open/ms-ai-architect
1
0
Fork 0
Code Issues Releases 1 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-security/references/cost-optimization/ai-builder-credits-transition.md
View file

@ -40,7 +40,7 @@ AI Builder credits var den opprinnelige kapasitetsenheten for AI Builder-funksjo
### Copilot Credits (erstatter AI Builder credits)
Copilot Credits er Microsofts nye felles valuta for AI-kapasitet på tvers av Copilot Studio, AI Builder, Microsoft 365 Copilot og Azure AI Foundry. Fra 1. november 2025 kan ikke nye kunder kjøpe AI Builder capacity add-ons, og må i stedet kjøpe Copilot Credits.
Copilot Credits er Microsofts nye felles valuta for AI-kapasitet på tvers av Copilot Studio, AI Builder, Microsoft 365 Copilot og Microsoft Foundry. Fra 1. november 2025 kan ikke nye kunder kjøpe AI Builder capacity add-ons, og må i stedet kjøpe Copilot Credits.
**Tilgjengelige kjøpsmodeller for Copilot Credits:**

20
skills/ms-ai-security/references/cost-optimization/azure-ai-foundry-cost-governance.md
View file

@ -1,4 +1,4 @@
# Azure AI Foundry Cost Governance and Controls
# Microsoft Foundry Cost Governance and Controls
**Last updated:** 2026-06-19
**Status:** GA
@ -8,11 +8,11 @@
## Introduksjon
Cost governance i Azure AI Foundry representerer det strukturelle rammeverket som forhindrer ukontrollert AI-forbruk og sikrer at AI-investeringer forblir innenfor budsjetterte rammer. I motsetning til tradisjonell cloud-kostnadsstyring, krever AI-arbeidsbelastninger spesialiserte kontroller som håndterer både infrastrukturkostnader (compute, storage) og forbruksbaserte kostnader (tokens, API-kall, modelldeployments).
Cost governance i Microsoft Foundry representerer det strukturelle rammeverket som forhindrer ukontrollert AI-forbruk og sikrer at AI-investeringer forblir innenfor budsjetterte rammer. I motsetning til tradisjonell cloud-kostnadsstyring, krever AI-arbeidsbelastninger spesialiserte kontroller som håndterer både infrastrukturkostnader (compute, storage) og forbruksbaserte kostnader (tokens, API-kall, modelldeployments).
Uten solid cost governance risikerer organisasjoner å oppleve "quota exhaustion" midt i kritiske arbeidsbelastninger, uforutsigbare månedlige regninger fra eksperimentering som ikke blir ryddet opp, og produktive team som blokkeres av for restriktive policies. Det fundamentale dilemmaet er å balansere innovasjonsfrihet med økonomisk kontroll.
Azure AI Foundry tilbyr tre komplementære kontrollmekanismer: **quotas** (tekniske grenser for ressursallokering), **budgets** (økonomiske terskler med alerting), og **policies** (governanceregler som begrenser hvilke modeller og ressurstyper som kan deployes). Sammen utgjør disse et komplett governance-system som lar organisasjoner skalere AI-bruk uten å miste økonomisk oversikt.
Microsoft Foundry tilbyr tre komplementære kontrollmekanismer: **quotas** (tekniske grenser for ressursallokering), **budgets** (økonomiske terskler med alerting), og **policies** (governanceregler som begrenser hvilke modeller og ressurstyper som kan deployes). Sammen utgjør disse et komplett governance-system som lar organisasjoner skalere AI-bruk uten å miste økonomisk oversikt.
## Kjernekomponenter
@ -438,8 +438,8 @@ Kapittel: Drift av IT-systemer
├── Post 01: Driftsutgifter, lønn og sosiale utgifter
│ └── (ikke AI-relatert)
├── Post 21: Spesielle driftsutgifter
│ ├── Azure AI Foundry - PTU (fast månedlig kostnad)
│ └── Azure AI Foundry - consumption (variabel kostnad)
│ ├── Microsoft Foundry - PTU (fast månedlig kostnad)
│ └── Microsoft Foundry - consumption (variabel kostnad)
└── Post 45: Større utstyrsanskaffelser og vedlikehold
└── (ikke relevant for cloud AI)
```
@ -455,7 +455,7 @@ Offentlige virksomheter må ha **internkontroll for økonomistyring** (jf. økon
3. **Etterfølgende kontroll:** Månedlig kontroll av faktisk vs. budsjettert forbruk
4. **Avviksrapportering:** Kostnadsavvik >10% skal rapporteres til leder og økonomiavdeling
**Implementering i Azure AI Foundry:**
**Implementering i Microsoft Foundry:**
- **Rolleseparering:** Utviklere får kun "Reader" rolle på subscription, må be Platform Team (Contributor) om quota-endringer
- **Dokumentasjon:** Quota requests integreres med ITSM (ServiceNow/Jira) → saksnummer required
@ -469,7 +469,7 @@ Riksrevisjonen kan kreve dokumentasjon på offentlige IT-kostnader. For AI-forbr
**Hva Riksrevisjonen kan be om:**
- Fullstendig kostnadsspor: Hvilke prosjekter konsumerte AI-ressurser?
- Anskaffelsesgrunnlag: Hvorfor ble Azure AI Foundry valgt? (konkurransegrunnlag, vurdering av alternativer)
- Anskaffelsesgrunnlag: Hvorfor ble Microsoft Foundry valgt? (konkurransegrunnlag, vurdering av alternativer)
- Kostnadseffektivitet: Dokumentasjon på at man har optimalisert kostnader
- Sikkerhet og personvern: Inkl. kostnader knyttet til disse tiltakene
@ -515,7 +515,7 @@ Noen sektorer må rapportere IT-kostnader til DFØ. Forbered data:
Virksomhet: Direktoratet for digital tjenesteutvikling
Periode: 2025
Azure AI Foundry:
Microsoft Foundry:
- Total kostnad: 2 400 000 NOK
• PTU (fast): 1 800 000 NOK (75%)
• Consumption: 600 000 NOK (25%)
@ -529,7 +529,7 @@ Azure AI Foundry:
### Governance Tool Costs
Selve governance-verktøyene i Azure AI Foundry er stort sett **inkludert uten ekstra kostnad**:
Selve governance-verktøyene i Microsoft Foundry er stort sett **inkludert uten ekstra kostnad**:
| Tool | Cost | Notes |
|------|------|-------|
@ -832,7 +832,7 @@ Savings with PTU: 3 000 NOK/month (17% reduction)
URL: https://learn.microsoft.com/en-us/azure/foundry/openai/quotas-limits
*Confidence: Verified (Feb 2026)* — Model-specific TPM/RPM limits by tier
