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

Verifisert mot offisiell MS-doc (juni 2026): «Microsoft Foundry» er det gjeldende produkt-/portalnavnet; «Foundry (classic)» = gamle «Azure AI Foundry» (/azure/foundry/ vs /azure/foundry-classic/). Premiss bekreftet før sveip. Multi-regel, IKKE naiv s/Azure AI Foundry/Microsoft Foundry/ — MS dropper «Azure AI» (legger IKKE til «Microsoft») for to produktvarianter: - «Azure AI Foundry Agent[ Service|s]» → «Foundry Agent Service/Agents» (MS-form) - «Azure AI Foundry Models» → «Foundry Models» (i «Azure OpenAI in Foundry Models») - «Azure AI Foundry SDK» → «Microsoft Foundry SDK» (operatør-valg) - «Azure AI Foundry portal/project» + generisk → «Microsoft Foundry» - Pre-eksisterende «Microsoft Foundry Models» (4) normalisert → «Foundry Models» Bevart: «Azure OpenAI», «Azure AI Inference SDK», «Azure AI Search», «Azure AI Services», kode-IDer. Historisk ref «(tidligere Azure AI Foundry)» i model-catalog-2026.md beskyttet via lookbehind. URL /azure/ai-foundry/→ /azure/foundry/ kun i owasp-llm-top10 (KB-ref); docs/-filer deferred. Scope: skills (inkl. 3 SKILL.md) + commands + agents + README + CLAUDE. Ekskludert: docs/ (interne), playground/+tests/ fixtures (testdata), CHANGELOG.md (historisk logg), STATE.md (gitignored). 3 SKILL.md endret (advisor/engineering/security) → judge-cache teknisk invalidert for disse, men scorer uendret: advisor 91, eng/gov/infra/sec 96 (alle ≥90). validate 239/0. 0 «Azure AI Foundry» igjen (utenom bevart ref). Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
2026-06-23 21:00:27 +02:00 · 2026-06-23 21:00:27 +02:00 · 03d596e4ec
commit 03d596e4ec
parent 20b522ab10
233 changed files with 810 additions and 810 deletions
--- a/skills/ms-ai-governance/references/monitoring-observability/anomaly-detection-ai-systems.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/anomaly-detection-ai-systems.md
@ -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 |
--- a/skills/ms-ai-governance/references/monitoring-observability/application-insights-llm-monitoring.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/application-insights-llm-monitoring.md
@ -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
 ```

--- a/skills/ms-ai-governance/references/monitoring-observability/azure-monitor-setup-ai-workloads.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/azure-monitor-setup-ai-workloads.md
@ -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

 ---

--- a/skills/ms-ai-governance/references/monitoring-observability/compliance-monitoring-ai-governance.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/compliance-monitoring-ai-governance.md
@ -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):**
--- a/skills/ms-ai-governance/references/monitoring-observability/cost-monitoring-cost-attribution.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/cost-monitoring-cost-attribution.md
@ -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

--- a/skills/ms-ai-governance/references/monitoring-observability/custom-dashboards-ai-operations.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/custom-dashboards-ai-operations.md
@ -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
--- a/skills/ms-ai-governance/references/monitoring-observability/data-residency-audit-monitoring.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/data-residency-audit-monitoring.md
@ -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
--- a/skills/ms-ai-governance/references/monitoring-observability/distributed-tracing-ai-pipelines.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/distributed-tracing-ai-pipelines.md
@ -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)
--- a/skills/ms-ai-governance/references/monitoring-observability/model-performance-drift-detection.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/model-performance-drift-detection.md
@ -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)
--- a/skills/ms-ai-governance/references/monitoring-observability/real-time-streaming-monitoring.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/real-time-streaming-monitoring.md
@ -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
--- a/skills/ms-ai-governance/references/monitoring-observability/response-quality-metrics-rag.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/response-quality-metrics-rag.md
@ -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

--- a/skills/ms-ai-governance/references/monitoring-observability/security-and-audit-logging-ai.md
+++ b/skills/ms-ai-governance/references/monitoring-observability/security-and-audit-logging-ai.md
@ -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:**