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

chore(ms-ai-architect): refresh KB medium-bucket — 74 files [skip-docs]

Browse source 
KB-currency refresh (medium priority, 2026-06-19) via /architect:kb-update.
74 medium-prioritets filer re-verifisert mot Microsoft Learn (MCP) — delegert
til 15 parallelle Opus-subagenter (3 bølger) gruppert etter delt kilde, med
disjunkte fil-sett. Verifisert i hovedkontekst (scope-sjekk + diff-review av
de faktatunge gruppene + tester).

Hovedendringer (faktuelle korreksjoner + currency):
- Azure AI Search semantic ranker: TILGJENGELIG PÅ ALLE TIERS (også Free/Basic
  m/ gratis månedlig kvote) — gammel KB sa feilaktig "kun S1+". Korrigert i
  tier-tabell, anti-patterns og beslutningstabell (azure-ai-search-setup).
- APIM score-threshold = DISTANSE (lavere = strengere): tuning-tabellen i
  rag-caching-optimization hadde retningen baklengs — invertert til korrekt.
- Agentic retrieval GA/preview-nyanse presisert (hovedkontekst-korreksjon mot
  agentic-retrieval-how-to-migrate): GA via REST 2026-04-01 returnerer EKSTRAKTIV
  grounding (references + activity), IKKE syntetiserte svar. Answer synthesis,
  ikke-minimal reasoning effort (LLM query planning) og multi-turn messages
  forblir preview (2026-05-01-preview). Subagent hadde overforenklet til "hele
  kjernepipelinen GA"; rettet i agentic-rag-patterns + citation-tracking.
- Copilot Studio modell-tabeller (platforms/copilot-studio): fjernet Claude Opus
  4.5 + GPT-5.2 (borte fra kilde), lagt til Claude Sonnet 4.6/Opus 4.6 (GA),
  Opus 4.7 + Mistral Medium 3.5 (experimental); GPT-5 Reasoning/Auto = preview;
  A2A GA (apr 2026).
- Computer Use (CUA): Copilot Studio GA 2026-05-07; 4 modeller m/ tier/status
  (OpenAI CUA + Sonnet 4.5 GA, Sonnet 4.6 + Opus 4.6 experimental); 5 credits/
  steg standard, 15 premium; US-only region-krav FJERNET i GA-dok; Cloud PC pool
  + Hosted browser + bring-your-own-machine.
- Azure AI Search REST API-versjoner bumpet: 2025-09-01 -> 2026-04-01 (stabil),
  2025-11-01-preview -> 2026-05-01-preview (hybrid-search, rag-security-rbac,
  chunking).
- Power Automate-integrasjon: trigger "Run a flow from Copilot" -> "When an agent
  calls the flow"; App Service innebygd MCP (preview) lagt til.
- M365 Copilot-manifest v1.26 -> v1.28 (GA, mai) / v1.29 dokumentert (juni);
  "Tenant graph grounding" -> "Work IQ".
- Speech fast transcription 2t/300MB -> 5t/500MB; multilingual 14 -> 15 locales
  (+ pt-BR). Content Understanding reasoning preview -> GA (v1.0, 2025-11-01).
- Security Copilot E5 -> E5+E7. Død Databricks-URL ci-cd/best-practices ->
  ci-cd/flows. Prompt Flow retirement (2027-04-20 -> MAF) notert der den
  presenteres som go-forward. Gateway-topologi-tabell-feil rettet.
- Alle 74 Last updated -> 2026-06-19.

Discovery ikke kjørt (historisk kun Databricks-støy) -> 389-telling uendret,
ingen resync. validate 239 PASS, kb-integrity 115/115 (262 orphan-warnings
uendret), gitleaks clean.

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01REiKFhP4w6xGXXqWKpPCJJ
This commit is contained in:
Kjell Tore Guttormsen 2026-06-19 14:02:18 +02:00
commit 070141f06b
74 changed files with 403 additions and 384 deletions
Download patch file Download diff file Expand all files Collapse all files

48
skills/ms-ai-engineering/references/agent-orchestration/computer-using-agents-cua.md
View file

@ -1,7 +1,7 @@
# Computer-Using Agents (CUA)
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Status:** Preview (sep 2025 — Foundry Agent Service; mai 2025 — Copilot Studio)
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** Copilot Studio — GA (2026-05-07); Foundry Agent Service — Preview (sep 2025)
**Category:** Agent Orchestration & Automation
---
@ -12,7 +12,7 @@ Computer-Using Agents (CUA) er en ny klasse AI-agenter som automatiserer oppgave
Microsoft tilbyr CUA gjennom to primære plattformer:
- **Azure AI Foundry Agent Service** — `computer-use-preview`-modellen via Azure OpenAI (preview sep 2025)
- **Copilot Studio** — Computer Use som verktøy i agenter (public preview mai 2025, GA mai 2026)
- **Copilot Studio** — Computer Use som verktøy i agenter (public preview 2025-05-27, GA 2026-05-07)
Den kritiske verdien: **Dersom et menneske kan bruke et program, kan CUA gjøre det samme** — uten kodeendringer i målsystemet.
@ -28,7 +28,7 @@ CUA kombinerer tre kapabiliteter:
| **Resonnering** | Bestemmer neste handling basert på nåværende skjermtilstand og mål |
| **Kontrollgenerering** | Genererer museaksjon (klikk, dra, scroll) og tastaturbevegelser |
Modellen som driver CUA er `computer-use-preview` — en spesialisert visjonsmodell optimert for GUI-interaksjon. I Copilot Studio støttes også **Anthropic Claude Sonnet 4.5** som alternativ modell (preview, regionutrulling pågår).
Modellen som driver CUA er `computer-use-preview` — en spesialisert visjonsmodell optimert for GUI-interaksjon. I Copilot Studio (GA) kan du velge mellom flere modeller: **OpenAI Computer-Using Agent (CUA)** (GA, standard), **Anthropic Claude Sonnet 4.5** (GA, standard), **Anthropic Claude Sonnet 4.6** (Experimental, standard) og **Anthropic Claude Opus 4.6** (Experimental, premium). *(Verified MCP 2026-06-19)*
---
@ -107,17 +107,17 @@ if "pending_safety_checks" in response:
Copilot Studio tilbyr CUA som et lavkode **Computer Use Tool** — ingen koding nødvendig.
**Krav (preview):** Tilgjengelig kun for miljøer der regionen er satt til **United States**. Generativ orkestrering (generative orchestrator) må aktiveres på agenten. *(Verified MCP 2026-04)*
**Krav:** Generativ orkestrering (generative orchestration) må være aktivert på agenten. For å bruke Anthropic-modellene må administrator ha aktivert tilgang til eksterne modeller (external models) for miljøet. *(Verified MCP 2026-06-19 — det tidligere preview-kravet om United States-region er ikke lenger oppført i GA-dokumentasjonen)*
### Oppsett
1. Gå til **Tools** i agenten → **Add tool** → **New tool** → **Computer use**
2. Velg modell: **OpenAI Computer-Using Agent** eller **Anthropic Claude Sonnet 4.5** (preview, pågående regionutrulling — krever at administrator har aktivert external models)
2. Velg modell: **OpenAI Computer-Using Agent** (GA), **Anthropic Claude Sonnet 4.5** (GA), **Claude Sonnet 4.6** (Experimental) eller **Claude Opus 4.6** (Experimental, premium) — Anthropic-modeller krever at administrator har aktivert external models
3. Skriv instruksjoner på naturlig norsk/engelsk (se "Best practices for instructions" under)
4. Konfigurer **Machine** (hvor CUA kjøres):
- Velg målmaskin fra listen, eller opprett ny via Power Automate Portal
- **Hosted browser**: rask start, kun web — ikke anbefalt for produksjon
- **Dedikert Windows-maskin**: gir full desktop-tilgang, anbefalt for produksjon
- **Hosted browser (preview)** (drevet av Windows 365 for Agents): rask start uten maskinoppsett, kun web — ikke anbefalt for produksjon
- **Cloud PC pool (preview)** (drevet av Windows 365 for Agents): skalerbar, Entra-joined og Intune-enrollert compute — full governance, ingen egen maskin nødvendig
- **Bring-your-own-machine**: egen Windows-maskin registrert og styrt i Power Automate; gir full desktop-tilgang. *(Verified MCP 2026-06-19)*
**Merk:** Tilgangskontroll (access control) hindrer kun at modellen *utfører handlinger* på ikke-autoriserte nettsider/apper — ikke at de åpnes. Eksempel: Bing kan åpnes fra Edge-søkebaren selv om kun microsoft.com er på allowlisten, men interaksjon med Bing vil feile.
@ -131,18 +131,16 @@ Copilot Studio tilbyr CUA som et lavkode **Computer Use Tool** — ingen koding
| **Azure Key Vault** | Passord lagres i Key Vault — anbefalt for produksjonsmiljøer. Krever PowerPlatform resource provider registrert i Azure-abonnementet. *(Verified MCP 2026-04)* |
| **Access control** | Begrens hvilke nettsider/applikasjoner CUA kan operere på. Wildcards støttes (*.contoso.com). Desktop apps angis ved produkt-/prosessnavn (f.eks. "Microsoft Edge" eller "msedge"). *(Verified MCP 2026-04)* |
### Lisensiering (Copilot Studio, preview)
### Lisensiering (Copilot Studio, GA)
Faktureres som Agent action: **5 Copilot Credits per steg** (hvert steg kan inneholde én eller flere lavnivå-handlinger som klikk, skriving eller navigering).
Faktureres som Agent action: **5 Copilot Credits per steg** for standardmodeller (OpenAI CUA, Claude Sonnet 4.5/4.6), og **15 Copilot Credits per steg** for premiummodell (Claude Opus 4.6). Hvert steg kan inneholde én eller flere lavnivå-handlinger som klikk, skriving eller navigering. *(Verified MCP 2026-06-19)*
Eksempel — utfylling av timeregistreringsskjema (4 steg = 20 Copilot Credits):
Eksempel — utfylling av timeregistreringsskjema (4 steg): **20 Copilot Credits** med standardmodell, **60 Copilot Credits** med premiummodell:
1. Åpne nettleser og naviger til URL
2. Klikk "Opprett ny"
3. Fyll inn felter
4. Klikk "Send inn"
GA (mai 2026) — endelig prismodell ikke kunngjort.
### Human Supervision
Copilot Studio har innebygd **Human Supervision**: CUA-agenten kan eskalere til en utpekt person (via Outlook) dersom den oppdager potensielt skadelige instruksjoner. Godkjenner har en definert tidsfrist — løper den ut, stopper agenten.
@ -305,7 +303,7 @@ Copilot Studio — preferert rekkefølge:
| **Feilhåndtering** | Statisk exception handling | Selvkorrigerende basert på visuell feedback |
| **Hastighet** | Høy (ms per steg) | Lav (sekunder per steg) |
| **Kompetansekrav** | RPA-utvikler med scripting-erfaring | Domeneekspert med naturlig språk |
| **Modenhet** | GA — produksjonsklar | Preview — ikke produksjonsklar (2026) |
| **Modenhet** | GA — produksjonsklar | Copilot Studio: GA (2026-05-07). Foundry Agent Service: Preview |
### Når velge RPA
@ -331,10 +329,10 @@ Copilot Studio — preferert rekkefølge:
|-----------|--------|--------------|
| **Azure AI Foundry Agent Service** | Public Preview | Sep 2025 |
| **Azure OpenAI (direkte)** | Public Preview | Sep 2025 |
| **Copilot Studio** | Public Preview | Mai 2025 (US-regioner) |
| **Copilot Studio GA** | Planlagt | Mai 2026 |
| **Copilot Studio** | Public Preview | 2025-05-27 |
| **Copilot Studio** | GA | 2026-05-07 |
**Tilgang til `computer-use-preview`-modellen** krever registrering: https://aka.ms/oai/cuaaccess
**Tilgang til `computer-use-preview`-modellen** (Foundry/Azure OpenAI) krever registrering: https://aka.ms/oai/cuaaccess
---
@ -371,7 +369,7 @@ Norsk offentlig sektor opererer med et stort antall legacysystemer (fagsystemer
### Datalagring — Viktig for offentlig sektor
- **Copilot Studio CUA:** Kjøres i US-regioner (preview) — **ikke egnet for sensitiv persondata** ennå
- **Copilot Studio CUA (GA):** Det tidligere preview-kravet om United States-region er ikke lenger oppført i GA-dokumentasjonen. Maskinvalg inkluderer **Cloud PC pool** (Entra-joined, Intune-enrollert — full governance) for produksjon; vurder geografisk tilgjengelighet via Microsofts «Feature Geographic Availability»-rapport før behandling av sensitiv persondata. *(Verified MCP 2026-06-19)*
- **Foundry Agent Service:** `swedencentral` tilgjengelig — **egnet for EU-data**
- Skjermbilder sendt til CUA-modellen er transiente — ikke persistert av Microsoft
@ -458,7 +456,7 @@ Power Automate Cloud Flow (orkestrator)
## Kostnadsestimat
### Copilot Studio (preview)
### Copilot Studio (GA, standardmodell — 5 credits/steg)
| Arbeidsflyt | Steg per kjøring | Copilot Credits | NOK per kjøring* |
|-------------|-----------------|-----------------|-----------------|
@ -466,7 +464,7 @@ Power Automate Cloud Flow (orkestrator)
| Fakturaprosessering (8 steg) | 8 | 40 | ~3,00 NOK |
| Kompleks kryssystem-arbeidsflyt (20 steg) | 20 | 100 | ~7,50 NOK |
*Estimat basert på Copilot Credits à 0,075 NOK (veiledende).
*Estimat basert på Copilot Credits à 0,075 NOK (veiledende). Premiummodell (Claude Opus 4.6) bruker 15 credits/steg — 3× kreditt-kostnaden over.
### Azure AI Foundry Agent Service
@ -487,11 +485,11 @@ Kostnader basert på:
2. **Automate web and desktop apps with computer use — Copilot Studio**
- https://learn.microsoft.com/microsoft-copilot-studio/computer-use
- Confidence: **Verified** (offisiell Copilot Studio preview-dokumentasjon, oppdatert 2026-04: støttede modeller, credentials intern/Key Vault-detaljer, access control wildcard/desktop, US-only region-krav, generativ orkestrering påkrevd)
- Confidence: **Verified** (offisiell Copilot Studio GA-dokumentasjon, verifisert MCP 2026-06-19: 4 støttede modeller med tier/status — OpenAI CUA + Sonnet 4.5 GA, Sonnet 4.6 + Opus 4.6 Experimental; 5 credits/steg standard, 15 credits/steg premium; credentials intern/Key Vault-detaljer; access control wildcard/desktop; generativ orkestrering påkrevd; external models-krav for Anthropic. US-only region-krav er fjernet i GA-dokumentasjonen.)
3. **Configure where computer use runs**
- https://learn.microsoft.com/microsoft-copilot-studio/configure-where-computer-use-runs
- Confidence: **Verified** (Copilot Studio docs, 2025)
- Confidence: **Verified** (Copilot Studio docs, verifisert MCP 2026-06-19: Hosted browser (preview), Cloud PC pool (preview, Windows 365 for Agents — Entra-joined/Intune-enrollert), Bring-your-own-machine via Power Automate)
4. **Browser Automation (preview) — Foundry Agent Service**
- https://learn.microsoft.com/azure/foundry/agents/how-to/tools/browser-automation
@ -503,11 +501,11 @@ Kostnader basert på:
6. **FAQ for the computer use tool**
- https://learn.microsoft.com/microsoft-copilot-studio/faqs-computer-use
- Confidence: **Verified** (offisiell FAQ, inkl. 80%/35% suksessrater, human supervision-detaljer, oppdatert 2026-04)
- Confidence: **Verified** (offisiell FAQ, inkl. 80%/35% suksessrater, perception/reasoning/action-loop, human supervision-detaljer, verifisert MCP 2026-06-19)
7. **Computer Use Release Plan (2025 Wave 1)**
- https://learn.microsoft.com/power-platform/release-plan/2025wave1/microsoft-copilot-studio/automate-web-desktop-apps-computer-use
- Confidence: **Verified** (GA mai 2026 bekreftet)
- Confidence: **Verified** (public preview 2025-05-27, GA 2026-05-07 bekreftet; verifisert MCP 2026-06-19)
8. **Announcing Computer Use tool (Preview) in Azure AI Foundry Agent Service**
- https://devblogs.microsoft.com/foundry/announcing-computer-use-tool-preview-in-azure-ai-foundry-agent-service/