7. **Azure OpenAI in Azure AI Foundry Models quota management**
7. **Azure OpenAI in Foundry Models quota management**
URL: https://learn.microsoft.com/en-us/azure/foundry-classic/openai/how-to/quota
*Confidence: Verified (Feb 2026)* — Quota view, request increases, migrating deployments

4
skills/ms-ai-security/references/cost-optimization/azure-cost-management-ai.md
View file

@ -55,7 +55,7 @@ Plattformen er gratis for alle Azure-kunder og integreres sømløst med Azure Po
**Bruksområde:** Store organisasjoner med mange AI-initiativer, hvor sentralisert kontroll kombineres med team-autonomi.
**Eksempel AI-scenario:** Azure AI Foundry-prosjekter tagges med `project: customer-support-bot`. Budget opprettes med filter på denne taggen, og varsler sendes til produkteier for chatbot-teamet.
**Eksempel AI-scenario:** Microsoft Foundry-prosjekter tagges med `project: customer-support-bot`. Budget opprettes med filter på denne taggen, og varsler sendes til produkteier for chatbot-teamet.
---
@ -99,7 +99,7 @@ Plattformen er gratis for alle Azure-kunder og integreres sømløst med Azure Po
| Scenario | Alert-type | Begrunnelse |
|----------|------------|-------------|
| Månedlig budsjett for Azure AI Foundry-prosjekt | **Budget Alert (90%, 100%, 110%)** | Proaktiv overvåking mot kjente rammer |
| Månedlig budsjett for Microsoft Foundry-prosjekt | **Budget Alert (90%, 100%, 110%)** | Proaktiv overvåking mot kjente rammer |
| POC-miljø med ukjent forbruksmønster | **Anomaly Alert** | Identifiser uventet vekst før budsjett overskrides |
| Produksjon med stabil baseline, men risiko for sesongsvingninger | **Forecast Alert (110%)** | Early warning før månedslutt |
| Dev/test-miljø med ad-hoc eksperimenter | **Anomaly Alert + Budget Alert** | Både reaktiv (anomaly) og proaktiv (budget) kontroll |

4
skills/ms-ai-security/references/cost-optimization/budget-forecasting-ai-projects.md
View file

@ -10,7 +10,7 @@
Budget forecasting og finansiell planlegging er kritiske disipliner for AI-prosjekter i Microsoft-stakken. Mens tradisjonell IT-budsjettforing opererer med forutsigbare kapasitetsmodeller, introduserer AI-arbeidsbelastninger nye utfordringer: token-basert forbruk, uforutsigbare skaleringsmønstre, og kostnadsvarians knyttet til modellvalg og treningsfrekvens.
Effektiv forecasting for Azure OpenAI, Azure AI Foundry og tilhørende tjenester krever en hybrid tilnærming som kombinerer historisk trendanalyse, kapasitetsplanlegging og kontinuerlig justering basert på faktisk forbruk. Ifølge FinOps Framework-anbefalinger fra Microsoft ligger målet på <12% varians mellom forecast og faktisk kostnad ved normale bruksmønstre, og 12-20% varians ved inkludering av anomalier.
Effektiv forecasting for Azure OpenAI, Microsoft Foundry og tilhørende tjenester krever en hybrid tilnærming som kombinerer historisk trendanalyse, kapasitetsplanlegging og kontinuerlig justering basert på faktisk forbruk. Ifølge FinOps Framework-anbefalinger fra Microsoft ligger målet på <12% varians mellom forecast og faktisk kostnad ved normale bruksmønstre, og 12-20% varians ved inkludering av anomalier.
For offentlig sektor i Norge innebærer dette en ekstra kompleksitet: årlige budsjettmandater, statsbudsjettet sitt årlige rytme, og krav til budsjettdisiplin i henhold til DFØ-regelverk. AI-prosjekter må derfor balansere teknisk skalering med administrativ budsjettføring — ofte med behov for halvårsrevisjon og tilleggsbevilgninger.
@ -41,7 +41,7 @@ AI-kostnader må segmenteres langs flere akser for nøyaktig forecasting:
| **Licensing** | Model APIs (token-cost), Fine-tuning, Commitment tiers | Kontraktsbasert + overage forecast |
| **Operational** | Monitoring, Log Analytics, Application Insights | Fast + % av total |
**Verified** — Azure AI Foundry Cost Management Guide
**Verified** — Microsoft Foundry Cost Management Guide
### Scenario-analyse for AI-budsjetter

2
skills/ms-ai-security/references/cost-optimization/cost-allocation-chargeback.md
View file

@ -12,7 +12,7 @@ Cost allocation og chargeback er fundamentale FinOps-kapabiliteter for å håndt
I en Azure-kontekst betyr **cost allocation** å flytte kostnader fra ett scope (subscription, resource group, eller tag) til et annet. Dette påvirker ikke fakturaen, men hjelper deg å vise kostnader der de logisk hører hjemme. **Chargeback** tar dette ett steg videre ved å faktisk fakturere interne team for deres forbruk gjennom organisasjonens økonomisystemer. **Showback** er en mildere variant som viser kostnadene, men uten å kreve betaling — nyttig for å skape bevissthet før man ruller ut full chargeback.
For AI-prosjekter er dette spesielt viktig. Azure OpenAI, Azure AI Foundry, Copilot Studio og Power Platform AI brukes ofte som delte tjenester på tvers av flere team. Uten en strukturert allocation-strategi blir kostnadene liggende på ett sentralt abonnement, og ingen team får innsikt i eller ansvar for sitt faktiske forbruk. Dette fører til ineffektiv ressursbruk, manglende budsjettkontroll og svak alignment mellom IT-kostnader og forretningsverdi.
For AI-prosjekter er dette spesielt viktig. Azure OpenAI, Microsoft Foundry, Copilot Studio og Power Platform AI brukes ofte som delte tjenester på tvers av flere team. Uten en strukturert allocation-strategi blir kostnadene liggende på ett sentralt abonnement, og ingen team får innsikt i eller ansvar for sitt faktiske forbruk. Dette fører til ineffektiv ressursbruk, manglende budsjettkontroll og svak alignment mellom IT-kostnader og forretningsverdi.
---

24
skills/ms-ai-security/references/cost-optimization/gpt5-gpt41-pricing-models.md
View file

@ -9,7 +9,7 @@
