~5000 |
| Data Scientist | M365 E3, Azure AI Foundry, VS Enterprise | ~7000 |
| Data Scientist | M365 E3, Microsoft Foundry, VS Enterprise | ~7000 |
| ML Engineer | M365 E3, Azure DevOps, GitHub Copilot | ~5000 |
| AI Governance Expert | M365 E5 Compliance, Purview | ~6000 |
| Security Specialist | M365 E5 Security, Defender for Cloud | ~6000 |

2
skills/ms-ai-governance/references/responsible-ai/ai-ethics-in-public-sector.md
View file

@ -184,7 +184,7 @@ START
## Integrasjon med Microsoft-stakken
### 1. Azure AI Foundry
### 1. Microsoft Foundry
**Responsible AI-kapabiliteter:**
- Content Safety Studio — automatisk filtrering av ulovlig innhold (hat, vold, seksuelt, selvskading)

2
skills/ms-ai-governance/references/responsible-ai/ai-governance-structure-framework.md
View file

@ -325,7 +325,7 @@ Root Management Group
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
**Governance-kapabiliteter:**
- **Azure Policy:** Enforce model deployment policies (hvilke modeller tillates)

10
skills/ms-ai-governance/references/responsible-ai/ai-impact-assessment-framework.md
View file

@ -236,11 +236,11 @@ Bruk følgende matrise for å prioritere risikoer:
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
Impact Assessment er integrert i deployment-pipeline:
1. **Pre-deployment review checkpoint** i Azure AI Foundry Control Plane
1. **Pre-deployment review checkpoint** i Microsoft Foundry Control Plane
- Upload Impact Assessment-dokumentet som artifact
- Blokkerer deployment til governance-godkjenning foreligger
@ -432,7 +432,7 @@ Impact Assessment for offentlig sektor i Norge må adressere:
| Komponent | Minimum lisens | Anbefalt lisens |
|-----------|----------------|-----------------|
| **Azure AI Foundry** | Pay-as-you-go Azure | Enterprise Agreement for volum |
| **Microsoft Foundry** | Pay-as-you-go Azure | Enterprise Agreement for volum |
| **Azure ML (RA Dashboard)** | Basic tier | Standard tier for enterprise features |
| **Microsoft Purview** | M365 E5 eller Purview standalone | M365 E5 + Purview Premium |
| **Azure Policy** | Inkludert i Azure-sub | N/A |
@ -615,9 +615,9 @@ Purview SDK-integrasjon gir:
- URL: https://learn.microsoft.com/en-us/azure/machine-learning/concept-responsible-ai-dashboard
- Status: Azure ML GA feature
6. **Azure AI Foundry Evaluation**
6. **Microsoft Foundry Evaluation**
- URL: https://learn.microsoft.com/en-us/azure/foundry/how-to/evaluation-github-action
- Status: Azure AI Foundry GA
- Status: Microsoft Foundry GA
7. **Microsoft Purview AI Risk Management**
- URL: https://learn.microsoft.com/en-us/purview/developer/how-to-test-an-ai-application-integrated-with-purview-sdk

8
skills/ms-ai-governance/references/responsible-ai/ai-risk-taxonomy-classification.md
View file

@ -200,7 +200,7 @@ High-risk actions krever Human-in-the-Loop (HITL) ved:
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
| Komponent | Risk Assessment Feature |
|-----------|------------------------|
@ -299,7 +299,7 @@ Risk taxonomy må tilpasses norsk regulering:
|----------|----------------|----------------------------|
| **Azure AI Content Safety** | 11 NOK / 1000 transactions | Content filtering (4 risk categories) |
| **Azure OpenAI (GPT-4o)** | 0.03 NOK / 1K input tokens | Built-in content filters (default: Medium threshold) |
| **Azure AI Foundry (Red Teaming)** | Inkludert i AI Foundry | Automated adversarial testing |
| **Microsoft Foundry (Red Teaming)** | Inkludert i AI Foundry | Automated adversarial testing |
| **Microsoft Defender for Cloud** | 190 NOK / server / måned | AI security posture management |
| **Microsoft Purview (Compliance)** | Fra 2500 NOK / måned | Data classification & DLP for AI |
@ -384,7 +384,7 @@ Hvis kunden beskriver noen av disse, **stopp og advare**:
Anbefal denne kombinasjonen:
1. **Pre-deployment:**
- AI Red Teaming Agent (Azure AI Foundry)
- AI Red Teaming Agent (Microsoft Foundry)
- Responsible AI Dashboard (Azure ML)
- PYRIT (open source red teaming)
@ -424,7 +424,7 @@ Anbefal denne kombinasjonen:
- Hentet: 2026-06-19
- Innhold: Cross-product risk monitoring, AI inventory (Agent 365-agenter, modeller, MCP-servere, tredjeparts AI-apper), Security Reader minimumsrolle
5. **Default Guidelines & controls policies (Azure AI Foundry)**
5. **Default Guidelines & controls policies (Microsoft Foundry)**
- URL: https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/default-safety-policies
- Hentet: 2026-02-04
- Innhold: Content filtering categories, severity levels, default thresholds

8
skills/ms-ai-governance/references/responsible-ai/algorithmic-accountability-auditability.md
View file