4
skills/ms-ai-engineering/references/agent-orchestration/foundry-workflows-visual-orchestration.md
View file

@ -1,6 +1,6 @@
# Foundry Workflows — Visuell Multi-Agent Orkestrering
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** Public Preview (announced MS Ignite november 2025)
**Category:** Agent Orchestration & Automation
@ -600,7 +600,7 @@ Foundry Workflows' visuelle designer gir offentlig sektor-organisasjoner en unik
5. **Declarative Workflows — Overview (Agent Framework)**
- https://learn.microsoft.com/agent-framework/workflows/declarative
- Confidence: **Verified** (YAML action types tabell: Variable Management, Control Flow, Agent/Tool Invocation, HITL, Conversation — C# og Python; oppdatert 2026-04)
- Confidence: **Verified** (YAML action types-tabell: Variable, Control Flow, Output, Agent/Tool Invocation (`InvokeAzureAgent`, `InvokeFunctionTool`, `InvokeMcpTool`), HTTP, HITL (`Question`, `RequestExternalInput`), Conversation — C# og Python; Conversation-actions er C#-only; verifisert MCP 2026-06-19)
6. **Human-in-the-Loop Workflows**
- https://learn.microsoft.com/agent-framework/workflows/human-in-the-loop

2
skills/ms-ai-engineering/references/agent-orchestration/multi-agent-orchestration-patterns.md
View file

@ -1,6 +1,6 @@
# Multi-Agent Orchestration Patterns and Topologies
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
**Category:** Agent Orchestration & Automation

4
skills/ms-ai-engineering/references/agent-orchestration/tool-use-and-function-calling-patterns.md
View file

@ -1,6 +1,6 @@
# Tool Use and Function Calling - Advanced Patterns
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
**Category:** Agent Orchestration & Automation
@ -451,7 +451,7 @@ def update_citizen_record(ssn: str, field: str, value: str) -> str:
1. [Azure OpenAI Function Calling](https://learn.microsoft.com/en-us/azure/foundry/openai/how-to/function-calling) — **Verified 2026-02**
2. [Semantic Kernel Agent Functions](https://learn.microsoft.com/en-us/semantic-kernel/frameworks/agent/agent-functions) — **Verified 2026-02**
3. [Agent Framework - Agent as Function Tool](https://learn.microsoft.com/en-us/agent-framework/tutorials/agents/agent-as-function-tool) — **Verified 2026-02**
4. [AG-UI Backend Tool Rendering](https://learn.microsoft.com/en-us/agent-framework/integrations/ag-ui/backend-tool-rendering) — **Verified (MCP 2026-04)** — AIFunctionFactory.Create() med serializerOptions for komplekse typer (C#), @tool decorator med Annotated/Field (Python), TOOL_CALL_START/ARGS/END/RESULT events, FunctionCallContent/.Arguments og FunctionResultContent/.Result (C#), klasse-baserte tools-moenster (Python)
4. [AG-UI Backend Tool Rendering](https://learn.microsoft.com/en-us/agent-framework/integrations/ag-ui/backend-tool-rendering) — **Verified (MCP 2026-06-19)** — AIFunctionFactory.Create() med serializerOptions for komplekse typer (C#), @tool decorator med Annotated/Field (Python), TOOL_CALL_START/ARGS/END/RESULT events, FunctionCallContent/.Arguments og FunctionResultContent/.Result (C#), klasse-baserte tools-moenster (Python)
5. [Azure OpenAI Assistants Function Calling](https://learn.microsoft.com/en-us/azure/foundry-classic/openai/how-to/assistant-functions) — **Verified 2026-02**
6. [Structured Outputs](https://learn.microsoft.com/en-us/azure/foundry/openai/how-to/structured-outputs) — **Verified 2026-02**

2
skills/ms-ai-engineering/references/azure-ai-services/ai-services-api-best-practices.md
View file

@ -1,6 +1,6 @@
# Azure AI Services - API Design and Best Practices
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
**Category:** Azure AI Services (Foundry Tools)

2
skills/ms-ai-engineering/references/azure-ai-services/ai-services-monitoring-logging.md
View file

@ -1,6 +1,6 @@
# Azure AI Services - Monitoring, Logging and Diagnostics
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
**Category:** Azure AI Services (Foundry Tools)

4
skills/ms-ai-engineering/references/azure-ai-services/ai-services-networking-security.md
View file

@ -1,6 +1,6 @@
# Azure AI Services - Networking, Security and Private Endpoints
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
> **Navngivning 2026-04:** Microsoft har omdøpt "Azure Cognitive Services" til **"Azure AI Foundry Tools"** (eller kortform "Foundry Tools") i dokumentasjonen. API-endepunkter, RBAC-roller og ARM-ressurstyper beholder "CognitiveServices" i identifikatoren. Alle nye dokumentasjonsreferanser bruker "Foundry Tools".
@ -602,6 +602,6 @@ Test-NetConnection -ComputerName 10.0.2.5 -Port 443
- NSG-støtte ikke tilgjengelig for AI Services (bekreftet via security baseline)
- Trusted services bypass med `networkAcls.bypass: "AzureServices"` (REST API-konfigurasjon)
**Sist verifisert:** 2026-02-03
**Sist verifisert:** 2026-06-19
**MCP calls:** 7 (microsoft_docs_search, microsoft_docs_fetch, microsoft_code_sample_search)
**Kilder:** 10 unike Microsoft Learn URLs

8
skills/ms-ai-engineering/references/azure-ai-services/ai-services-vs-foundry-tools-selection.md
View file