## Introduksjon
GPT-5- og GPT-4.1-seriene er de to nyeste flaggskipmodellene fra OpenAI tilgjengelig i Azure AI Foundry. De representerer to distinkte designfilosofier: GPT-5 optimalisert for dyp resonnering og komplekse oppgaver, GPT-4.1 optimalisert for hastighet, gjennomstrømming og kostnadseffektivitet.
GPT-5- og GPT-4.1-seriene er de to nyeste flaggskipmodellene fra OpenAI tilgjengelig i Microsoft Foundry. De representerer to distinkte designfilosofier: GPT-5 optimalisert for dyp resonnering og komplekse oppgaver, GPT-4.1 optimalisert for hastighet, gjennomstrømming og kostnadseffektivitet.
**Confidence:** Høy (GPT-4.1- og GPT-5-priser verifisert juni 2026 via WebSearch + OpenAI/Azure pricing)
@ -28,7 +28,7 @@ Denne referansen dekker:
### 1. GPT-4.1-serien — Bekreftet prising
**Kilde:** Azure Content Understanding-dokumentasjon, Azure AI Foundry provisioned throughput-dokumentasjon (bekreftet 1:4 input/output-ratio)
**Kilde:** Azure Content Understanding-dokumentasjon, Microsoft Foundry provisioned throughput-dokumentasjon (bekreftet 1:4 input/output-ratio)
| Modell | Input (per 1M tokens) | Output (per 1M tokens) | Cached Input | Kontekst |
|--------|-----------------------|------------------------|--------------|----------|
@ -252,12 +252,12 @@ Tier 3 — Full (komplekse oppgaver):
**Besparelsespotensial:** 60–80% vs. alltid bruke gpt-4.1
#### Strategi 2: Model Router (Azure AI Foundry)
#### Strategi 2: Model Router (Microsoft Foundry)
Azure AI Foundry Model Router analyserer prompt-kompleksitet og velger automatisk den mest kostnadseffektive modellen.
Microsoft Foundry Model Router analyserer prompt-kompleksitet og velger automatisk den mest kostnadseffektive modellen.
- **Potensiell besparelse:** Opptil 60% vs. å alltid bruke GPT-5-familien (dokumentert av Microsoft)
- **Implementering:** Deploy Model Router i Azure AI Foundry, konfigurer underliggende modeller
- **Implementering:** Deploy Model Router i Microsoft Foundry, konfigurer underliggende modeller
- **Ingen kodeendringer:** Transparente for applikasjonen
**Confidence:** Høy (Model Router er GA-funksjonalitet, besparelsestallet er dokumentert av Microsoft)
@ -295,7 +295,7 @@ PTU: 1 PTU = 3 000 input TPM = ~130M tokens/mnd kapasitet
Break-even: Når pay-per-token overstiger PTU-timeprisen × 730 timer/mnd
```
Bruk [Azure AI Foundry PTU-kalkulator](https://ai.azure.com/resource/calculator) for presis beregning.
Bruk [Microsoft Foundry PTU-kalkulator](https://ai.azure.com/resource/calculator) for presis beregning.
**Confidence:** Høy (PTU TPM-verdier er offisielt dokumentert. Break-even avhenger av PTU-timepris som ikke er publisert)
@ -395,9 +395,9 @@ Norsk offentlig sektor:
## Integrasjon med Microsoft-stakken
### Azure AI Foundry: Model Catalog og Router
### Microsoft Foundry: Model Catalog og Router
- Alle GPT-4.1- og GPT-5-modeller tilgjengelig i [Azure AI Foundry](https://ai.azure.com)
- Alle GPT-4.1- og GPT-5-modeller tilgjengelig i [Microsoft Foundry](https://ai.azure.com)
- Model Router automatiserer modellvalg — opptil 60% kostnadssparing (dokumentert)
- Foundry PTU-kalkulator: [ai.azure.com/resource/calculator](https://ai.azure.com/resource/calculator)
@ -493,7 +493,7 @@ GPT-4o mini og GPT-4o brukes fortsatt i US Government regions (offer comparable
**4. Valider med offisiell kilde:**
- Alltid linke til [Azure OpenAI Pricing](https://azure.microsoft.com/pricing/details/cognitive-services/openai-service/)
- For PTU: [Azure AI Foundry Calculator](https://ai.azure.com/resource/calculator)
- For PTU: [Microsoft Foundry Calculator](https://ai.azure.com/resource/calculator)
### Confidence-markers i rådgivning
@ -516,7 +516,7 @@ GPT-4o mini og GPT-4o brukes fortsatt i US Government regions (offer comparable
**A:** Start med gpt-4.1-mini (Basic rate, laveste Credits-forbruk). Bytt til gpt-4.1 kun for oppgaver som krever mer kompleks resonnering eller høyere kvalitet — test og mål først.
**Q: "Hva er break-even for PTU vs. pay-per-token?"**
**A:** Bruk [Azure AI Foundry PTU-kalkulator](https://ai.azure.com/resource/calculator). Som tommelfingerregel: PTU er lønnsomt ved >70% gjennomsnittlig utnyttelse og stabilt volum over 3+ måneder.
**A:** Bruk [Microsoft Foundry PTU-kalkulator](https://ai.azure.com/resource/calculator). Som tommelfingerregel: PTU er lønnsomt ved >70% gjennomsnittlig utnyttelse og stabilt volum over 3+ måneder.
**Q: "Påvirker ny GPT-5-tilgjengelighet Copilot Credits-forbruket vårt?"**
**A:** Ja. Hvis brukere i Copilot Studio velger gpt-5-reasoning (Preview, Premium rate) i stedet for gpt-4.1-mini (Basic), kan Credits-forbruket øke 5–10x. Overvåk forbruk via Power Platform admin center og sett budsjetter.
@ -557,7 +557,7 @@ GPT-4o mini og GPT-4o brukes fortsatt i US Government regions (offer comparable
Hentet: 2026-02
Innhold: Priseksempler med gpt-4.1 Global ($2/$8) og gpt-4.1-mini Global ($0.40/$1.60) bekreftet
5. **Azure OpenAI in Microsoft Foundry Models quotas and limits**
5. **Azure OpenAI in Foundry Models quotas and limits**
URL: https://learn.microsoft.com/azure/foundry/openai/quotas-limits?view=foundry-classic
Hentet: 2026-02
Innhold: GPT-5- og GPT-4.1-seriens kvotestruktur, usage tiers, deployment-typer
@ -583,7 +583,7 @@ GPT-4o mini og GPT-4o brukes fortsatt i US Government regions (offer comparable
URL: https://azure.microsoft.com/pricing/details/cognitive-services/openai-service/
Note: Dynamisk side (krever JavaScript). Sjekk manuelt for eksakte GPT-5-priser når de publiseres.
10. **Azure AI Foundry PTU Calculator**
10. **Microsoft Foundry PTU Calculator**
URL: https://ai.azure.com/resource/calculator
Note: Beregn PTU break-even for spesifikke workloads