@ -37,9 +37,9 @@ Azure Machine Learning implementerer **Machine Learning Operations (MLOps)** som
| **Event Notifications** | Varsler om eksperimentfullføring, modellregistrering, deployment, data drift | Proaktiv varsling av endringer i AI-systemet |
| **Model Monitoring** | Sammenligner model inputs mellom training og inference, sporer model-spesifikke metrikker | Deteksjon av data drift og modellforverring over tid |
### Azure AI Foundry — Distributed Tracing og Observability
### Microsoft Foundry — Distributed Tracing og Observability
For generative AI-applikasjoner og agenter tilbyr Azure AI Foundry **OpenTelemetry-basert distributed tracing** (Verified: Microsoft Learn):
For generative AI-applikasjoner og agenter tilbyr Microsoft Foundry **OpenTelemetry-basert distributed tracing** (Verified: Microsoft Learn):
| Komponent | Implementasjon | Auditbarhet |
|-----------|----------------|-------------|
@ -233,7 +233,7 @@ Er dette en custom ML model (ikke LLM)?
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
**Tracing Setup:**
```python
@ -359,7 +359,7 @@ registered_model = ml_client.models.create_or_update(model)
## Kostnad og lisensiering
### Azure AI Foundry — Tracing
### Microsoft Foundry — Tracing
| Komponent | Prislapp | Basert på |
|-----------|----------|-----------|

2
skills/ms-ai-governance/references/responsible-ai/bias-detection-mitigation-strategies.md
View file

@ -455,7 +455,7 @@ ml_client.responsible_ai.scorecard.create(
)
```
### Azure AI Foundry
### Microsoft Foundry
**Content Safety-integrasjon:**

8
skills/ms-ai-governance/references/responsible-ai/content-safety-implementation.md
View file

@ -61,7 +61,7 @@ User Prompt → Content Filter (input) → LLM → Content Filter (output) → R
**Custom content filtering policies:**
Kan konfigureres i Azure AI Foundry per deployment for å:
Kan konfigureres i Microsoft Foundry per deployment for å:
- Justere severity thresholds per kategori (blokkere Low/Medium/High)
- Aktivere/deaktivere Prompt Shields, Protected Material detection
- Definere blocklists
@ -127,7 +127,7 @@ User Input → Azure OpenAI Service (built-in filter) → LLM → (built-in filt
- Mindre granulær kontroll (enten blokkere eller ikke)
- Kan ikke kjøre custom logic mellom filter og LLM
**Konfigurasjon (Azure AI Foundry):**
**Konfigurasjon (Microsoft Foundry):**
```
Deployments → Select deployment → Content filters → Create custom policy
├─ Hate: Block Medium+High
@ -199,7 +199,7 @@ User Input → Pre-filter (Prompt Shields + Custom Categories) → Azure OpenAI
## Integrasjon med Microsoft-stakken
### Azure AI Foundry (tidligere Azure AI Studio)
### Microsoft Foundry (tidligere Azure AI Studio)
**Guardrails + Controls tab** gir:
- **Try it out**: Interaktiv testing av tekst/bilde-moderering med justerbare thresholds
@ -446,7 +446,7 @@ Scenario: 1 million samtaler/måned, gjennomsnitt 2 meldinger per samtale = 2M t
#### Nivå 3: Produksjon (6-12 måneder)
- **Arkitektur:** Hybrid (Pre-filter Prompt Shields + Custom Categories + Azure OpenAI + Post-filter Groundedness)
- **Konfigurasjon:** Multiple custom policies (per user segment: children, adults, admins)
- **Monitoring:** Dashboards i Azure AI Foundry, alerting på anomalous block rates
- **Monitoring:** Dashboards i Microsoft Foundry, alerting på anomalous block rates
- **Kostnad:** S0 tier, budsjettér ~NOK 50,000-200,000/måned for 1M+ transaksjoner
- **Output:** AI Act compliance documentation, DPIA, incident response playbook

14
skills/ms-ai-governance/references/responsible-ai/continuous-improvement-feedback-loops.md
View file

@ -67,7 +67,7 @@ Microsoft bruker automated scorers (LLM judges) for kontinuerlig kvalitetsvurder
- Schedulert evaluering (f.eks. daglig via CronTrigger)
- Real-time scoring av sampled production traffic
- Automated alerts ved threshold violations
- Integration med Azure AI Foundry evaluation tools
- Integration med Microsoft Foundry evaluation tools
**Confidence:** Verified – [Generation Quality Monitoring](https://learn.microsoft.com/en-us/azure/foundry-classic/how-to/monitor-quality-safety?view=foundry-classic)
@ -144,7 +144,7 @@ Benchmark datasets med kjent kvalitet for consistent testing og model validation
**Verktøy:**
- Azure Databricks MLflow 3
- Azure AI Foundry Agent Service
- Foundry Agent Service
- MLflow Tracing & Scorers
**Confidence:** Verified – [MLflow Continuous Improvement](https://learn.microsoft.com/en-us/azure/databricks/mlflow3/genai/overview/)
@ -223,7 +223,7 @@ Alle nye services instrumenteres for monitoring/logging fra dag 1, slik at feedb
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
**Production monitoring:**
- **Continuous evaluation**: Scheduled scoring av production traces
@ -258,7 +258,7 @@ model_monitor = MonitorSchedule(
)
```
**Confidence:** Verified – [Azure AI Foundry Monitoring](https://learn.microsoft.com/en-us/azure/foundry-classic/how-to/monitor-quality-safety?view=foundry-classic)
**Confidence:** Verified – [Microsoft Foundry Monitoring](https://learn.microsoft.com/en-us/azure/foundry-classic/how-to/monitor-quality-safety?view=foundry-classic)
### MLflow on Azure Databricks
@ -440,7 +440,7 @@ PDF-rapport for sharing med stakeholders (technical + non-technical), dokumenter
### Lisensiering
**Azure AI Foundry:**
**Microsoft Foundry:**
- Pay-as-you-go for monitoring, evaluation, storage
- Serverless Spark compute for monitoring schedules
@ -532,7 +532,7 @@ Models, prompts, eval datasets, scorers – full reproducibility er non-negotiab
- URL: https://learn.microsoft.com/en-us/azure/databricks/mlflow3/genai/overview/
- Key content: 10-step feedback loop, human-aligned metrics, production monitoring
2. **Azure AI Foundry Production Monitoring**
2. **Microsoft Foundry Production Monitoring**
- URL: https://learn.microsoft.com/en-us/azure/foundry-classic/how-to/monitor-quality-safety?view=foundry-classic
- Key content: Continuous evaluation, scorers, threshold configuration
@ -572,7 +572,7 @@ Models, prompts, eval datasets, scorers – full reproducibility er non-negotiab
- URL: https://learn.microsoft.com/en-us/microsoft-copilot-studio/guidance/responsible-ai
- Key content: Feedback mechanisms, bias monitoring, iterative updates
12. **Azure AI Foundry Observability Concepts**
12. **Microsoft Foundry Observability Concepts**
- URL: https://learn.microsoft.com/en-us/azure/foundry/concepts/observability
- Key content: Tracing, monitoring features, model performance tracking