@ -1,6 +1,6 @@
# Azure AI Services vs Foundry Tools - Platform Selection Guide
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
**Category:** Azure AI Services (Foundry Tools)
@ -360,7 +360,7 @@ START: Hvilken AI-kapabilitet trenger du?
| Behov | Anbefalt plattform | Begrunnelse |
|-------|-------------------|-------------|
| **Standard formularer** (faktura, kvittering) | Document Intelligence (Foundry Tools) | Prebuilt models, høy nøyaktighet, confidence scores |
| **Komplekse dokumenter** (ustrukturert tekst, infererte felt) | Content Understanding (Foundry Tools) | Multimodal, generative fields, reasoning (preview) |
| **Komplekse dokumenter** (ustrukturert tekst, infererte felt) | Content Understanding (Foundry Tools) | Multimodal, generative fields, reasoning (GA: v1.0 / 2025-11-01) |
| **Custom workflow** (dokument → analyse → generering) | Azure AI Foundry (Document Intelligence + GPT-4o) | Full kontroll over pipeline |
**Confidence:** Høy (basert på "Choose the right tool for document processing" guide)
@ -722,5 +722,5 @@ START: Hvilken AI-kapabilitet trenger du?
---
**Sist verifisert:** 2026-02-03
**Neste review:** 2026-05 (ved nye Foundry-features eller prisendringer)
**Sist verifisert:** 2026-06-19
**Neste review:** 2026-09-19 (ved nye Foundry-features eller prisendringer)

10
skills/ms-ai-engineering/references/azure-ai-services/content-understanding-multimodal-analysis.md
View file

@ -1,6 +1,6 @@
# Content Understanding - Multimodal Analysis and Video Intelligence
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** Preview (GA for core features, Limited Access for face description)
**Category:** Azure AI Services (Foundry Tools)
@ -302,7 +302,7 @@ Content Understanding kan integreres som skill i Azure AI Search indexer pipelin
| **Image location metadata** | Ja (PDF only) | Ja (multi-format) | Ja (multi-format) |
| **Table extraction** | Nei | Nei | Ja (cross-page tables) |
| **Semantic chunking** | Nei (use Text Split skill) | Ja (paragraph boundaries) | Ja (semantic units) |
| **Supported formats** | PDF, images | PDF, DOCX, XLSX, PPTX | PDF, DOCX, XLSX, PPTX, video, audio |
| **Supported formats** | PDF, images | PDF, DOCX, XLSX, PPTX | PDF, DOCX, XLSX, PPTX |
| **Pricing** | AI Search pricing | Document Intelligence pricing | Content Understanding pricing |
**Når bruke Content Understanding skill:**
@ -572,8 +572,8 @@ Content Understanding er en **Azure Foundry Tools** tjeneste, inkludert i:
| Video overview, capabilities | https://learn.microsoft.com/en-us/azure/ai-services/content-understanding/video/overview | Verified (Feb 2026) |
| AudioVisual elements, JSON schema | https://learn.microsoft.com/en-us/azure/ai-services/content-understanding/video/elements | Verified (Feb 2026) |
| Video Indexer scene/shot/keyframe detection | https://learn.microsoft.com/en-us/azure/azure-video-indexer/scene-shot-keyframe-detection-insight | Verified (Feb 2026) |
| Standard vs. Pro modes | https://learn.microsoft.com/en-us/azure/ai-services/content-understanding/concepts/standard-pro-modes | Verified (Feb 2026) |
| Multimodal search (AI Search integration) | https://learn.microsoft.com/en-us/azure/search/multimodal-search-overview | Verified (Feb 2026) |
| Standard vs. Pro modes | https://learn.microsoft.com/en-us/azure/ai-services/content-understanding/concepts/standard-pro-modes | Verified (2026-06-19) |
| Multimodal search (AI Search integration) | https://learn.microsoft.com/en-us/azure/search/multimodal-search-overview | Verified (2026-06-19) |
| Azure AI Video Indexer insights overview | https://learn.microsoft.com/en-us/azure/azure-video-indexer/insights-overview | Verified (Feb 2026) |
| Python SDK (ContentUnderstandingClient) | https://learn.microsoft.com/en-us/python/api/overview/azure/ai-contentunderstanding-readme | Verified (Feb 2026) |
| Data privacy and security | https://learn.microsoft.com/en-us/azure/foundry/responsible-ai/content-understanding/data-privacy | Verified (Feb 2026) |
@ -597,4 +597,4 @@ Content Understanding er en **Azure Foundry Tools** tjeneste, inkludert i:
---
**Sist oppdatert av:** Cosmo Skyberg
**Neste review:** 2026-04 (eller ved ny GA release av Content Understanding)
**Neste review:** 2026-09-19 (eller ved ny GA release av Content Understanding)

2
skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-prebuilt-models.md
View file

@ -1,6 +1,6 @@
# Document Intelligence - Prebuilt Models for Forms and Invoices
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
> **Oppdatering 2026-04:** Azure AI Content Understanding er nå **fullt GA** og er anbefalt startpunkt for de fleste IDP-scenarier. Content Understanding dekker og utvider Document Intelligence-funksjonalitet med multimodal analyse. Velg Document Intelligence for spesifikke prebuilt-skjemaer (regnskap, ID-dokumenter, kvitteringer) der disse gir direkte verdi uten tilpasning. For generell dokumentanalyse og semantisk chunking — start med Content Understanding.

2
skills/ms-ai-engineering/references/azure-ai-services/language-services-text-analytics.md
View file

@ -1,6 +1,6 @@
# Language Services - Text Analytics for Sentiment and Key Phrases
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA (deler avvikles 2029-03-31)
> **ADVARSEL — TJENESTER AVVIKLES (2029-03-31):** Sentiment Analysis, Opinion Mining og Custom Text Classification avvikles 31. mars 2029. Migrer til Azure AI Foundry-modeller. PII Detection, Key Phrase Extraction og Language Detection er ikke berørt.

22
skills/ms-ai-engineering/references/azure-ai-services/speech-services-speech-to-text.md
View file