6
skills/ms-ai-security/references/cost-optimization/inference-endpoint-cost-optimization.md
View file

@ -8,7 +8,7 @@
## Introduksjon
Managed inference endpoints i Azure Machine Learning og Azure AI Foundry representerer en betydelig kostnadsfaktor i AI-prosjekter, men de tilbyr også omfattende muligheter for kostnadsoptimalisering gjennom riktig konfigurasjon og strategisk ressursforvaltning. Denne kunnskapsreferansen dekker både managed compute endpoints (Azure ML) og serverless API endpoints (Azure AI Foundry), med fokus på praktiske optimaliseringsstrategier som kan redusere Total Cost of Ownership (TCO) uten å kompromittere på ytelse eller tilgjengelighet.
Managed inference endpoints i Azure Machine Learning og Microsoft Foundry representerer en betydelig kostnadsfaktor i AI-prosjekter, men de tilbyr også omfattende muligheter for kostnadsoptimalisering gjennom riktig konfigurasjon og strategisk ressursforvaltning. Denne kunnskapsreferansen dekker både managed compute endpoints (Azure ML) og serverless API endpoints (Microsoft Foundry), med fokus på praktiske optimaliseringsstrategier som kan redusere Total Cost of Ownership (TCO) uten å kompromittere på ytelse eller tilgjengelighet.
Forskjellen mellom deployment-typer er vesentlig for kostnadsoptimalisering: Managed compute endpoints krever at du betaler for provisjonerte VM-instanser per time uavhengig av bruk, mens serverless endpoints (pay-as-you-go) belaster per token og request. Å velge riktig deployment-modell basert på trafikkprofil, konsistens og modellkrav er første skritt mot kostnadseffektiv inferencing.
@ -275,7 +275,7 @@ START
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
**Serverless endpoints:**
- Provisjoneres via AI Foundry Portal eller SDK (`ServerlessEndpoint`)
@ -573,7 +573,7 @@ Hvis inference-kostnad per prediction >10% av business value per prediction, er
**Serverless API Endpoints:**
- [Deploy models as serverless API deployments (AI Foundry Portal)](https://learn.microsoft.com/en-us/azure/foundry-classic/how-to/deploy-models-serverless?view=foundry-classic) — **Verified**
- [Plan and manage costs for Microsoft Foundry](https://learn.microsoft.com/en-us/azure/foundry/concepts/manage-costs?view=foundry-classic) — **Verified**
- [Plan to manage costs for Azure OpenAI in Azure AI Foundry Models](https://learn.microsoft.com/en-us/azure/foundry/concepts/manage-costs) — **Verified**
- [Plan to manage costs for Azure OpenAI in Foundry Models](https://learn.microsoft.com/en-us/azure/foundry/concepts/manage-costs) — **Verified**
**Cost Governance:**
- [Govern Azure platform services (PaaS) for AI](https://learn.microsoft.com/en-us/azure/cloud-adoption-framework/scenarios/ai/platform/governance) — **Verified**

6
skills/ms-ai-security/references/cost-optimization/licensing-compliance-cost-avoidance.md
View file