6
skills/ms-ai-governance/references/responsible-ai/data-quality-responsible-ai.md
View file

@ -36,7 +36,7 @@ Denne referansen dekker Microsofts tilnærming til å sikre dataintegritet gjenn
**Teknikker for balansering:**
- **SMOTE** (Synthetic Minority Oversampling Technique) — genererer syntetiske eksempler for minoritetsklasser
- **Undersampling** — reduserer majoritetsklasser
- **Synthetic data generation** (Azure AI Foundry) — genererer representative datasett
- **Synthetic data generation** (Microsoft Foundry) — genererer representative datasett
### 2. Exploratory Data Analysis (EDA)
@ -292,7 +292,7 @@ data_quality_signal = DataQualitySignal(
)
```
### Azure AI Foundry
### Microsoft Foundry
- **Evaluation tools** → assess data quality before training
- **Synthetic data generation** → generate balanced datasets
@ -379,7 +379,7 @@ def customer_facing_data():
| **Responsible AI Dashboard** | Inkludert i Azure ML | Ingen ekstra kostnad |
| **Microsoft Purview** | Separate license | Data governance add-on |
| **Databricks Expectations** | Databricks license | Premium/Enterprise tier |
| **Azure AI Foundry** | Azure subscription | Separate compute charges |
| **Microsoft Foundry** | Azure subscription | Separate compute charges |
---

8
skills/ms-ai-governance/references/responsible-ai/fairness-testing-measurement.md
View file

@ -221,7 +221,7 @@ def fairness_scorer(inputs, outputs, context):
)
```
### Pattern 4: Azure AI Foundry — Hate and Unfairness Evaluator
### Pattern 4: Microsoft Foundry — Hate and Unfairness Evaluator
**Verified** (Azure AI Evaluation SDK, 2026-02): For Azure OpenAI og generative modeller.
@ -313,9 +313,9 @@ Er dette en high-stakes decision? (lån, jobb, helse)
5. **Generer scorecard** → eksporter PDF med fairness target values
6. **Deployment gate** → beslutning basert på fairness thresholds
### Azure AI Foundry
### Microsoft Foundry
**Verified** (Azure AI Foundry documentation, 2026-02):
**Verified** (Microsoft Foundry documentation, 2026-02):
| Capability | Beskrivelse | Status |
|------------|-------------|--------|
@ -396,7 +396,7 @@ Er dette en high-stakes decision? (lån, jobb, helse)
- Compute: ~2000-3000 NOK/år
- Storage (dashboard artifacts): ~100 NOK/år
### Azure AI Foundry — Content Safety Evaluators
### Microsoft Foundry — Content Safety Evaluators
| Evaluator | Pricing Model | Estimat |
|-----------|---------------|---------|

12
skills/ms-ai-governance/references/responsible-ai/gdpr-compliance-ai-systems.md
View file