@ -1,6 +1,6 @@
# Speech Services - Speech-to-Text and Real-time Transcription
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
**Category:** Azure AI Services (Foundry Tools)
@ -21,7 +21,7 @@ Azure Speech to text er en kritisk byggesten i AI-løsninger som krever talegjen
| Modus | Bruksområde | Latens | Input | Output |
|-------|-------------|--------|-------|--------|
| **Real-time** | Live-lyd fra mikrofon/stream | ~sekunder (intermediate results) | Audio stream via SDK/REST | Tekst i real-time |
| **Fast transcription** | Raske transkripsjoner av filer | < real-time (synkron) | Lydfiler < 2 timer, < 300 MB | Display form (med punktum/caps) |
| **Fast transcription** | Raske transkripsjoner av filer | < real-time (synkron) | Lydfiler < 5 timer, < 500 MB | Display form (med punktum/caps) |
| **Batch transcription** | Store volumer prerecorded audio | Asynkron (30 min - 24 timer) | Flere filer via Blob Storage | JSON med lexical + display form |
### Custom Speech
@ -57,7 +57,7 @@ Fast transcription og real-time kan identifisere språk automatisk hvis du:
- Spesifiserer flere locales: `["en-US", "ja-JP"]` → tjenesten velger beste match
- Ikke spesifiserer locales: `[]` → multi-lingual model identifiserer og transkriberer kontinuerlig
**Multi-lingual transcription (preview):** Støtter 14 språk (de-DE, en-AU/CA/GB/IN/US, es-ES/MX, fr-CA/FR, it-IT, ja-JP, ko-KR, zh-CN) i én fil uten å spesifisere locale.
**Multi-lingual transcription (preview):** Støtter 15 språk (de-DE, en-AU/CA/GB/IN/US, es-ES/MX, fr-CA/FR, it-IT, ja-JP, ko-KR, pt-BR, zh-CN) i én fil uten å spesifisere locale.
### Phrase List
@ -77,7 +77,7 @@ Tilgjengelig i fast transcription (API version 2025-10-15).
- WAV, MP3, OPUS/OGG, FLAC, WMA, AAC, ALAW (WAV), MULAW (WAV), AMR, WebM, SPEEX
- Batch transcription: ubegrenset filstørrelse
- Fast transcription: < 2 timer, < 300 MB
- Fast transcription: < 5 timer, < 500 MB
- Real-time: streaming (ingen filstørrelsesbegrensning)
### Tilgangspunkter
@ -166,7 +166,7 @@ Tilgjengelig i fast transcription (API version 2025-10-15).
**Arkitektur:**
```
[Lydfil < 2h] → Fast Transcription API → Synkron respons
[Lydfil < 5h] → Fast Transcription API → Synkron respons
↓
JSON med display text
↓
@ -181,7 +181,7 @@ Tilgjengelig i fast transcription (API version 2025-10-15).
**Ulemper:**
- Kun display form (ikke lexical)
- Maksimalt 2 timer audio, 300 MB
- Maksimalt 5 timer audio, 500 MB
- Ikke egnet for store volumer (throttling)
**Når bruke:**
@ -199,7 +199,7 @@ Tilgjengelig i fast transcription (API version 2025-10-15).
|----------|------------|---------|
| Live webinar med captions | **Real-time** | Krever intermediate results og lav latens |
| 500 call center-opptak per dag | **Batch** | Asynkron, kostnadseffektiv, skalerer godt |
| Video editing med rask turnaround | **Fast** | Synkron, < 2h fil, raskere enn real-time |
| Video editing med rask turnaround | **Fast** | Synkron, < 5h fil, raskere enn real-time |
| IVR (interactive voice response) | **Real-time** | Må respondere umiddelbart på tale |
| Compliance-logging av møter | **Batch** | Ingen hastegrad, store volumer |
@ -353,7 +353,7 @@ Offentlige virksomheter må kunne:
|----------|------------|-----------|
| Bruk batch i stedet for real-time for prerecorded audio | 30-50% | Asynkron (ventetid) |
| Deaktiver custom endpoint for batch-bruk | ~$35/måned per modell | Kan ikke bruke custom model i real-time |
| Bruk fast transcription for < 2h filer | Raskere = mindre compute-kostnad | Kun display form |
| Bruk fast transcription for < 5h filer | Raskere = mindre compute-kostnad | Kun display form |
| Multi-region load balancing | Unngå throttling (indirekte besparelse) | Mer kompleks arkitektur |
| Audio compression (MP3 i stedet for WAV) | Mindre bandwidth-kostnad | Marginal besparelse |
@ -376,7 +376,7 @@ Offentlige virksomheter må kunne:
1. **"Trenger dere transkripsjon i real-time, eller kan dere vente minutter/timer?"**
- Real-time → Speech SDK + real-time API
- Kan vente → Fast transcription (< 2h) eller Batch (> 2h)
- Kan vente → Fast transcription (< 5h) eller Batch (> 5h)
2. **"Hvor mange timer audio prosesserer dere per måned, og hvor ofte?"**
- < 100 timer/måned → Real-time eller fast transcription
@ -434,7 +434,7 @@ Offentlige virksomheter må kunne:
#### Nivå 2: Pilot / MVP
- **Bruk:** Speech SDK i app/service
- **Modell:** Base model, test custom speech hvis WER > 10%
- **Modus:** Fast transcription for < 2h filer, batch for > 2h
- **Modus:** Fast transcription for < 5h filer, batch for > 5h
- **Fokus:** Implementer error handling, retry logic, cost tracking
#### Nivå 3: Production
@ -467,4 +467,4 @@ Offentlige virksomheter må kunne:
- Pricing: **Baseline** (veiledende, sjekk Azure Pricing Calculator for eksakte tall)
- Norwegian compliance (Forvaltningsloven, dialekter): **Baseline** (generell kunnskap, ikke Microsoft-spesifikk)
**Sist oppdatert:** 2026-02 (basert på Microsoft Learn documentation per februar 2026)
**Sist oppdatert:** 2026-06-19 (basert på Microsoft Learn documentation per juni 2026)

2
skills/ms-ai-engineering/references/azure-ai-services/speech-services-text-to-speech.md
View file

@ -1,6 +1,6 @@
# Speech Services - Text-to-Speech and Neural Voices
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
> **Status 2026-04:** Azure Neural TTS og Custom Neural Voice er begge bekreftet GA og aktivt vedlikeholdt. `nb-NO-PernilleNeural` og `nb-NO-FinnNeural` er de primære norske stemmene. Custom Neural Voice Pro tilbyr ytterligere tilpasning for enterprise-bruk.

2
skills/ms-ai-engineering/references/azure-ai-services/translator-custom-neural-models.md
View file

@ -1,6 +1,6 @@
# Translator Service - Custom Neural Translation Models
**Last updated:** 2026-02
**Last updated:** 2026-06-19
**Status:** GA
**Category:** Azure AI Services (Foundry Tools)

14
skills/ms-ai-engineering/references/azure-ai-services/translator-document-translation.md
View file

@ -1,6 +1,6 @@
# Translator Service - Document Translation and Multi-language Support
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA (General Availability) + Preview features
**Category:** Azure AI Services (Foundry Tools)
@ -50,9 +50,9 @@ En særlig nyhet (desember 2025) er støtte for bildefilformater i batch-overset
| **Multi-language docs** | ✅ | ❌ | Oversett dokumenter med flere språk i én operasjon |
| **Immediate response** | ❌ | ✅ | Translated dokument returneres direkte i svar |
### Oversettelse av bilder i Word-dokumenter (.docx)
### Oversettelse av bildetekst i Word- (.docx) og PowerPoint-filer (.pptx)
En spesialisert funksjon (API-versjon 2024-11-01-preview) som krever:
En spesialisert funksjon (tilgjengelig via batch document translation-API) som krever:
- Azure AI Services **multi-service resource** (ikke standalone Translator)
- Enable parameter: `"translateTextWithinImage": true` i `options`-feltet
- Tilleggskostnad basert på Azure Vision-prising
@ -350,19 +350,19 @@ General translation Domain-specific terms
1. **Document Translation Overview**
https://learn.microsoft.com/azure/ai-services/translator/document-translation/overview
*Confidence: Verified (2026-02)* — Kjernefeatures, formater, data residency
*Confidence: Verified (2026-06-19)* — Kjernefeatures, formater, data residency
2. **Use Document Translation APIs Programmatically**
https://learn.microsoft.com/azure/ai-services/translator/document-translation/how-to-guides/use-rest-api-programmatically
*Confidence: Verified (2026-02)* — REST API, batch-oversettelse, SAS tokens, kodeeksempler
*Confidence: Verified (2026-06-19)* — REST API, batch-oversettelse, SAS tokens, kodeeksempler
3. **Azure Translator Overview**
https://learn.microsoft.com/azure/ai-services/translator/overview
*Confidence: Verified (2026-02)* — Comparison matrix (text vs. document), feature roadmap
*Confidence: Verified (2026-06-19)* — Comparison matrix (text vs. document), feature roadmap
4. **Image Translation Preview (December 2025)**
https://learn.microsoft.com/azure/ai-services/translator/document-translation/reference/start-batch-translation#translate-image-files
*Confidence: Verified (2026-02)* — Ny funksjonalitet for bildeformater
*Confidence: Verified (2026-06-19)* — Ny funksjonalitet for bildeformater
5. **Service Limits**
https://learn.microsoft.com/azure/ai-services/translator/service-limits#document-translation

6
skills/ms-ai-engineering/references/mlops-genaiops/ab-testing-llm-applications.md
View file

@ -1,13 +1,13 @@
# A/B Testing and Experimentation for AI Models
**Last updated:** 2026-04
**Verified:** MCP 2026-04
**Last updated:** 2026-06-19
**Verified:** MCP 2026-06-19
**Status:** GA
**Category:** MLOps & GenAIOps
---
**Verified:** MCP 2026-04
**Verified:** MCP 2026-06-19
## Introduksjon

4
skills/ms-ai-engineering/references/mlops-genaiops/automated-retraining-pipelines.md
View file

@ -1,6 +1,6 @@
# Automated Retraining Pipelines and Scheduling
**Last updated:** 2026-02
**Last updated:** 2026-06-19
**Status:** GA
**Category:** MLOps & GenAIOps
@ -696,4 +696,4 @@ START: Trenger dere automatisert retraining?
---
*Denne filen er generert av Cosmo Skyberg, Microsoft AI Solution Architect, som del av AI Architect Plugin kunnskapsbase. Sist oppdatert: 2026-02-04.*
*Denne filen er generert av Cosmo Skyberg, Microsoft AI Solution Architect, som del av AI Architect Plugin kunnskapsbase. Sist oppdatert: 2026-06-19.*

2
skills/ms-ai-engineering/references/mlops-genaiops/ci-cd-for-ml-models.md
View file

@ -1,6 +1,6 @@
# CI/CD Pipelines for Machine Learning Models
**Last updated:** 2026-04
**Last updated:** 2026-06-19
**Status:** GA
**Category:** MLOps & GenAIOps

4
skills/ms-ai-engineering/references/mlops-genaiops/genaiops-llm-specific-practices.md
View file

@ -1,13 +1,13 @@
# GenAIOps - LLM-Specific MLOps Practices
**Dato:** 2026-02-04
**Last updated:** 2026-04
**Last updated:** 2026-06-19
**Kategori:** MLOps & GenAIOps
**Konfidensgrad:** Høy (basert på 18 MCP-kilder fra Microsoft Learn)
---
> **⚠️ Retirement 2027-04-20 (verifisert 2026-06-18):** Prompt Flow (Microsoft Foundry + Azure ML) pensjoneres 20. april 2027 og anbefales ikke for ny utvikling — migrer til **Microsoft Agent Framework (MAF)**. Referanser til Prompt Flow nedenfor gjelder eksisterende løsninger frem til fristen; nye GenAIOps-pipelines bør bygge på MAF. [Migrasjonsguide](https://learn.microsoft.com/azure/machine-learning/prompt-flow/migrate-prompt-flow-to-agent-framework?view=azureml-api-2).
> **⚠️ Retirement 2027-04-20 (verifisert 2026-06-19):** Prompt Flow (Microsoft Foundry + Azure ML) pensjoneres 20. april 2027 og anbefales ikke for ny utvikling — migrer til **Microsoft Agent Framework (MAF)**. Referanser til Prompt Flow nedenfor gjelder eksisterende løsninger frem til fristen; nye GenAIOps-pipelines bør bygge på MAF. [Migrasjonsguide](https://learn.microsoft.com/azure/machine-learning/prompt-flow/migrate-prompt-flow-to-agent-framework?view=azureml-api-2).
## Introduksjon

4
skills/ms-ai-engineering/references/mlops-genaiops/inferencing-optimization-caching.md
View file

@ -1,10 +1,10 @@
# Inferencing Optimization and Caching
**Kategori:** MLOps & GenAIOps
**Dato:** 2026-04
**Dato:** 2026-06-19
**Forfattet av:** Cosmo Skyberg, Senior Microsoft AI Solution Architect
**Verified:** MCP 2026-04
**Verified:** MCP 2026-06-19
## Introduksjon

12
skills/ms-ai-engineering/references/mlops-genaiops/infrastructure-as-code-mlops.md
View file

@ -1,10 +1,10 @@
# Infrastructure as Code for MLOps
**Dato:** 2026-04
**Dato:** 2026-06-19
**Kategori:** MLOps & GenAIOps
**Forfatter:** Cosmo Skyberg, Senior Microsoft AI Solution Architect
**Verified:** MCP 2026-04
**Verified:** MCP 2026-06-19
## Introduksjon
@ -864,7 +864,7 @@ terraform {
## Kilder og verifisering
Denne kunnskapsreferansen er basert på følgende verifiserte kilder (hentet 2026-04):
Denne kunnskapsreferansen er basert på følgende verifiserte kilder (hentet 2026-06-19):
1. **Microsoft Learn - What is Infrastructure as Code (IaC)?**
- URL: https://learn.microsoft.com/devops/deliver/what-is-infrastructure-as-code
@ -921,7 +921,7 @@ Denne kunnskapsreferansen er basert på følgende verifiserte kilder (hentet 202
- **microsoft_docs_fetch calls:** 3
- **microsoft_code_sample_search calls:** 1
- **Total sources:** 10
- **Dato for research:** 2026-04
- **Dato for research:** 2026-06-19
**Confidence levels:**
- VERY_HIGH: Offisiell Microsoft-dokumentasjon, verifiserte code samples
@ -932,5 +932,5 @@ Alle kodeeksempler er hentet fra official Microsoft Learn eller GitHub repos und
---
**Oppdatert:** 2026-04
**Neste review:** 2026-07-04 (eller når Azure ML API major version oppdateres)
**Oppdatert:** 2026-06-19
**Neste review:** 2026-09-19 (eller når Azure ML API major version oppdateres)

10