@ -24,7 +24,7 @@ Effektiv licensing compliance og cost avoidance er fundamentet for bærekraftig
| **Microsoft 365 Copilot Chat** | Inkludert i base-lisens | M365/O365 A1/A3/A5, E1/E3/E5, Business Basic/Standard/Premium | Ingen for web chat; metered for work chat (pay-as-you-go) | OneDrive-lisens for Copilot Pages, M365 Copilot-lisens for Notebooks |
| **Azure OpenAI Service** | Consumption-basert | Azure subscription | Token-basert (input/output), PTU (provisioned throughput units) | Subscription-level budsjetter, cost alerts, tagging for chargeback |
| **Azure AI Services** | Consumption-basert | Azure subscription | Per API-kall, per transaction, per resource type | Resource-level locks, RBAC for provisioning, policy enforcement |
| **Azure AI Foundry** | Consumption-basert | Azure subscription | Compute (training/inference), storage, model deployment | Project-level quota, managed identity for access control |
| **Microsoft Foundry** | Consumption-basert | Azure subscription | Compute (training/inference), storage, model deployment | Project-level quota, managed identity for access control |
| **Copilot Studio** | Standalone eller add-on | M365 base-lisens | Message-basert (Copilot Credits eller pay-as-you-go) | Session-tracking, message volume monitoring, agent complexity audit |
| **AI Builder (Power Platform)** | Capacity add-on eller seeded | Power Apps/Automate Premium | AI Builder credits (fases ut Nov 2026) → Copilot Credits | Environment-level allocation, monthly reset, overage monitoring |
| **Power Platform AI** | Seeded i Premium-lisenser | Power Apps/Automate Premium | Copilot Credits | Tenant-level eller environment-level assignment, maker vs. runtime consumption |
@ -196,7 +196,7 @@ $zeroUsageUsers | Select DisplayName, UserPrincipalName, Mail | Export-Csv "copi
| **Document processing automation (faktura, kontrakter)** | AI Builder (Power Platform Premium + capacity) | Pre-built models, low-code integration | Start med free testing, alloker capacity kun til prod environments |
| **Custom LLM application med egen frontend** | Azure OpenAI Service (consumption) | Full kontroll over prompts, model valg, deployment | Optimalisér token usage (caching, prompt compression), vurder PTU for high volume |
| **Multi-modal AI (vision, speech, translation) i custom app** | Azure AI Services (consumption) | Bredde i capabilities, pay-per-use | Bruk free tier for dev/test, batch processing for volume discounts |
| **Fine-tuning av models, enterprise RAG** | Azure AI Foundry | Managed environment for full AI lifecycle | Bruk shared compute, pause resources when not training, optimize chunk size in RAG |
| **Fine-tuning av models, enterprise RAG** | Microsoft Foundry | Managed environment for full AI lifecycle | Bruk shared compute, pause resources when not training, optimize chunk size in RAG |
### Vanlige feil som gir overbetaling
@ -349,7 +349,7 @@ $zeroUsageUsers | Select DisplayName, UserPrincipalName, Mail | Export-Csv "copi
| **AI Builder capacity** | 55 000/måned (Tier 1 add-on) | 1 000 000 AI Builder credits | Overage switches to Copilot Credits if available | Fases ut Nov 2026 → start transition til Copilot Credits nå |
| **Azure OpenAI (GPT-4o)** | Variable, ca. 0.03 NOK/1K input tokens, 0.12 NOK/1K output | N/A (consumption-basert) | Storage for logs, networking | Prompt optimization (reduce system prompt), caching, PTU for high volume |
| **Azure AI Search (S1)** | 3 000/måned | N/A (flat monthly fee) | Extra for storage >100GB | Right-sizing (mange organisasjoner overprovisioner), consider semantic ranking cost |
| **Azure AI Foundry (compute)** | Variable, ca. 30 000/måned for Standard_D4s_v3 24/7 | N/A (compute-basert) | Storage, model training | Pause compute when not in use (can reduce cost 70-80%), use spot instances for training |
| **Microsoft Foundry (compute)** | Variable, ca. 30 000/måned for Standard_D4s_v3 24/7 | N/A (compute-basert) | Storage, model training | Pause compute when not in use (can reduce cost 70-80%), use spot instances for training |
### Vanlige feil som gir overbetaling

24
skills/ms-ai-security/references/cost-optimization/model-selection-price-performance.md
View file