@ -10,7 +10,7 @@
General Data Protection Regulation (GDPR) er EU-forordningen som setter globale standarder for databeskyttelse og personvern. For AI-systemer er GDPR-compliance kritisk fordi AI-applikasjoner behandler personopplysninger på måter som krever ekstra oppmerksomhet: treningsdata, inferens-input, loggføring, og lagring av modellutdata.
Microsoft Azure AI-tjenester er designet med GDPR-compliance som grunnlag. Azure OpenAI, Azure AI Foundry, Copilot Studio, og Power Platform AI følger alle Microsofts forpliktelser under GDPR, inkludert:
Microsoft Azure AI-tjenester er designet med GDPR-compliance som grunnlag. Azure OpenAI, Microsoft Foundry, Copilot Studio, og Power Platform AI følger alle Microsofts forpliktelser under GDPR, inkludert:
- **Data Controller vs. Data Processor**: Microsoft opptrer som data processor når kunder bruker Azure AI-tjenester, mens kunden er data controller ansvarlig for å implementere GDPR-krav.
- **Sertifiseringer**: Azure AI-stakken er sertifisert for ISO/IEC 27701 (PIMS), ISO/IEC 27001, og ISO 27018 — standarder som dekker personvernhåndtering og skysikkerhet.
@ -39,7 +39,7 @@ GDPR gir individer seks grunnleggende rettigheter knyttet til sine personopplysn
**Azure-implementering**: Microsoft tilbyr DSR-verktøy for Azure (via Azure Portal), Microsoft 365 Copilot (via Compliance Manager), og Dynamics 365. For Azure AI-tjenester:
- **Azure OpenAI**: Kundedata (prompts, completions) lagres IKKE for treningsformål og deles IKKE med OpenAI.
- **Azure AI Foundry**: Data Subject Requests håndteres via Azure Portal. Personopplysninger i loggdata kan slettes via Purge API (GDPR-compliant).
- **Microsoft Foundry**: Data Subject Requests håndteres via Azure Portal. Personopplysninger i loggdata kan slettes via Purge API (GDPR-compliant).
- **Copilot Studio**: DSR-forespørsler håndteres via Microsoft 365 Admin Center.
**Confidence marker**: Verified (MCP microsoft-learn: GDPR DSR Azure, GDPR DSR Dynamics)
@ -50,7 +50,7 @@ GDPR krever at organisasjoner respekterer dataresidenskrav — personopplysninge
**Azure-implementering**:
- **Azure Regions**: Velg EU-regioner (West Europe, North Europe) for å sikre at data forblir i EU/EØS.
- **Data Location Controls**: Azure AI Foundry og Copilot Studio lar administratorer konfigurere hvor data lagres og behandles.
- **Data Location Controls**: Microsoft Foundry og Copilot Studio lar administratorer konfigurere hvor data lagres og behandles.
- **Encryption at Rest**: Data krypteres med FIPS 140-2-kompatibel AES-256 encryption. Kunder kan bruke Customer-Managed Keys (CMK) for økt kontroll.
- **Encryption in Transit**: TLS 1.2+ og IPsec sikrer data under overføring mellom Azure-tjenester.
@ -65,7 +65,7 @@ GDPR krever at organisasjoner kun samler inn og behandler data som er strengt n
**Azure AI-implementering**:
- **Azure OpenAI**: Prompts og completions lagres IKKE for modellforbedring. Microsoft bruker IKKE kundedata til å trene OpenAI-modeller.
- **Azure AI Content Safety**: Input-tekst og bilder lagres IKKE under moderering (med unntak av customer-supplied blocklists).
- **Azure AI Foundry**: Treningsdata og fine-tuned modeller er eksklusivt tilgjengelig for kunden. Data deles IKKE med tredjeparter.
- **Microsoft Foundry**: Treningsdata og fine-tuned modeller er eksklusivt tilgjengelig for kunden. Data deles IKKE med tredjeparter.
- **Logging**: Kun nødvendige logger (audit trails, security events) lagres. Unngå logging av personopplysninger i klartekst.
**Praktisk eksempel**: En chatbot som behandler HR-data skal kun logge transaksjon-ID og timestamp, ikke personnavn eller fødselsnummer.
@ -299,7 +299,7 @@ User DSR Request → Logic App / Power Automate
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
**GDPR-capabilities**:
- **Microsoft Purview Integration**: Automatisk data classification, sensitivity labels, DLP policies
@ -548,7 +548,7 @@ Norge implementerer GDPR gjennom personopplysningsloven. Datatilsynet er tilsyns
8. **Microsoft Purview capabilities for Foundry**
https://learn.microsoft.com/en-us/purview/ai-azure-services
*Data governance, DLP, sensitivity labels for Azure AI Foundry*
*Data governance, DLP, sensitivity labels for Microsoft Foundry*
9. **Responsible AI Privacy and Security**
https://learn.microsoft.com/en-us/azure/machine-learning/concept-responsible-ai

6
skills/ms-ai-governance/references/responsible-ai/human-in-the-loop-oversight.md
View file