skills/ms-ai-engineering/references/mlops-genaiops/llm-evaluation-production.md
View file

@ -1,12 +1,12 @@
# LLM Evaluation in Production Contexts
**Kategori:** MLOps & GenAIOps
**Sist oppdatert:** 2026-04
**Sist oppdatert:** 2026-06-19
**Confidence:** High (basert på offisiell Microsoft dokumentasjon, Azure AI Foundry SDK, og MLflow 3)
---
**Verified:** MCP 2026-04
**Verified:** MCP 2026-06-19
## Introduksjon
@ -1065,7 +1065,7 @@ Production evaluation er ikke komplett uten human review loop. Anbefal:
[Observability in generative AI - Azure AI Foundry](https://learn.microsoft.com/en-us/azure/foundry/concepts/observability) – High-level GenAIOps lifecycle og evaluator taxonomy
5. **Model Monitoring for Generative AI:**
[Model monitoring for generative AI applications (preview)](https://learn.microsoft.com/en-us/azure/machine-learning/prompt-flow/how-to-monitor-generative-ai-applications) – Azure ML Prompt Flow monitoring approach
[Model monitoring for generative AI applications (preview)](https://learn.microsoft.com/en-us/azure/machine-learning/prompt-flow/how-to-monitor-generative-ai-applications) – Azure ML Prompt Flow monitoring approach. **NB (MCP 2026-06-19):** Prompt Flow pensjoneres 2027-04-20 (migrer til Microsoft Agent Framework); monitoring-tilnærmingen er fortsatt gyldig for eksisterende flows frem til fristen.
6. **Azure AI Evaluation Python SDK Reference:**
[Azure AI Evaluation client library for Python](https://learn.microsoft.com/en-us/python/api/overview/azure/ai-evaluation-readme) – API docs for all built-in evaluators
@ -1111,9 +1111,9 @@ Dette området utvikler seg raskt. Anbefalt re-verification:
- **Bi-annually:** SDK APIs og evaluator availability (new evaluators released frequently)
- **Annually:** Compliance requirements (AI Act implementation guidance evolves)
**Siste research-dato:** 2026-02-04
**Siste research-dato:** 2026-06-19
**Kilder brukt:** 7 Microsoft Learn articles, 15 code samples, Azure AI Evaluation SDK v1.14.0
---
*Denne kunnskapsreferansen er sist oppdatert 2026-02-04 av Cosmo Skyberg, Microsoft AI Solution Architect.*
*Denne kunnskapsreferansen er sist oppdatert 2026-06-19 av Cosmo Skyberg, Microsoft AI Solution Architect.*

8
skills/ms-ai-engineering/references/mlops-genaiops/mlops-fundamentals-overview.md
View file

@ -1,13 +1,13 @@
# MLOps Fundamentals - Lifecycle and Principles
**Last updated:** 2026-04
**Verified:** MCP 2026-04
**Last updated:** 2026-06-19
**Verified:** MCP 2026-06-19
**Status:** GA
**Category:** MLOps & GenAIOps
---
**Verified:** MCP 2026-04
**Verified:** MCP 2026-06-19
## Introduksjon
@ -504,5 +504,5 @@ Er dette en POC?
### Sist verifisert
Alle kilder verifisert via `microsoft-learn` MCP-server **2026-04**.
Alle kilder verifisert via `microsoft-learn` MCP-server **2026-06-19**.
Azure ML dokumentasjon gjelder **API v2 (current)** med mindre annet er nevnt.

10
skills/ms-ai-engineering/references/mlops-genaiops/mlops-security-access-control.md
View file

@ -1,8 +1,8 @@
# Security and Access Control in MLOps
**Kategori:** MLOps & GenAIOps
**Last updated:** 2026-04
**Dato:** 2026-04-10
**Last updated:** 2026-06-19
**Dato:** 2026-06-19
**Confidence:** HIGH — Basert på offisiell Microsoft Learn dokumentasjon (8 MCP-oppslag, 16 kilder)
---
@ -738,10 +738,10 @@ AmlComputeClusterNodeEvent
6. [Configure a private endpoint for an Azure Machine Learning workspace](https://learn.microsoft.com/en-us/azure/machine-learning/how-to-configure-private-link?view=azureml-api-2)
7. [Secure an Azure Machine Learning workspace with virtual networks](https://learn.microsoft.com/en-us/azure/machine-learning/how-to-secure-workspace-vnet?view=azureml-api-2)
8. [Data encryption with Azure Machine Learning](https://learn.microsoft.com/en-us/azure/machine-learning/concept-data-encryption?view=azureml-api-2)
(Verified MCP 2026-04 — Key updates: Azure Data Lake Storage Gen1 retired 2024-02-29; Azure Database for PostgreSQL Single Server retired 2025-03-28; Azure Database for MySQL Single Server retired 2024-09-16. Use Gen2 / Flexible Server variants.)
(Verified MCP 2026-06-19 — Key updates: Azure Data Lake Storage Gen1 retired 2024-02-29; Azure Database for PostgreSQL Single Server retired 2025-03-28; Azure Database for MySQL Single Server retired 2024-09-16. Use Gen2 / Flexible Server variants.)
**Sist verifisert:** 2026-04-10
**Neste review:** Q3 2026 (ved nye identity/network features i Azure ML)
**Sist verifisert:** 2026-06-19
**Neste review:** 2026-09-19 (ved nye identity/network features i Azure ML)
---

22
skills/ms-ai-engineering/references/mlops-genaiops/mlops-teams-collaboration-tools.md
View file

@ -1,11 +1,11 @@
# MLOps Team Collaboration and Tools Integration
**Kategori:** MLOps & GenAIOps
**Sist oppdatert:** 2026-04
**Sist oppdatert:** 2026-06-19
**Kilde:** Microsoft Learn, Azure Architecture Center
**Konfidensgradering:** ⭐⭐⭐⭐⭐ (Verifisert mot offisiell Microsoft-dokumentasjon)
**Verified:** MCP 2026-04
**Verified:** MCP 2026-06-19
## Introduksjon
@ -146,7 +146,7 @@ Azure DevOps provides end-to-end project management for ML teams:
- `azure/login@v2` + `az ml job create` pattern
- MLOps v2 solution accelerator: `Azure/mlops-v2-gha-demo`
**Databricks CI/CD best practices (Verified MCP 2026-04)**:
**Databricks CI/CD best practices (Verified MCP 2026-06-19)**:
- Feature branching with short-lived branches (Gitflow aligned with dev/staging/prod environments)
- Automated notebook testing before merge (bundle validate + pytest/ScalaTest)
- MLflow experiment tracking integrated into PR workflows
@ -677,13 +677,13 @@ Databricks MLOps Stacks demonstrerer best practice for multi-team collaboration:
3. **What is Azure DevOps?**
URL: https://learn.microsoft.com/en-us/azure/devops/user-guide/what-is-azure-devops
Hentet: 2026-04-10
Relevans: Azure Boards capabilities, team collaboration features (Verified MCP 2026-04 — new: Azure DevOps MCP Server for natural language project management queries, AI-Enhanced management with Copilot integration)
Hentet: 2026-06-19
Relevans: Azure Boards capabilities, team collaboration features (Verified MCP 2026-06-19 — new: Azure DevOps MCP Server for natural language project management queries, AI-Enhanced management with Copilot integration)
4. **Best Practices and Recommended CI/CD Workflows on Databricks**
URL: https://learn.microsoft.com/en-us/azure/databricks/dev-tools/ci-cd/best-practices
Hentet: 2026-04-10
Relevans: MLOps Stacks team collaboration table (Verified MCP 2026-04 — now covers Declarative Automation Bundles, workload identity federation for auth, SQL and dashboard CI/CD workflows)
4. **CI/CD workflows on Databricks**
URL: https://learn.microsoft.com/en-us/azure/databricks/dev-tools/ci-cd/flows
Hentet: 2026-06-19
Relevans: MLOps Stacks team collaboration table (Verified MCP 2026-06-19 — `dev-tools/ci-cd/best-practices` ble flyttet til `dev-tools/ci-cd/flows`; siden dekker Declarative Automation Bundles, workload identity federation for auth, SQL and dashboard CI/CD workflows)
5. **Set up MLOps with Azure DevOps**
URL: https://learn.microsoft.com/en-us/azure/machine-learning/how-to-setup-mlops-azureml
@ -692,8 +692,8 @@ Databricks MLOps Stacks demonstrerer best practice for multi-team collaboration:
6. **Use GitHub Actions with Azure Machine Learning**
URL: https://learn.microsoft.com/en-us/azure/machine-learning/how-to-github-actions-machine-learning
Hentet: 2026-04-10
Relevans: GitHub Actions integration patterns (Verified MCP 2026-04 — OIDC recommended with Entra app or user-assigned managed identity)
Hentet: 2026-06-19
Relevans: GitHub Actions integration patterns (Verified MCP 2026-06-19 — OIDC recommended with Entra app or user-assigned managed identity)
7. **MLOps Workflows on Azure Databricks**
URL: https://learn.microsoft.com/en-us/azure/databricks/machine-learning/mlops/mlops-workflow

8
skills/ms-ai-engineering/references/mlops-genaiops/model-evaluation-frameworks.md
View file

@ -1,13 +1,13 @@
# Model Evaluation Frameworks and Metrics
**Last updated:** 2026-04
**Verified:** MCP 2026-04
**Last updated:** 2026-06-19
**Verified:** MCP 2026-06-19
**Status:** GA
**Category:** MLOps & GenAIOps
---
**Verified:** MCP 2026-04
**Verified:** MCP 2026-06-19
## Introduksjon
@ -296,6 +296,8 @@ Microsoft validerer judge quality gjennom:
### Azure Machine Learning Prompt Flow
> **Retirement 2027-04-20 (verifisert MCP 2026-06-19):** Prompt Flow (Microsoft Foundry + Azure ML) pensjoneres 20. april 2027 og anbefales ikke for ny utvikling — migrer til Microsoft Agent Framework (MAF). Evaluation flows beskrevet under er fortsatt gyldige for eksisterende løsninger frem til fristen.
- **Evaluation flows** → Custom evaluation logic (Python nodes, LLM nodes).
- **Batch run evaluation** → Kjør flow mot dataset, samle scores.
- **Metrics visualization** → Compare runs, track improvements.

5
skills/ms-ai-engineering/references/mlops-genaiops/prompt-flow-production-deployment.md
View file

@ -2,11 +2,12 @@
**Kategori:** MLOps & GenAIOps
**Dato:** 2026-02-04
**Last updated:** 2026-06-19
**Confidence:** 🟢 Høy (basert på offisiell Microsoft-dokumentasjon fra Azure AI Foundry og Azure Machine Learning)
---
> **⚠️ Retirement (verifisert mot Microsoft Learn 2026-06-18):** Prompt Flow — i **både Microsoft Foundry og Azure Machine Learning** — pensjoneres **20. april 2027** og anbefales ikke for ny utvikling. Migrer eksisterende flows og deployments til **Microsoft Agent Framework (MAF)** før fristen. Web authoring-opplevelsen (Foundry + Azure ML), VS Code-utvidelsene og Prompt Flow container images (`promptflow-runtime`, `promptflow-runtime-stable`, `promptflow-python`) får ikke lenger oppdateringer, inkludert sikkerhetsoppdateringer. [Migrasjonsguide](https://learn.microsoft.com/azure/machine-learning/prompt-flow/migrate-prompt-flow-to-agent-framework?view=azureml-api-2). Innholdet under beskriver fortsatt gjeldende Prompt Flow-praksis for eksisterende løsninger frem til fristen.
> **⚠️ Retirement (verifisert mot Microsoft Learn 2026-06-19):** Prompt Flow — i **både Microsoft Foundry og Azure Machine Learning** — pensjoneres **20. april 2027** og anbefales ikke for ny utvikling. Migrer eksisterende flows og deployments til **Microsoft Agent Framework (MAF)** før fristen. Web authoring-opplevelsen (Foundry + Azure ML), VS Code-utvidelsene og Prompt Flow container images (`promptflow-runtime`, `promptflow-runtime-stable`, `promptflow-python`) får ikke lenger oppdateringer, inkludert sikkerhetsoppdateringer. [Migrasjonsguide](https://learn.microsoft.com/azure/machine-learning/prompt-flow/migrate-prompt-flow-to-agent-framework?view=azureml-api-2). Innholdet under beskriver fortsatt gjeldende Prompt Flow-praksis for eksisterende løsninger frem til fristen.
## Introduksjon
@ -659,4 +660,4 @@ Er dette første gang kunden deployer LLM-basert app?
- [GenAIOps Prompt Flow Template](https://github.com/microsoft/genaiops-promptflow-template) – Reference implementation for CI/CD
- [Prompt Flow SDK Examples](https://github.com/Azure/azureml-examples/tree/main/cli/generative-ai/promptflow) – Code samples for deployment automation
**Verifisert:** 2026-02-04 via microsoft-learn MCP server (søk + fetch på 5 offisielle docs)
**Verifisert:** 2026-06-19 via microsoft-learn MCP server (søk + fetch på 5 offisielle docs)

44
skills/ms-ai-engineering/references/rag-architecture/agentic-rag-patterns.md
View file

@ -1,7 +1,7 @@
# Agentic RAG Patterns — Agent-styrt retrieval
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Status:** GA (Semantic Kernel); Azure AI Search agentic retrieval **delvis GA** (verifisert 2026-06-18) — minimal/ekstraktiv retrieval er GA via REST `2026-04-01`, mens LLM query planning + answer synthesis er preview (`2026-05-01-preview`)
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA (Semantic Kernel); Azure AI Search agentic retrieval **delvis GA via REST `2026-04-01`** (verifisert 2026-06-19) — GA-overflaten returnerer ekstraktiv grounding-data (`activity` + `references`), ikke syntetiserte svar, med GA-kildetypene `searchIndex`/`azureBlob`/`indexedOneLake`/`web`. **Answer synthesis, ikke-minimal reasoning effort (LLM query planning på low/medium) og multi-turn messages forblir preview (`2026-05-01-preview`).** Azure- og Foundry-portalen gir kun preview-tilgang til agentic retrieval
**Category:** RAG Architecture & Semantic Search
---
@ -36,10 +36,10 @@ Loop:
### Azure AI Search agentic retrieval — 4-stegs prosess
1. **Workflow initiation:** App sender query + konversasjonshistorikk til knowledge base
2. **Query planning:** LLM dekomponerer kompleks query i fokuserte subqueries