@ -97,7 +97,7 @@ Fine-tunede modeller har tre kostnadsdimensjoner:
### Mønster 1: Model Router for dynamisk modellvalg
**Konsept:** Bruk Azure AI Foundry Model Router for å automatisk velge den mest kostnadseffektive modellen basert på prompt-kompleksitet.
**Konsept:** Bruk Microsoft Foundry Model Router for å automatisk velge den mest kostnadseffektive modellen basert på prompt-kompleksitet.
**Fordeler:**
- Opptil 60% kostnadsreduksjon vs. alltid-bruk-GPT-5
@ -105,13 +105,13 @@ Fine-tunede modeller har tre kostnadsdimensjoner:
- Ingen kodeendringer nødvendig
**Implementering:**
1. Deploy Model Router i Azure AI Foundry
1. Deploy Model Router i Microsoft Foundry
2. Konfigurer underliggende modeller (f.eks. GPT-4.1-nano, GPT-4.1-mini, GPT-4.1)
3. Model Router analyserer prompt og velger passende modell
**Use case:** Chatbots, kundesupport, assistenter med varierende spørsmålskompleksitet
**Confidence:** Høy (Model Router er GA-funksjonalitet i Azure AI Foundry)
**Confidence:** Høy (Model Router er GA-funksjonalitet i Microsoft Foundry)
### Mønster 2: Tiered model strategy (Small → Medium → Large)
@ -264,10 +264,10 @@ Månedlig besparelse (NOK) = (Kostnad_current - Kostnad_new) × USD_to_NOK
## Integrasjon med Microsoft-stakken
### Azure AI Foundry Model Catalog
### Microsoft Foundry Model Catalog
**Tilgang til modellkatalog:**
1. Gå til [Azure AI Foundry](https://ai.azure.com)
1. Gå til [Microsoft Foundry](https://ai.azure.com)
2. Velg **Model Catalog** i venstre meny
3. Filtrer på "Azure OpenAI" for Microsoft-modeller
4. Sammenlign modeller basert på:
@ -276,7 +276,7 @@ Månedlig besparelse (NOK) = (Kostnad_current - Kostnad_new) × USD_to_NOK
- Capabilities (vision, function calling, etc.)
- Regional tilgjengelighet
**Confidence:** Høy (Azure AI Foundry er GA)
**Confidence:** Høy (Microsoft Foundry er GA)
### Azure Cost Management + Budgets
@ -390,7 +390,7 @@ Månedlig besparelse (NOK) = (Kostnad_current - Kostnad_new) × USD_to_NOK
| Strategi | Potensial besparelse | Kompleksitet |
|----------|----------------------|--------------|
| **Bytt fra GPT-4.1 til GPT-4.1-mini** | 50% | Lav (krever testing) |
| **Bruk Model Router** | 30-60% | Middels (Azure AI Foundry-setup) |
| **Bruk Model Router** | 30-60% | Middels (Microsoft Foundry-setup) |
| **Prompt-optimalisering** | 20-40% | Lav (kan gjøres iterativt) |
| **Fine-tuning for å erstatte større modell** | 40-70% | Høy (krever treningsdata og vedlikehold) |
| **Migrering til PTU (ved høyt volum)** | 20-50% | Middels (krever volumprediksjon) |
@ -456,7 +456,7 @@ Månedlig besparelse (NOK) = (Kostnad_current - Kostnad_new) × USD_to_NOK
**A:** Nei. Velg den minste modellen som oppfyller kvalitetskravene. Hvis GPT-4.1-nano gir 70% kvalitet men GPT-4.1-mini gir 95%, kan ekstra kostnad være verdt det.
**Q: "Hvordan vet jeg om GPT-4.1-mini er god nok vs. GPT-4.1?"**
**A:** Opprett et evaluation dataset (50-100 representative eksempler), kjør begge modeller, sammenlign output. Bruk Azure AI Foundry evaluations for strukturert testing.
**A:** Opprett et evaluation dataset (50-100 representative eksempler), kjør begge modeller, sammenlign output. Bruk Microsoft Foundry evaluations for strukturert testing.
**Q: "Er fine-tuning alltid billigere?"**
**A:** Nei. Fine-tuning har opfront-kostnad (training) og hosting-kostnad ($1.70/time). Kun kostnadseffektivt ved høyt volum (>100K forespørsler/måned) eller hvis du kan erstatte GPT-4.1 med fine-tuned GPT-4.1-mini.
@ -480,7 +480,7 @@ Bruk alltid confidence markers når du anbefaler modeller:
**Anbefal alltid:**
1. [Azure Pricing Calculator](https://azure.microsoft.com/pricing/calculator/) for estimering
2. [Azure AI Foundry Calculator](https://ai.azure.com/resource/calculator) for PTU-estimering
2. [Microsoft Foundry Calculator](https://ai.azure.com/resource/calculator) for PTU-estimering
3. Azure Cost Management for faktisk kostnadssporing
### Vanlige fallgruver
@ -504,7 +504,7 @@ Bruk alltid confidence markers når du anbefaler modeller:
Hentet: 2026-02
Innhold: Modellsammenligninger, latency trade-offs, reasoning-nivåer
2. **Plan to manage costs for Azure OpenAI in Azure AI Foundry Models**
2. **Plan to manage costs for Azure OpenAI in Foundry Models**
URL: https://learn.microsoft.com/en-us/azure/foundry/concepts/manage-costs
Hentet: 2026-02
Innhold: Billing models, token pricing, cost monitoring
@ -519,7 +519,7 @@ Bruk alltid confidence markers når du anbefaler modeller:
Hentet: 2026-02
Innhold: Model Router, cost optimization workflows
5. **Azure OpenAI in Azure AI Foundry Models**
5. **Azure OpenAI in Foundry Models**
URL: https://learn.microsoft.com/en-us/azure/foundry/foundry-models/concepts/models-sold-directly-by-azure
Hentet: 2026-02
Innhold: Model catalog, capabilities, regional availability
@ -539,7 +539,7 @@ Bruk alltid confidence markers når du anbefaler modeller:
URL: https://azure.microsoft.com/pricing/calculator/
Note: For pre-deployment estimering
9. **Azure AI Foundry Calculator**
9. **Microsoft Foundry Calculator**
URL: https://ai.azure.com/resource/calculator
Note: For PTU-estimering

8
skills/ms-ai-security/references/cost-optimization/multi-model-strategy-costs.md
View file

@ -226,7 +226,7 @@ Client → Azure API Management
- Latency guarantee via PTU
**Ulemper:**
- Provisioned capacity må rightsizes (bruk [Azure AI Foundry PTU calculator](https://ai.azure.com/resource/calculator))
- Provisioned capacity må rightsizes (bruk [Microsoft Foundry PTU calculator](https://ai.azure.com/resource/calculator))
- Standard quotas er subscription-level (ikke instance-level)
## Beslutningsveiledning
@ -640,10 +640,10 @@ az consumption usage list --start-date 2026-02-01 --end-date 2026-02-28 \
## Kilder og verifisering
**Microsoft Learn (MCP-verified):**
1. [Model router for Azure AI Foundry](https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/model-router) — **Verified** (MCP fetch, 2026-04)
1. [Model router for Microsoft Foundry](https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/model-router) — **Verified** (MCP fetch, 2026-04)
2. [Use a gateway in front of multiple Azure OpenAI deployments](https://learn.microsoft.com/en-us/azure/architecture/ai-ml/guide/azure-openai-gateway-multi-backend) — **Verified** (MCP fetch, 2026-04). Dokument bekrefter: (a) credential termination og reestablishment ved gateway anbefales fremfor pass-through client credentials, (b) gateway gir client-based usage tracking og chargeback-støtte, (c) Azure OpenAI er nå tagget som "Foundry Tools / Azure OpenAI in Foundry Models".
3. [Understanding costs associated with provisioned throughput units (PTU)](https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/provisioned-throughput-billing) — **Verified** (MCP search, 2026-04)
4. [Azure OpenAI in Azure AI Foundry Models](https://learn.microsoft.com/en-us/azure/foundry/foundry-models/concepts/models-sold-directly-by-azure) — **Verified** (MCP search, 2026-04)
4. [Azure OpenAI in Foundry Models](https://learn.microsoft.com/en-us/azure/foundry/foundry-models/concepts/models-sold-directly-by-azure) — **Verified** (MCP search, 2026-04)
5. [GPT-4o vs GPT-4o mini model selection](https://learn.microsoft.com/en-us/azure/foundry-classic/openai/whats-new) — **Verified** (MCP search, 2026-04)
**GitHub samples (MCP-referenced):**
@ -653,7 +653,7 @@ az consumption usage list --start-date 2026-02-01 --end-date 2026-02-28 \
**Pricing and calculators:**
1. [Azure Pricing Calculator](https://azure.microsoft.com/pricing/calculator) — **Baseline** (pricing subject to change)
2. [Azure AI Foundry PTU calculator](https://ai.azure.com/resource/calculator) — **Verified** (MCP-referenced)
2. [Microsoft Foundry PTU calculator](https://ai.azure.com/resource/calculator) — **Verified** (MCP-referenced)
**Konfidensnivå per seksjon:**