@ -10,7 +10,7 @@
Human-in-the-Loop (HITL) er et fundamentalt prinsipp for ansvarlig AI som sikrer at mennesker beholder kontroll og beslutningsmyndighet i AI-drevne systemer. Tross den økende autonomiteten til AI-agenter og generative modeller, er menneskelig oversyn kritisk for å håndtere høyrisikobeslutninger, validere outputkvalitet og beskytte mot feilaktige eller skadelige AI-handlinger.
Microsoft AI-stakken tilbyr HITL-kapabiliteter på tvers av Azure AI Foundry, Copilot Studio, Power Platform, og Microsoft Agent Framework — alle designet for å balansere automatisering med menneskelig kontroll. Dette er spesielt viktig i offentlig sektor, der beslutninger kan påvirke borgeres rettigheter, økonomiske forhold eller sikkerhet.
Microsoft AI-stakken tilbyr HITL-kapabiliteter på tvers av Microsoft Foundry, Copilot Studio, Power Platform, og Microsoft Agent Framework — alle designet for å balansere automatisering med menneskelig kontroll. Dette er spesielt viktig i offentlig sektor, der beslutninger kan påvirke borgeres rettigheter, økonomiske forhold eller sikkerhet.
**Nøkkelverdi:**
- **Sikkerhet:** Mennesker kan stoppe feilaktige eller risikofylte AI-handlinger før de får konsekvenser
@ -350,7 +350,7 @@ Effektiv HITL krever at menneskelige reviewere er kvalifiserte:
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
**HITL-kapabiliteter:**
- **Prompt Shields:** Blokkerer prompt injection før den når modellen → menneskelig review av blokkerte inputs
@ -621,7 +621,7 @@ HITL-grensesnitt må være universelt utformet:
**Microsoft Agent Framework:**
- Ingen direkte kostnad (open source)
- Men krever Azure OpenAI eller Azure AI Foundry for models (standard API costs)
- Men krever Azure OpenAI eller Microsoft Foundry for models (standard API costs)
**Offentlig sektor-vurdering:**
- Vurder Microsoft 365 E5 + Power Platform-bundler for best pris

4
skills/ms-ai-governance/references/responsible-ai/model-explainability-interpretability.md
View file

@ -263,7 +263,7 @@ interpret.show(explanation)
- **MLflow tracking**: Log feature importance plots som artifacts
- **Lakehouse**: Lagre SHAP-verdier som Delta tables for historisk analyse
### Azure AI Foundry (Azure OpenAI)
### Microsoft Foundry (Azure OpenAI)
- **Prompt Flow**: Evaluators for groundedness, relevance (GPT-assisted metrics)
- **Limitation**: Reasoning models (o1) har intrinsic CoT men økt persuasiveness/scheming risk
@ -376,7 +376,7 @@ RAI Dashboard-visualiseringer må være tilgjengelige for saksbehandlere med fun
| **Azure Machine Learning** | Pay-as-you-go (compute + storage) | Responsible AI Dashboard, InterpretML, SHAP |
| **Microsoft Fabric** | Capacity-based (CU per måned) | TabularSHAP (Synapse ML), EBM (InterpretML) |
| **Power BI Premium** | Per user (~130 NOK/mnd) eller Per capacity | Kan visualisere SHAP data fra Fabric/AML |
| **Azure AI Foundry** | Pay-per-token (GPT-4) | GPT-assisted evaluators (groundedness, relevance) |
| **Microsoft Foundry** | Pay-per-token (GPT-4) | GPT-assisted evaluators (groundedness, relevance) |
**Optimalisering:**
- Bruk **Azure ML free tier** (4 timer compute/måned) for utvikling

12
skills/ms-ai-governance/references/responsible-ai/red-teaming-ai-models.md
View file

@ -49,7 +49,7 @@ uv pip install "azure-ai-evaluation[redteam]"
### 2. Azure AI Red Teaming Agent (preview)
Managed service i Azure AI Foundry som kombinerer PyRIT med Risk and Safety Evaluations.
Managed service i Microsoft Foundry som kombinerer PyRIT med Risk and Safety Evaluations.
**Tre-faset tilnærming:**
@ -219,7 +219,7 @@ steps:
| **Risk categories** | Content risks (hate, violence, sexual, self-harm, protected materials, code vulnerabilities) | Content + agentic risks (prohibited actions, data leakage, task adherence) |
| **Sandboxing** | Minimal (client-side) | Purple environment (transient, mock tools) |
| **CI/CD integration** | ✅ Full støtte (Python SDK) | ⚠️ Requires API calls til Foundry |
| **Cost** | Free (open-source) | Azure AI Foundry compute costs |
| **Cost** | Free (open-source) | Microsoft Foundry compute costs |
| **SLA** | N/A | None (preview) |
| **Region availability** | Global | East US2, Sweden Central, France Central, Switzerland West |
@ -238,7 +238,7 @@ steps:
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
**AI Red Teaming Agent (native integration):**
- Foundry-hosted prompt agents (✅ supported)
@ -247,7 +247,7 @@ steps:
- Azure tool calls (✅ supported)
- Function tool calls (❌ not supported)
**Comprehensive tools list:** [Azure AI Foundry Tools](https://learn.microsoft.com/en-us/azure/foundry-classic/agents/how-to/tools-classic/overview)
**Comprehensive tools list:** [Microsoft Foundry Tools](https://learn.microsoft.com/en-us/azure/foundry-classic/agents/how-to/tools-classic/overview)
### Azure OpenAI Service
@ -395,7 +395,7 @@ jobs:
| Komponent | Pricing Model | Estimat |
|-----------|---------------|---------|
| **AI Red Teaming Agent** | Preview (ingen publisert pricing feb 2026) | TBD |
| **Azure AI Foundry compute** | Per-second billing for deployed models | Varierer (model size, region) |
| **Microsoft Foundry compute** | Per-second billing for deployed models | Varierer (model size, region) |
| **Azure Log Analytics** | Pay-as-you-go (data ingestion + retention) | ~100 NOK/GB/måned |
| **Azure Blob Storage** | Standard storage (audit trails) | ~0.20 NOK/GB/måned |
@ -405,7 +405,7 @@ jobs:
| Microsoft-produkt | Minimum lisens |
|-------------------|----------------|
| **Azure AI Foundry** | Azure subscription (Pay-As-You-Go eller Enterprise Agreement) |
| **Microsoft Foundry** | Azure subscription (Pay-As-You-Go eller Enterprise Agreement) |
| **Azure OpenAI Service** | Azure subscription + approved application |
| **Azure AI Content Safety** | Inkludert i Azure AI Services (pay-per-transaction) |
| **PyRIT** | Ingen (MIT License open-source) |