3. **Query execution:** Subqueries kjøres parallelt med semantic reranking per subquery
4. **Result synthesis:** 3-delt respons: Grounding Data + Reference Data + Activity Plan
1. **Workflow initiation:** App sender query + konversasjonshistorikk til knowledge base (med en retrieve action)
2. **Query planning:** Ved `low`/`medium` reasoning effort dekomponerer LLM-en kompleks query i fokuserte subqueries; ved `minimal` effort hoppes dette over og queries sendes direkte til knowledge sources (default er `low`)
3. **Query execution:** Subqueries kjøres parallelt (keyword, vector eller hybrid) med semantisk reranking per subquery
4. **Result synthesis:** Merged content returneres alltid; source references og activity log er valgfrie
### Sammenligning: Klassisk RAG vs. Agentic Retrieval
@ -138,14 +138,16 @@ agent = chat_client.as_agent(
- Built-in semantic reranking per subquery
- 3-delt response med grounding + citations + activity plan
**Begrensninger (verifisert 2026-06-18):**
- **Delt GA-/preview-overflate:** REST `2026-04-01` (stabil/GA) gir kun minimal, ekstraktiv retrieval. **LLM query planning og answer synthesis** (beskrevet over) krever **preview** (`2026-05-01-preview`) — Azure- og Foundry-portalen bruker preview-versjonen.
- **Knowledge bases / multi-source:** GA (`2026-04-01`) støtter flere kilder i én knowledge base, men kun GA-kildetyper (`searchIndex`, `azureBlob`, `indexedOneLake`, `web`). SharePoint, Azure SQL, Fabric og MCP server er fortsatt preview.
- Krever semantic ranker (S1+ tier)
**Begrensninger (verifisert 2026-06-19):**
- **Delvis GA, resten preview:** GA via REST `2026-04-01` returnerer ekstraktiv grounding-data (`activity` + `references`), ikke syntetiserte svar — knowledge base i 2026-04-01 dropper answer-generation-innstillinger. **Answer synthesis, ikke-minimal reasoning effort (LLM query planning på low/medium) og multi-turn messages forblir preview (`2026-05-01-preview`).** Azure- og Foundry-portalen gir kun preview-tilgang til agentic retrieval.
- **Knowledge bases / multi-source:** Én knowledge base kan samle flere knowledge sources (indexed eller remote). Tilgjengelig i utvalgte regioner; grenser varierer med pristier og reasoning effort.
- Bruker semantic ranker internt (L2-reranking) i pipelinen
**Prising:**
- Free tier: 50M agentic reasoning tokens/mnd
- Standard: Token-basert ($0.022/token)
- Free plan (default): månedlig gratis token-kvote
- Standard plan: pay-as-you-go etter at gratis-kvoten er brukt opp
- Azure OpenAI faktureres separat (pay-as-you-go) for query planning + answer synthesis
- (Eksakte token-priser: se plugins deterministiske kostnadsmodell — `deterministic-cost-calculation-model.md`)
**Anbefalt for:** Teams som vil ha agentic RAG uten custom infrastruktur.
@ -200,7 +202,7 @@ agent = chat_client.as_agent(
| Tjeneste | Integrasjonspunkt |
|----------|-------------------|
| **Azure AI Search** | Agentic retrieval (delvis GA — REST `2026-04-01`; LLM-planning preview), vector store, hybrid search |
| **Azure AI Search** | Agentic retrieval (delvis GA via REST `2026-04-01` — ekstraktiv grounding; answer synthesis/non-minimal reasoning/multi-turn = preview; portal/Foundry preview), vector store, hybrid search |
| **Semantic Kernel** | TextSearchProvider, agent orchestration patterns |
| **Microsoft Agent Framework** | VectorStore bridge, tool-basert RAG |
| **Azure AI Foundry** | Prompt Flow (pensjoneres 2027-04-20 → MAF) for visual DAG orchestration |
@ -261,7 +263,7 @@ agent = chat_client.as_agent(
### Fallgruver
- **Agentic for alt:** Single-query RAG dekker 70% av use cases — start der
- **GA-/preview-split:** Minimal agentic retrieval er GA (REST `2026-04-01`); LLM query planning + answer synthesis er fortsatt preview (`2026-05-01-preview`) — ha fallback hvis løsningen avhenger av preview-funksjonene
- **Delvis GA via REST vs. preview:** GA-overflaten (`2026-04-01`) gir ekstraktiv grounding-data, ikke syntetiserte svar — bygg på REST-API-et for produksjon. Avhenger løsningen av answer synthesis, ikke-minimal reasoning effort (LLM query planning) eller multi-turn messages, krever det fortsatt preview-API (`2026-05-01-preview`); ha fallback. Azure-/Foundry-portalen gir kun preview-tilgang
- **Agent-explosion:** For mange spesialist-agenter = uforutsigbar oppførsel
### Anbefalinger per modenhetsnivå
@ -287,9 +289,9 @@ agent = chat_client.as_agent(
| Multi-agent performance (34% accuracy) | **Baseline** | Community source (ragaboutit.com) |
### Azure AI Search Agentic Retrieval (delvis GA — oppdatert 2026-06-18)
### Azure AI Search Agentic Retrieval (delvis GA via REST `2026-04-01` — oppdatert 2026-06-19)
> Minimal, ekstraktiv retrieval er **GA** (REST `2026-04-01`). Funksjonaliteten under — LLM-drevet query planning, subquery-nedbryting og answer synthesis — krever **preview** (`2026-05-01-preview`).
> GA via REST `2026-04-01` returnerer **ekstraktiv grounding-data** (`activity` + `references`), ikke syntetiserte svar. **Answer synthesis, ikke-minimal reasoning effort (LLM-drevet query planning på low/medium) og multi-turn messages forblir preview (`2026-05-01-preview`).** Azure- og Foundry-portalen gir kun **preview**-tilgang til agentic retrieval. Agentic retrieval driver også **Foundry IQ** i Foundry-portalen.
Azure AI Search agentic retrieval er en managed multi-query pipeline for komplekse spørsmål i chat og copilot-apper:
@ -299,12 +301,12 @@ Azure AI Search agentic retrieval er en managed multi-query pipeline for komplek
- Resultater slås sammen til ett grounding data-sett med query plan og source documents
- Leser inn chat history for kontekstuell query planning
**Prising:**
- Free plan: **50 millioner gratis reasoning tokens/mnd** (alle tiers)
- Standard plan: pay-as-you-go etter fri kvote
- Avhenger av semantic ranker (premium feature)
**Prising (to tjenester faktureres):**
- Azure AI Search: retrieval-tokens for subquery-eksekvering + semantic ranking. Free plan (default) gir en månedlig gratis token-kvote; standard plan gir pay-as-you-go etter kvoten.
- Azure OpenAI: input/output-tokens for LLM query planning + answer synthesis (alltid pay-as-you-go, basert på modellen knytt til knowledge base).
- (Eksakte priser: se `deterministic-cost-calculation-model.md`)
**Arkitektur:** Knowledge Base + Knowledge Source(s) + Azure OpenAI LLM + Azure AI Search index
**Arkitektur:** Knowledge Base + Knowledge Source(s) + Azure OpenAI LLM + Azure AI Search index (med semantic configuration)
**AI Agent Design Patterns (Azure Architecture Center):**
Agentic RAG plasseres i et spektrum fra single model call → single agent with tools → multi-agent orchestration. Start med laveste nødvendige kompleksitetsnivå. Mønstre: sequential (pipeline), parallel fanout, supervisor, og autonomous loop. Multi-agent krever koordineringsoverhead og økt latency — bruk kun når single-agent RAG ikke er tilstrekkelig.

28
skills/ms-ai-engineering/references/rag-architecture/azure-ai-search-setup.md
View file

@ -1,6 +1,6 @@
# Azure AI Search - Configuration and Deployment
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
**Category:** RAG Architecture & Semantic Search
@ -20,23 +20,23 @@ For offentlig sektor er Azure AI Search spesielt relevant fordi den støtter dat
| Tier | Bruksområde | Maks dokumenter | Maks indekser | Semantic Ranker | Vector Search | Estimert kostnad (NOK/mnd) |
|------|-------------|-----------------|---------------|-----------------|---------------|----------------------------|
| **Free** | Prototyping | 10 000 | 3 | Nei | Begrenset | Gratis (0) |
| **Basic** | Små prod-miljøer | 15M | 15 | Nei | Ja | ~800 |
| **Free** | Prototyping | 10 000 | 3 | Ja (gratis kvote, ikke anbefalt for store workloads) | Begrenset | Gratis (0) |
| **Basic** | Små prod-miljøer | 15M | 15 | Ja | Ja | ~800 |
| **Standard (S1)** | Mid-tier prod | 60M per partition | 50 | Ja | Ja | ~4 000 |
| **Standard (S2)** | Høy-volum prod | 120M per partition | 200 | Ja | Ja | ~8 000 |
| **Standard (S3)** | Enterprise-scale | 240M per partition | 200 | Ja | Ja | ~16 000 |
| **Storage Optimized (L1/L2)** | Arkivering, cold search | 120M/240M per partition | 10 | Nei | Ja | ~11 000 / ~22 000 |
| **Storage Optimized (L1/L2)** | Arkivering, cold search | 120M/240M per partition | 10 | Ja | Ja | ~11 000 / ~22 000 |
**Viktige egenskaper:**
- **Partitions:** Øker lagringskapasitet og parallellitet (horizontal scaling)
- **Replicas:** Øker throughput og tilgjengelighet (query load balancing)
- **SLA:** 99.9% for 2+ replicas (query), 99.9% for 3+ replicas (indexing + query)
- **Semantic Ranker:** Kun Standard og høyere (S1+)
- **Private Link:** Standard (S1+), Storage Optimized
- **SLA:** 99.9% for 2+ replicas (query), 99.9% for 3+ replicas (indexing + query). Basic kan møte SLA-krav med opptil 3 replicas.
- **Semantic Ranker:** Tilgjengelig på alle tiers (også Free) — gratis månedlig kvote (default) + standard pay-as-you-go-plan ved bruk utover kvoten. Premium-feature billet per bruk; ikke anbefalt på Free for store workloads.
- **Private Link (inbound):** Ikke på Free. Indexer-utgående tilkoblinger med skillsets støttes ikke på Free, Basic, S1 eller S3 HD.
> **SKU-oppdatering 2026-04:** Search services opprettet etter 3. april 2024 har større partisjoner og høyere vector kvoter på nesten alle tiers. Basic støtter 3 replicas for SLA. Standard (S1-S3) er standard valg. S3 HD er hosting mode for mange små indekser (multitenancy). Storage Optimized (L1/L2) gir lavere pris/TB for sjeldent oppdaterte, store indekser — med høyere query latency. Tier-bytte er nå mulig mellom Basic og Standard (S1/S2/S3) uten å gjenoppbygge indeksen fra scratch i mange tilfeller.
> **SKU-oppdatering 2026-06:** Search services opprettet etter april 2024 (med en andre bølge i mai 2024) i utvalgte regioner har større partisjoner og høyere vector-kvoter på samme billing-rate. Basic støtter opptil 3 replicas for SLA. Standard (S1-S3) er default-valget. S3 HD er en hosting mode for mange små indekser (multitenancy), med samme per-enhet-kostnad som S3. Storage Optimized (L1/L2) gir lavere pris/TB for sjeldent oppdaterte, store indekser — med høyere query latency. Tier-bytte (in-place) støttes mellom Basic og Standard (S1/S2/S3), forutsatt at gjeldende konfigurasjon ikke overstiger målet-tierens grenser og regionen ikke har kapasitetsbegrensninger. Bytte til/fra andre tiers (Free, L1/L2, S3 HD) krever ny service + migrering av innhold. **Serverless (Developer)** er en ny consumption-basert prismodell i Public Preview (CU/h + GB/mnd), kun i utvalgte regioner — støtter ikke migrering til/fra andre tiers.
### Indekseringsstrategier
@ -188,7 +188,7 @@ Azure AI Search støtter tre indekseringsmodeller:
|------|------------|-------------------|
| "Vi trenger S3 for å være sikre" | 4x kostnad vs. S1 uten reell gevinst | Start med S1, skaler opp ved faktisk behov |
| Bruke 1 replica i prod | Ingen SLA, downtime ved maintenance | Alltid 2+ replicas for prod (query SLA) |
| Bruke Basic tier for RAG | Ingen semantic ranker → dårlig relevance | S1 minimum for RAG med semantic ranker |
| Anta at Basic mangler semantic ranker | Feilaktig nedprioritering av relevans | Basic støtter semantic ranker; velg S1+ for prod-skala/SLA, ikke for å få selve feature-en |
| Ignorere partition-grense | Query-timeout ved >60M docs på S1 | Øk partitions, ikke bare replicas |
| Push API uten rate limiting | Throttling (429 errors) | Bruk batch indexing eller indexer-pipeline |
@ -198,7 +198,7 @@ Azure AI Search støtter tre indekseringsmodeller:
2. **"Vi skal indeksere 500M dokumenter":** S3 HD (high density) eller vurder sharding til flere services.
3. **"Vi vil ha vector search uten full-text":** Mulig, men dårlig idé — hybrid search er nesten alltid bedre.
4. **"Vi trenger real-time sync (<1 sek)":** Push API mulig, men komplekst. Vurder om eventual consistency (5-10 sek) er akseptabelt.
5. **"Kan vi bruke Free tier i prod?":** Nei. Ingen SLA, maksimalt 10K docs, ingen semantic ranker.
5. **"Kan vi bruke Free tier i prod?":** Nei. Ingen SLA, maksimalt 10K docs, delte ressurser (semantic ranker kjører, men ikke anbefalt for store workloads), kun én Free-service per subscription.
## Integrasjon med Microsoft-stakken
@ -417,9 +417,9 @@ Azure AI Search prises per **search unit** (SU = 1 partition × 1 replica).
- 1 replica = ingen SLA (maintenance = downtime)
- Prod krever minimum 2 replicas (query) eller 3 replicas (indexing + query)
3. **Bruke Basic tier med semantic ranker-forventning:**
- Basic støtter ikke semantic ranker
- S1 er minimum for RAG med god relevance
3. **Velge tier kun ut fra semantic ranker-tilgang:**
- Semantic ranker er tilgjengelig på alle tiers (også Basic og Free)