2
skills/ms-ai-security/references/cost-optimization/observability-cost-reduction.md
View file

@ -220,7 +220,7 @@ builder.Services.AddApplicationInsightsTelemetry(new ApplicationInsightsServiceO
**Dedicated Clusters:**
For volumer >1 TB/dag, vurder dedicated cluster for ytterligere besparelser (cluster commitment tier).
### Azure AI Foundry & Azure OpenAI
### Microsoft Foundry & Azure OpenAI
**Telemetri-volum:**
- **Inference-requests:** 1-5 KB per request (prompt + completion metadata)

4
skills/ms-ai-security/references/cost-optimization/prompt-engineering-cost-reduction.md
View file

@ -40,7 +40,7 @@ Prompt caching er en kraftig funksjon for kostnadsreduksjon når du har repetere
| **Prisreduksjon** | 50% rabatt (Standard), opptil 100% (Provisioned) |
| **Støttede modeller** | GPT-4o, GPT-4o-mini, o1-serien, GPT-4.1-serien, o3-mini |
**Verified (MCP):** [Azure AI Foundry - Prompt Caching](https://learn.microsoft.com/en-us/azure/foundry/openai/how-to/prompt-caching)
**Verified (MCP):** [Microsoft Foundry - Prompt Caching](https://learn.microsoft.com/en-us/azure/foundry/openai/how-to/prompt-caching)
### Token-effektivitet per dataformat
@ -369,7 +369,7 @@ Copilot Studio bruker underliggende Azure OpenAI, men:
### Microsoft Learn (Verified via MCP)
1. [Prompt Caching - Azure AI Foundry](https://learn.microsoft.com/en-us/azure/foundry/openai/how-to/prompt-caching) – **Verified**
1. [Prompt Caching - Microsoft Foundry](https://learn.microsoft.com/en-us/azure/foundry/openai/how-to/prompt-caching) – **Verified**
2. [Prompt Engineering Techniques](https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering) – **Verified**
3. [Azure OpenAI Pricing](https://azure.microsoft.com/pricing/details/cognitive-services/openai-service/) – **Verified**
4. [Manage Costs for Azure OpenAI](https://learn.microsoft.com/en-us/azure/foundry/concepts/manage-costs) – **Verified**

2
skills/ms-ai-security/references/cost-optimization/request-batching-aggregation.md
View file

@ -325,7 +325,7 @@ def batch_processor(msgs: List[func.ServiceBusMessage]):
**Mitigering:**
1. Bruk European regions (swedencentral, germanywestcentral, switzerlandnorth)
2. Evaluer TIA (Transfer Impact Assessment) for batch workloads
3. Vurder Azure AI Foundry med dedikert regional processing (når tilgjengelig)
3. Vurder Microsoft Foundry med dedikert regional processing (når tilgjengelig)
4. Alternativt: Azure Machine Learning batch endpoints med regional compute
### Budsjettprosesser og Kostnadsforutsigbarhet

2
skills/ms-ai-security/references/cost-optimization/reserved-capacity-planning.md
View file

@ -285,7 +285,7 @@ Er tjenesten Azure OpenAI/Foundry Models?
### Sizing og kapasitetsplanlegging
#### PTU Capacity Calculator (innebygd i Azure AI Foundry)
#### PTU Capacity Calculator (innebygd i Microsoft Foundry)
Tilgjengelig i deployment workflow:

6
skills/ms-ai-security/references/cost-optimization/semantic-caching-patterns.md
View file