10
skills/ms-ai-governance/references/responsible-ai/responsible-ai-framework-overview.md
View file

@ -12,7 +12,7 @@ Microsoft Responsible AI Framework er et omfattende rammeverk for å utvikle, vu
Responsible AI er ikke bare teknologi — det omfatter menneskene som bruker det, de som påvirkes av det, og miljøet det deployes i. Microsoft har utviklet [Responsible AI Standard](https://blogs.microsoft.com/wp-content/uploads/prod/sites/5/2022/06/Microsoft-Responsible-AI-Standard-v2-General-Requirements-3.pdf) (v2), som detaljerer hvordan disse prinsippene integreres i engineering-team, AI-livssyklusen og verktøy.
**Relevans:** Gjelder alle Microsoft AI-tjenester — Azure AI Foundry, Copilot Studio, M365 Copilot, Power Platform AI, Azure OpenAI, Azure Machine Learning.
**Relevans:** Gjelder alle Microsoft AI-tjenester — Microsoft Foundry, Copilot Studio, M365 Copilot, Power Platform AI, Azure OpenAI, Azure Machine Learning.
**Confidence:** ✅ High — Basert på offisiell Microsoft-dokumentasjon fra 2025-2026.
@ -112,7 +112,7 @@ Ansvar varierer etter deployment-type (IaaS, PaaS, SaaS):
## Integrasjon med Microsoft-stakken
### Azure AI Foundry / Azure AI Studio
### Microsoft Foundry / Azure AI Studio
- **Safety Evaluations:** Innebygd vurdering av groundedness, relevance, content safety før deployment
- **Adversarial Test Datasets:** Test mot jailbreak-forsøk, prompt injection
@ -171,7 +171,7 @@ Ansvar varierer etter deployment-type (IaaS, PaaS, SaaS):
|------|-----------|---------------|
| 1 | **Adopter RAI-prinsipper som policy** | Bruk Microsoft RAI Standard som baseline, tilpass til norske lovkrav |
| 2 | **Gjennomfør Impact Assessment** | RAI Impact Assessment + DPIA (GDPR Art. 35) |
| 3 | **Velg riktige verktøy** | Azure ML RAI Dashboard for ML-modeller, Azure AI Foundry for generative AI |
| 3 | **Velg riktige verktøy** | Azure ML RAI Dashboard for ML-modeller, Microsoft Foundry for generative AI |
| 4 | **Etabler governance** | AI-governance-team (juridisk, etikk, teknisk), review-prosesser |
| 5 | **Dokumenter for revisjon** | RAI Scorecard, MLOps lineage, transparency materials |
| 6 | **Tren ansatte** | Obligatorisk RAI-opplæring for AI-utviklere og beslutningstakere |
@ -196,7 +196,7 @@ Ansvar varierer etter deployment-type (IaaS, PaaS, SaaS):
- **Compute:** RAI Dashboard-komponenter kjører på Azure ML compute instances (CPU/GPU)
- **Estimat:** ~500-2000 NOK/måned for small/medium workloads (depends on compute SKU, usage)
### Azure AI Foundry Safety Evaluations
### Microsoft Foundry Safety Evaluations
- **Kostnad:** Basert på token-bruk for safety evaluations (GPT-4-based evaluators)
- **Estimat:** ~0.02-0.10 NOK per evaluation (varies by model, evaluation depth)
@ -229,7 +229,7 @@ I offentlig sektor er RAI ikke "nice to have" — det er lovpålagt (GDPR, forva
**2. Shared Responsibility Model avgjør arkitektur**
- **SaaS (M365 Copilot):** Kunden har minst teknisk ansvar, men må fortsatt ha governance, brukspolicyer, output-review.
- **PaaS (Azure AI Foundry, Azure ML):** Kunden har mer ansvar for modelldesign, testing, safety systems.
- **PaaS (Microsoft Foundry, Azure ML):** Kunden har mer ansvar for modelldesign, testing, safety systems.
- **IaaS (custom models på VMs):** Full ansvar for RAI-implementasjon — bruk open source-verktøy (Fairlearn, etc.).
**3. RAI Dashboard er kritisk for ML-modeller i produksjon**