- Velg S1+ ut fra dokumentvolum, query-throughput og SLA — ikke for å låse opp semantic ranker
4. **Push API uten retry logic:**
- AI Search throttler ved >1000 docs/batch
@ -470,7 +470,7 @@ Azure AI Search prises per **search unit** (SU = 1 partition × 1 replica).
**For Cosmo:** Denne referansen brukes når kunden snakker om "RAG-implementasjon", "søkeløsning", "Azure AI Search setup", eller spør om SKU-valg. Kombiner med **RAG Core Patterns** for arkitekturveiledning og **Hybrid Search - Full-Text and Vector Combined** for query-optimalisering.
### Hybrid Search (oppdatert 2026-04)
### Hybrid Search (oppdatert 2026-06)
Hybrid search kombinerer full-text search og vector search i én enkelt forespørsel mot en søkeindeks med både tekstlig og vektorisert innhold:
- Kjører full-text og vector search **parallelt**

6
skills/ms-ai-engineering/references/rag-architecture/chunking-strategies.md
View file

@ -1,6 +1,6 @@
# Document Chunking — Strategies and Implementation
**Last updated:** 2026-02
**Last updated:** 2026-06-19
**Status:** GA (core features), Preview (token chunking)
**Category:** RAG Architecture & Semantic Search
@ -122,7 +122,7 @@ Valg av chunking-strategi avhenger av dokumenttype, bruksmønster, kvalitetskrav
**Arkitektur:** Data source → Indexer → Azure Content Understanding skill → Semantiske enheter → Embedding skill → Index
**Konsept:** I stedet for å dele dokumenter etter fast størrelse eller setningsgrenser, identifiserer semantisk chunking meningsfulle tematiske enheter som kan spenne over sider. Azure Content Understanding (GA nov 2025) analyserer dokumentstruktur og semantikk for å produsere chunks som bevarer sammenhengende konsepter.
**Konsept:** I stedet for å dele dokumenter etter fast størrelse eller setningsgrenser, identifiserer semantisk chunking meningsfulle tematiske enheter som kan spenne over sider. Azure Content Understanding (GA; anbefalt skill for nye skillsets) analyserer dokumentstruktur og semantikk for å produsere chunks som bevarer sammenhengende konsepter.
**Fordeler:**
- Chunks bryter ikke midt i et konsept eller argument
@ -325,5 +325,5 @@ Overlapp øker antall chunks proporsjonalt:
| RAG chunking phase (Architecture Guide) | **Verified** | [learn.microsoft.com](https://learn.microsoft.com/en-us/azure/architecture/ai-ml/guide/rag/rag-chunking-phase) |
| RAG with Document Intelligence | **Verified** | [learn.microsoft.com](https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/concept/retrieval-augmented-generation) |
| Azure Search Vector Samples (GitHub) | **Verified** | [github.com/Azure](https://github.com/Azure/azure-search-vector-samples) |
| Token chunking (preview) | **Baseline** | Annonsert i 2025-11-01-preview API |
| Token chunking (preview) | **Baseline** | Tilgjengelig i 2026-05-01-preview API (Skillsets - Create or Update) |
| Prisinformasjon | **Baseline** | Basert på offentlige prislister, sjekk Azure-kalkulator for oppdaterte priser |

28
skills/ms-ai-engineering/references/rag-architecture/citation-tracking.md
View file

@ -1,18 +1,18 @@
# Citation Tracking and Source Attribution
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Status:** GA (classic RAG), Preview (agentic retrieval)
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA (classic RAG); agentic retrieval delvis GA via REST `2026-04-01` — grounding-overflaten (`references` + `activity`-log) er GA, mens LLM query planning (ikke-minimal reasoning effort) + answer synthesis + multi-turn messages forblir preview (`2026-05-01-preview`); portal/Foundry preview
**Category:** RAG Architecture & Semantic Search
---
## Introduksjon
Citation tracking er en kritisk komponent i enterprise RAG-systemer. Det handler om å spore og eksponere kildene som ligger til grunn for AI-genererte svar, slik at brukere kan verifisere informasjonen. I Azure-økosystemet støttes citation tracking gjennom to hovedmønstre: **Classic RAG** (GA) med Azure AI Search og Azure OpenAI, og **Agentic Retrieval** (Preview) med strukturerte grounding data.
Citation tracking er en kritisk komponent i enterprise RAG-systemer. Det handler om å spore og eksponere kildene som ligger til grunn for AI-genererte svar, slik at brukere kan verifisere informasjonen. I Azure-økosystemet støttes citation tracking gjennom to hovedmønstre: **Classic RAG** (GA) med Azure AI Search og Azure OpenAI, og **Agentic Retrieval** (grounding-overflaten med `references` + `activity` er GA via REST `2026-04-01`; LLM query planning/answer synthesis/multi-turn = preview; portal/Foundry preview) med strukturerte grounding data.
God citation tracking reduserer hallusinering ved å tvinge LLM-en til å basere seg på hentet kontekst, gir brukerne tillit til svarene, og oppfyller compliance-krav i offentlig sektor der sporbarhet er lovpålagt. Azure AI Search returnerer automatisk kildemetadata med søkeresultater, og Azure OpenAI "On Your Data"-mønsteret inkluderer citation annotations i responser.
Agentic Retrieval (preview 2025/2026) representerer neste evolusjon med LLM-assistert query planning, parallelle subqueries, og strukturerte citation-responser med full provenance tracking.
Agentic Retrieval representerer neste evolusjon med LLM-assistert query planning, parallelle subqueries, og strukturerte citation-responser med full provenance tracking. Citation-overflaten (`references` + `activity`-log) er GA via REST `2026-04-01`; LLM-assistert query planning (ikke-minimal reasoning effort) og answer synthesis forblir preview (`2026-05-01-preview`), og Azure-/Foundry-portalen gir kun preview-tilgang.
## Kjernekomponenter
@ -127,9 +127,9 @@ Context: {context}
- LLM planlegger optimale søk for bedre dekning
**Ulemper:**
- Preview-funksjon, ikke GA ennå
- Høyere kompleksitet og token-kostnad
- Ranking tokens gratis kun under initial preview-fase
- Grounding-overflaten (`references` + `activity`) er GA via REST `2026-04-01`; LLM query planning (ikke-minimal reasoning effort) + answer synthesis + multi-turn forblir preview, og portal/Foundry gir fortsatt kun preview-tilgang
- Høyere kompleksitet og token-kostnad (faktureres token-basert, ikke per query)
- Token-forbruk over månedlig gratis-kvote faktureres pay-as-you-go (Azure AI Search + Azure OpenAI separat)
### Mønster 3: Fakta-verifisering med LLM-judge
@ -243,9 +243,9 @@ result = groundedness_eval(
| Komponent | Kostnadsdriver |
|-----------|---------------|
| Azure AI Search | Standard spørringskostnad (ingen ekstra for metadata) |
| Semantic Ranker | Per 1000 requests (1000 gratis/mnd) |
| Semantic Ranker | Free plan (månedlig gratis request-kvote) + standard pay-as-you-go etter kvoten |
| Azure OpenAI | Token-kostnad for citation-generering i LLM-respons |
| Agentic Retrieval | Ranking tokens (gratis under preview), Azure OpenAI for query planning |
| Agentic Retrieval | Retrieval-tokens (månedlig gratis-kvote, deretter pay-as-you-go), Azure OpenAI for query planning/answer synthesis |
| Groundedness Pro | Per evaluerings-kall (Azure AI Content Safety) |
### Kostnadsoptimering
@ -294,12 +294,12 @@ result = groundedness_eval(
- Modenhetsnivå-tabellen
### Agentic Retrieval — Citation Tracking (oppdatert 2026-04)
### Agentic Retrieval — Citation Tracking (oppdatert 2026-06-19)
Azure AI Search agentic retrieval (preview) returnerer et tre-delt svar som gjør citation tracking robust:
Azure AI Search agentic retrieval (grounding-overflaten GA via REST `2026-04-01`; LLM query planning/answer synthesis/multi-turn = preview; portal/Foundry preview) returnerer et svar som gjør citation tracking robust:
1. **Merged content** — samlet grounding data for LLM
2. **Source references** — kildereferanser for inspeksjon og citation
3. **Activity plan** — query execution-detaljer (subqueries, sources, parameters)
1. **Merged content** — samlet grounding data for LLM (returneres alltid)
2. **Source references** — kildereferanser for inspeksjon og citation (valgfritt)
3. **Activity log** — query execution-detaljer (subqueries, sources, parameters) (valgfritt)
Agentic retrieval bruker LLM til å rive ned komplekse queries til subqueries som kjøres parallelt, med semantisk reranking av hvert delresultat. Dette gir bedre grounding data enn klassisk RAG for komplekse spørsmål. Source references med full provenance tracking støtter transparenskrav i norsk offentlig sektor.

4
skills/ms-ai-engineering/references/rag-architecture/embedding-models-selection.md
View file

@ -1,6 +1,6 @@
# Embedding Models - Selection and Optimization
**Last updated:** 2026-02
**Last updated:** 2026-06-19
**Status:** GA (Azure OpenAI, Azure AI Search), Preview (Multilingual E5, Custom embeddings)
**Category:** RAG Architecture & Semantic Search
@ -487,7 +487,7 @@ For teams som ikke har nok treningsdata for fine-tuning, er en domene-tilpasset
### Primærkilder (Microsoft Learn)
- [Azure OpenAI Embeddings](https://learn.microsoft.com/en-us/azure/ai-services/openai/concepts/embeddings) (Verified, feb 2026)
- [Azure AI Search Vector Search](https://learn.microsoft.com/en-us/azure/search/vector-search-overview) (Verified, feb 2026)
- [Azure AI Search Vector Search](https://learn.microsoft.com/en-us/azure/search/vector-search-overview) (Verified, 2026-06-19)
- [Integrated Vectorization in Azure AI Search](https://learn.microsoft.com/en-us/azure/search/vector-search-integrated-vectorization) (Verified, feb 2026)
- [Matryoshka Embeddings (OpenAI)](https://platform.openai.com/docs/guides/embeddings/embedding-models) (Baseline, referert i Azure docs)

8
skills/ms-ai-engineering/references/rag-architecture/graphrag-knowledge-graphs.md
View file

@ -1,6 +1,6 @@
# GraphRAG - Knowledge Graphs and Relationship Extraction
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** Preview
**Category:** RAG Architecture & Semantic Search
@ -45,7 +45,7 @@ Microsoft Fabric og Azure støtter **Labeled Property Graphs (LPG)** som standar
- **Nodes (entiteter)**: Har labels (typer), properties (attributter) og unique IDs
- **Edges (relasjoner)**: Har types (f.eks. "knows", "depends_on"), properties (weights, timestamps) og retning
- **Schema flexibility**: Kan utvikles inkrementelt uten rigid schema constraints
- **Schema flexibility**: Kan utvikles uten rigide schema constraints (men i Fabric Graph krever schema-endringer per 2026 at man oppretter en ny graph model og laster data på nytt)
- **RDF ikke støttet**: Resource Description Framework (RDF) er ikke støttet i Microsoft Fabric per 2026
---
@ -277,12 +277,12 @@ GraphRAG introduserer spesifikke personvernrisiki i offentlig sektor:
| Seksjon | URL | Konfidensnivå |
|---------|-----|---------------|
| CosmosAIGraph arkitektur | https://learn.microsoft.com/en-us/azure/cosmos-db/gen-ai/cosmos-ai-graph | ✅ Verified (2026-02) |
| CosmosAIGraph arkitektur | https://learn.microsoft.com/en-us/azure/cosmos-db/gen-ai/cosmos-ai-graph | ✅ Verified (2026-06-19) |
| Graph semantics i KQL | https://learn.microsoft.com/en-us/kusto/query/graph-semantics-overview | ✅ Verified (2026-02) |
| Entity Recognition skill (v3) | https://learn.microsoft.com/en-us/azure/search/cognitive-search-skill-entity-recognition-v3 | ✅ Verified (2026-02) |
| Azure AI Search transparency note | https://learn.microsoft.com/en-us/azure/foundry/responsible-ai/search/transparency-note | ✅ Verified (2026-02) |
| RAG solution design guide | https://learn.microsoft.com/en-us/azure/architecture/ai-ml/guide/rag/rag-solution-design-and-evaluation-guide | ✅ Verified (2026-02) |
| Labeled Property Graphs (LPG) | https://learn.microsoft.com/en-us/fabric/graph/graph-data-models | ✅ Verified (2026-02) |
| Labeled Property Graphs (LPG) | https://learn.microsoft.com/en-us/fabric/graph/graph-data-models | ✅ Verified (2026-06-19) |
### Konfidens per seksjon

4
skills/ms-ai-engineering/references/rag-architecture/hierarchical-rag-patterns.md
View file

@ -1,6 +1,6 @@
# Hierarchical RAG Patterns — Multi-nivå retrieval
**Last updated:** 2026-02
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA (index projections), Preview (agentic retrieval)
**Category:** RAG Architecture & Semantic Search
@ -195,6 +195,8 @@ Nivå 3: Chunks → Hent detaljerte segmenter (top-5)
### Document Layout skill for hierarkisk chunking
> **Anbefaling (2026-06):** For **nye** skillsets anbefaler Microsoft nå **Azure Content Understanding-skill** (`#Microsoft.Skills.Util.ContentUnderstandingSkill`) i stedet for Document Layout-skill — den samler semantisk chunking, AI-genererte bildebeskrivelser og forbedret tabelluttrekk i én skill. Document Layout-skill (under) er fortsatt støttet og dokumentert for **eksisterende** pipelines.
```json
{
"@odata.type": "#Microsoft.Skills.Util.DocumentIntelligenceLayoutSkill",