@ -38,7 +38,7 @@ Semantic caching består av fire hovedkomponenter:
| **Embeddings Model** | Konverterer prompts til vektorer | Azure OpenAI Embeddings API (text-embedding-3-large, text-embedding-ada-002) |
| **Vector Database** | Lagrer embeddings og utfører similarity search | Azure Managed Redis (RediSearch), Azure Cache for Redis Enterprise, Azure AI Search |
| **Gateway/Proxy** | Orkestrerer cache lookup og LLM calls | Azure API Management, custom application logic |
| **LLM Backend** | Genererer completions ved cache miss | Azure OpenAI, Azure AI Foundry models |
| **LLM Backend** | Genererer completions ved cache miss | Azure OpenAI, Microsoft Foundry models |
### Slik fungerer semantic caching
@ -393,9 +393,9 @@ response2 = llm.predict("Tell me about Azure Functions") # Cache hit (semantic
---
### Azure AI Foundry integrasjon
### Microsoft Foundry integrasjon
Azure AI Foundry models (via Model Inference API) støttes med generic LLM policies i APIM:
Microsoft Foundry models (via Model Inference API) støttes med generic LLM policies i APIM:
```xml
<!-- Use llm-semantic-cache-lookup instead of azure-openai-semantic-cache-lookup -->

14
skills/ms-ai-security/references/cost-optimization/small-language-models-economics.md
View file

@ -44,7 +44,7 @@ Microsofts Phi-serie (Phi-3, Phi-4) demonstrerer denne trenden tydelig: Phi-4-mi
| Deployment-type | Beskrivelse | Kostnad (estimat) | Data privacy | Bruksscenario |
|-----------------|-------------|-------------------|--------------|---------------|
| **Azure AI Foundry (Serverless)** | Pay-per-token, ingen infrastruktur | 0,10–0,50 NOK / 1M tokens | Delt tenant (Azure-kontrollert) | Prototype, lav volum |
| **Microsoft Foundry (Serverless)** | Pay-per-token, ingen infrastruktur | 0,10–0,50 NOK / 1M tokens | Delt tenant (Azure-kontrollert) | Prototype, lav volum |
| **Azure App Service Sidecar** | SLM kjører som sidecar-container ved siden av web-app | 5 000–15 000 NOK/måned (P3MV3 tier) | Full kontroll, lokalt i App Service | Produksjon, data privacy-kritisk |
| **Azure Kubernetes Service (AKS) + KAITO** | SLM på dedikert GPU-node | 10 000–30 000 NOK/måned (avh. av GPU) | Full kontroll | Skalerbare produksjonsworkloads |
| **On-premises (Ollama, ONNX Runtime)** | Eget datacenter, egne servere | Kun hardware + strøm (10 000–50 000 NOK oppsett) | Full kontroll, ingen cloud-avhengighet | Sikkerhetsgradert info, offline-krav |
@ -54,9 +54,9 @@ Microsofts Phi-serie (Phi-3, Phi-4) demonstrerer denne trenden tydelig: Phi-4-mi
## Arkitekturmønstre
### Mønster 1: Cloud-hosted SLM (Azure AI Foundry)
### Mønster 1: Cloud-hosted SLM (Microsoft Foundry)
**Beskrivelse:** SLM deployes som serverless endpoint i Azure AI Foundry, tilgjengelig via REST API.
**Beskrivelse:** SLM deployes som serverless endpoint i Microsoft Foundry, tilgjengelig via REST API.
**Når bruke:**
- Prototyping og testing
@ -265,7 +265,7 @@ def route_request(user_query):
## Integrasjon med Microsoft-stakken
### Azure AI Foundry
### Microsoft Foundry
**Deployment-typer:**
- **Serverless API:** Pay-per-token, ingen infrastruktur (Phi-4-mini, Phi-4-multimodal)
@ -450,7 +450,7 @@ az webapp create --name webapp-slm-phi4 --resource-group rg-slm-norway --plan pl
| Deployment-type | Azure Service | Pris/måned (NOK) | GPU | Skalering |
|-----------------|---------------|------------------|-----|-----------|
| **Serverless (Foundry)** | Azure AI Foundry | Pay-per-token | Delt | Automatisk |
| **Serverless (Foundry)** | Microsoft Foundry | Pay-per-token | Delt | Automatisk |
| **App Service Sidecar** | App Service (P3MV3) | ~10 000 | Ingen | Manuell/auto |
| **AKS (T4)** | AKS + 1x Standard_NC4as_T4_v3 | ~6 000 | T4 | Auto (KAITO) |
| **AKS (A100)** | AKS + 1x Standard_NC24ads_A100_v4 | ~25 000 | A100 | Auto (KAITO) |
@ -540,7 +540,7 @@ az webapp create --name webapp-slm-phi4 --resource-group rg-slm-norway --plan pl
### Anbefalinger per modenhetsnivå
#### Nivå 1: Begynner (ingen AI-erfaring)
- **Start med:** Azure AI Foundry Serverless (Phi-4-mini)
- **Start med:** Microsoft Foundry Serverless (Phi-4-mini)
- **Hvorfor:** Ingen infrastruktur, rask onboarding, pay-per-token
- **Neste steg:** Eksperimentér med fine-tuning på egen data
@ -602,7 +602,7 @@ az webapp create --name webapp-slm-phi4 --resource-group rg-slm-norway --plan pl
- Confidence: **Verified**
- Innhold: KAITO deployment, Phi-4-mini på AKS, GPU-krav
5. **Azure OpenAI in Azure AI Foundry Models**
5. **Azure OpenAI in Foundry Models**
- URL: https://learn.microsoft.com/en-us/azure/foundry/foundry-models/concepts/models-sold-directly-by-azure
- Confidence: **Verified**
- Innhold: GPT-4o, GPT-4o-mini pricing, capabilities

4
skills/ms-ai-security/references/cost-optimization/token-counting-optimization.md
View file

@ -127,7 +127,7 @@ token_output = TokenEstimator().estimate_tokens(input_text)
|-----------|-------|--------|
| Minimum prompt length | 1 024 tokens | Cache hit kan først oppnås |
| Granularitet | 128 tokens | Etter første 1024 tokens, cache hit per 128 tokens |
| Cache TTL | 24 timer | Azure AI Foundry Classic |
| Cache TTL | 24 timer | Microsoft Foundry Classic |
| Cache TTL | 5-10 min idle, max 1 time | Azure AI Services |
| Kostnad (Standard) | 50% rabatt på cached tokens | Varierer per modell |
| Kostnad (Provisioned) | Opptil 100% rabatt | Inkludert i PTU-pris |
@ -369,7 +369,7 @@ Er prompt >1024 tokens og repetitiv?
**Merk:** Priser varierer betydelig per modell (gpt-4o vs. o1 vs. gpt-4.1)
### Azure AI Foundry
### Microsoft Foundry
**Token Usage Estimation (On Your Data):**
- Intent prompt: ~1 366 tokens (gjennomsnitt)