6
skills/ms-ai-governance/references/responsible-ai/responsible-ai-policy-development.md
View file

@ -160,7 +160,7 @@ Policy Lifecycle:
**Microsoft-verktøy:**
- **Responsible AI Dashboard (Azure ML):** Fairness assessment, bias detection, model explainability
- **Azure AI Foundry evaluation tools:** Safety assessment, hallucination detection, bias pre-deployment
- **Microsoft Foundry evaluation tools:** Safety assessment, hallucination detection, bias pre-deployment
- **Azure AI Content Safety:** Harmful text/image filtering
- **PYRIT (Python Risk Identification Toolkit):** Red teaming for adversarial scenarios
@ -218,7 +218,7 @@ Start: New AI initiative or capability?
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
**Built-in Governance Capabilities:**
@ -404,7 +404,7 @@ Offentlig sektor i Norge har strengere krav til transparens, likeverdighet og of
|------|-------------|-------------------|
| **Azure Policy** | Inkludert i Azure subscription | Policy enforcement, compliance monitoring |
| **Microsoft Purview** | Per GB data + per user | Data governance, compliance manager, sensitivity labeling |
| **Azure AI Foundry** | Pay-as-you-go (compute, storage, API calls) | Evaluation tools, content safety, model registry |
| **Microsoft Foundry** | Pay-as-you-go (compute, storage, API calls) | Evaluation tools, content safety, model registry |
| **Copilot Studio** | Per user/month or per session | Copilot governance features |
| **Azure Monitor** | Per GB ingested + retention | Logging, alerting for policy violations |
| **Microsoft Defender for Cloud** | Per resource | Security posture, AI threat protection |

16
skills/ms-ai-governance/references/responsible-ai/responsible-ai-training-awareness.md
View file

