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

Verifisert mot offisiell MS-doc (juni 2026): «Microsoft Foundry» er det
gjeldende produkt-/portalnavnet; «Foundry (classic)» = gamle «Azure AI Foundry»
(/azure/foundry/ vs /azure/foundry-classic/). Premiss bekreftet før sveip.

Multi-regel, IKKE naiv s/Azure AI Foundry/Microsoft Foundry/ — MS dropper
«Azure AI» (legger IKKE til «Microsoft») for to produktvarianter:
- «Azure AI Foundry Agent[ Service|s]» → «Foundry Agent Service/Agents» (MS-form)
- «Azure AI Foundry Models» → «Foundry Models» (i «Azure OpenAI in Foundry Models»)
- «Azure AI Foundry SDK» → «Microsoft Foundry SDK» (operatør-valg)
- «Azure AI Foundry portal/project» + generisk → «Microsoft Foundry»
- Pre-eksisterende «Microsoft Foundry Models» (4) normalisert → «Foundry Models»

Bevart: «Azure OpenAI», «Azure AI Inference SDK», «Azure AI Search»,
«Azure AI Services», kode-IDer. Historisk ref «(tidligere Azure AI Foundry)»
i model-catalog-2026.md beskyttet via lookbehind. URL /azure/ai-foundry/→
/azure/foundry/ kun i owasp-llm-top10 (KB-ref); docs/-filer deferred.

Scope: skills (inkl. 3 SKILL.md) + commands + agents + README + CLAUDE.
Ekskludert: docs/ (interne), playground/+tests/ fixtures (testdata),
CHANGELOG.md (historisk logg), STATE.md (gitignored).

3 SKILL.md endret (advisor/engineering/security) → judge-cache teknisk
invalidert for disse, men scorer uendret: advisor 91, eng/gov/infra/sec 96
(alle ≥90). validate 239/0. 0 «Azure AI Foundry» igjen (utenom bevart ref).

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

skills/ms-ai-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