@ -128,7 +128,7 @@ Fase 4: Certification programs (Critical roles)
**Løsning:** Integrer "just-in-time learning" og feedback loops i arbeidsflyten.
**Implementering:**
- **Pre-tool hooks** — Når brukere åpner AI Builder, Copilot Studio, eller Azure AI Foundry for første gang, vis en 2-minutters reminder om RAI best practices
- **Pre-tool hooks** — Når brukere åpner AI Builder, Copilot Studio, eller Microsoft Foundry for første gang, vis en 2-minutters reminder om RAI best practices
- **Contextual tips** — I Copilot Studio prompt design, vis inline tips om bias mitigation ("Tips: Vurder om denne prompt kan favorisere visse grupper")
- **Reflection prompts** — Ved session-slutt (f.eks. etter å ha bygget en chatbot), still 3 refleksjonsspørsmål: "Har du vurdert fairness? Har du testet uønskede outputs? Har du dokumentert beslutninger?"
@ -174,7 +174,7 @@ Fase 4: Certification programs (Critical roles)
|----------|--------------|-----------|
| Alle ansatte i organisasjon som deployer M365 Copilot | **Ja** (Awareness-nivå) | Alle kan bruke Copilot, alle må forstå ansvar og begrensninger |
| Produkteiere som designer AI features | **Ja** (Literacy + competency) | De tar strategiske valg som påvirker fairness, privacy, safety |
| Utviklere som bygger custom AI i Azure AI Foundry | **Ja** (Technical competency + cert) | De implementerer tekniske safeguards, feil her kan få store konsekvenser |
| Utviklere som bygger custom AI i Microsoft Foundry | **Ja** (Technical competency + cert) | De implementerer tekniske safeguards, feil her kan få store konsekvenser |
| Sluttbrukere av ferdige AI-systemer (f.eks. chatbot kunder møter) | **Nei** (men guidance ja) | De designer ikke systemet, men trenger veiledning for å bruke det effektivt |
| Board/ledelse | **Ja** (Executive briefing) | De har governance-ansvar og må kunne stille riktige spørsmål til AI-prosjekter |
@ -258,12 +258,12 @@ Er du offentlig sektor?
**Baseline:** Organisasjoner som krever RAI training før Copilot-aktivering rapporterer 30 % høyere user satisfaction enn de som ikke gjør det (Microsoft Maturity Model data).
### Azure AI Foundry (teknisk implementering)
### Microsoft Foundry (teknisk implementering)
**Hva:** Plattform for å bygge, evaluere og deploye AI-systemer.
**Integrasjon med training:**
- **Built-in RAI tools** — Azure AI Foundry inkluderer Content Safety, Prompt Shields, Groundedness evaluation. Training må sikre at utviklere vet hvordan bruke disse.
- **Built-in RAI tools** — Microsoft Foundry inkluderer Content Safety, Prompt Shields, Groundedness evaluation. Training må sikre at utviklere vet hvordan bruke disse.
- **Evaluation metrics** — Training må dekke hvordan tolke fairness metrics (f.eks. parity, equalized odds), safety scores, hallucination rates.
- **Deployment gates** — Konfigurer Azure Policy til å kreve at deployment til prod må godkjennes av person med verifisert RAI-sertifisering.
@ -366,7 +366,7 @@ Norsk offentlig sektor har strengere krav til AI training og awareness enn priva
| **Microsoft Learn** | Gratis Microsoft-konto | Gratis | Alltid anbefalt |
| **Viva Learning (basic)** | Microsoft 365 E3/E5 eller Business Premium | Inkludert | For å distribuere training i Teams |
| **Viva Learning (premium connectors)** | Viva Suite eller separat Viva Learning-lisens | ~60 NOK/bruker/måned | Hvis du vil integrere eksterne LMS (LinkedIn Learning, Coursera) |
| **Azure AI Foundry (hands-on labs)** | Azure-subscription | Varierer (pay-as-you-go) | For teknisk training med praktiske øvelser |
| **Microsoft Foundry (hands-on labs)** | Azure-subscription | Varierer (pay-as-you-go) | For teknisk training med praktiske øvelser |
| **Microsoft 365 Copilot** | Copilot-lisens (300 USD/bruker/år) | ~3 000 NOK/bruker/år | Hvis training inkluderer hands-on Copilot-bruk |
**Baseline:** En organisasjon med 1 000 ansatte som implementerer Responsible AI training:
@ -445,7 +445,7 @@ Norsk offentlig sektor har strengere krav til AI training og awareness enn priva
AI Solution Architecture (Eksempel: Custom Chatbot for Kundeservice)
Layer 1: Technical Implementation
└─ Azure AI Foundry + Copilot Studio + Content Safety
└─ Microsoft Foundry + Copilot Studio + Content Safety
Layer 2: Governance & Controls
└─ RAI Policies + Evaluation Framework + Incident Response
@ -464,7 +464,7 @@ Layer 3: People & Competency (KRITISK LAYER)
```markdown
## Decision: Require RAI Training Before Production Deployment
**Context:** We are building a customer-facing chatbot using Azure AI Foundry.
**Context:** We are building a customer-facing chatbot using Microsoft Foundry.
**Decision:** All roles involved in design, development, and operations must complete
role-specific RAI training before system goes to production.
@ -528,7 +528,7 @@ Er det custom AI (ikke bare ferdiglagde features)?
7. [Apply Responsible AI Principles in Learning Environments](https://learn.microsoft.com/training/modules/apply-responsible-ai-principles/) — Training module focused on educational contexts, applicable to organizational learning.
8. [Implement a Responsible Generative AI Solution in Microsoft Foundry](https://learn.microsoft.com/training/modules/responsible-ai-studio/) *(Verified MCP 2026-04 — modulnavn endret fra 'Azure AI Studio' til 'Microsoft Foundry')* — Technical module on RAI implementation in Azure AI Foundry (intermediate level).
8. [Implement a Responsible Generative AI Solution in Microsoft Foundry](https://learn.microsoft.com/training/modules/responsible-ai-studio/) *(Verified MCP 2026-04 — modulnavn endret fra 'Azure AI Studio' til 'Microsoft Foundry')* — Technical module on RAI implementation in Microsoft Foundry (intermediate level).
9. [Scale AI in Your Organization](https://learn.microsoft.com/training/modules/scale-ai/) — Module covering organizational roles, responsibilities, and empowerment through AI.

4
skills/ms-ai-governance/references/responsible-ai/stakeholder-communication-ai-decisions.md
View file

@ -375,7 +375,7 @@ START: Hvem er målgruppen?
---
### Azure AI Foundry (Generative AI)
### Microsoft Foundry (Generative AI)
**Spesielle utfordringer med generative AI**:
- **Hallucinations**: Modellen genererer feil informasjon
@ -576,7 +576,7 @@ Norske offentlige etater må følge **Lov om offentlige anskaffelser**, **GDPR**
---
### Azure AI Foundry — Transparency Note
### Microsoft Foundry — Transparency Note
**Lisensiering**: Transparency Note er dokumentasjon (gratis).

6
skills/ms-ai-governance/references/responsible-ai/transparency-documentation-standards.md
View file

@ -65,7 +65,7 @@ Strukturerte metadatabeskrivelser av AI-modeller og datasets. Originating fra ak
| **Caveats and recommendations** | Usage warnings, update-frekvens |
**Microsoft implementasjon:**
- Azure AI Foundry: Model catalog med built-in model cards for pretrained models
- Microsoft Foundry: Model catalog med built-in model cards for pretrained models
- Hugging Face integration: Model cards synces automatisk
- Custom models: Template for å generere egne model cards
@ -160,7 +160,7 @@ Integrer dokumentasjon som mandatory checkpoints i AI development lifecycle:
**Implementasjon i Azure:**
- **Azure DevOps**: Gates for approval av model cards før deployment
- **Azure ML**: Auto-generate Responsible AI scorecard etter hver training run
- **Azure AI Foundry**: Built-in evaluation tools med export til PDF
- **Microsoft Foundry**: Built-in evaluation tools med export til PDF
- **Microsoft Purview**: Data lineage tracking for governance
**Anti-pattern:** Dokumentere etter deployment ("doc debt") — fører til incomplete/inaccurate documentation.
@ -384,7 +384,7 @@ https://learn.microsoft.com/en-us/azure/foundry/responsible-ai/openai/transparen
---
### Azure AI Foundry
### Microsoft Foundry
**Documentation features:**