4
skills/ms-ai-engineering/references/rag-architecture/hybrid-search-configuration.md
View file

@ -1,6 +1,6 @@
# Hybrid Search - Full-Text and Vector Combined
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
**Category:** RAG Architecture & Semantic Search
@ -246,4 +246,4 @@ Bruk `debug: "vector"` eller `debug: "semantic"` i API-kallet for å pakke ut su
**SDK-støtte:** Python (`azure-search-documents`), C# (`Azure.Search.Documents`), Java, JavaScript.
**API-versjoner:** `2025-09-01` (stable), `2025-11-01-preview` (maxTextRecallSize, filterOverride, etc.)
**API-versjoner:** `2026-04-01` (stable), `2026-05-01-preview` (maxTextRecallSize, filterOverride, strictPostFilter, etc.)

2
skills/ms-ai-engineering/references/rag-architecture/multi-index-federation.md
View file

@ -1,6 +1,6 @@
# Multi-Index Federation and Cross-Search
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA (single-index), Not supported (native cross-index)
**Category:** RAG Architecture & Semantic Search

4
skills/ms-ai-engineering/references/rag-architecture/multimodal-rag.md
View file

@ -1,6 +1,6 @@
# Multimodal RAG — Bilder, tabeller og dokumenter i RAG
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA (Document Intelligence, Content Understanding), Preview (multimodal embeddings)
**Category:** RAG Architecture & Semantic Search
@ -311,7 +311,7 @@ chartFormat=markdown
| Azure-Samples/multimodal-rag-code-execution | **Baseline** | [github.com](https://github.com/Azure-Samples/multimodal-rag-code-execution) |
### Azure AI Search Multimodal Pipeline (oppdatert 2026-04)
### Azure AI Search Multimodal Pipeline (oppdatert 2026-06-19)
Azure AI Search multimodal pipeline (GA) støtter nå en fullstendig 5-stegs prosess:
1. **Ekstraksjon** — Document Extraction, Document Layout, eller Content Understanding skill

14
skills/ms-ai-engineering/references/rag-architecture/rag-caching-optimization.md
View file

@ -1,6 +1,6 @@
# RAG Caching and Performance Optimization
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
**Category:** RAG Architecture & Semantic Search
@ -147,7 +147,7 @@ User Query → L1: Redis (in-memory, <5ms) → L2: Cosmos DB (persistent, <50ms)
|-------------|---------|---------|
| **Caching user-private data globally** | Privacy violation, data leakage | Scope cache keys by user/tenant identity |
| **Ingen TTL policy** | Runaway cache growth, stale data | Implement TTL basert på data sensitivity |
| **For høy similarity threshold (>0.8)** | Lav cache hit rate | Start med 0.15-0.3, tune basert på metrics |
| **For lav APIM score-threshold (distanse, f.eks. <0.1)** | Lav cache hit rate (for streng matching) | Start med 0.15, tune opp basert på metrics |
| **Caching uten context window** | Contextually incorrect responses | Vectorize chat history + latest prompt |
| **Ingen invalidation strategy** | Stale responses ved data updates | Implement webhook-based invalidation |
@ -236,10 +236,10 @@ Outbound (cache store):
<azure-openai-semantic-cache-store duration="60" />
```
**Score Threshold Tuning:**
- 0.1-0.2 → Liberal matching, høy hit rate, noe lavere relevance
**Score Threshold Tuning** (APIM `score-threshold` er en DISTANSE: lavere = strengere, krever høyere semantisk likhet):
- 0.1-0.2 → Strict matching, lavere hit rate, høy relevance
- 0.3-0.5 → Balanced, medium hit rate, god relevance
- 0.6-0.8 → Strict matching, lav hit rate, høy relevance
- 0.6-0.8 → Liberal matching, høyere hit rate, noe lavere relevance
**Verified** (Microsoft Learn - Enable semantic caching for LLM APIs)
@ -416,7 +416,7 @@ cache_key = f"user:{user_id}:tenant:{tenant_id}:query_hash:{hash(prompt)}"
|-----------|--------|------------|
| **Caching uten context window** | Contextually incorrect responses → user frustration | Vectorize chat history + prompt |
| **Global caching av persondata** | GDPR violation, potential bøter | User-scoped keys, TTL enforcement |
| **For høy similarity threshold** | Lav hit rate, caching ineffective | Start lavt (0.15), tune opp |
| **For lav APIM score-threshold (distanse)** | Lav hit rate, caching ineffective | Start på 0.15, tune opp for løsere matching |
| **Ingen invalidation strategy** | Stale data → incorrect LLM responses | Webhook-based invalidation |
| **Undersized cache tier** | High eviction rate, lav hit rate | Monitor evictions, scale proaktivt |
| **Ignoring embedding overhead** | Latency increase vs direct LLM call | Batch embeddings, use async patterns |
@ -502,7 +502,7 @@ cache_key = f"user:{user_id}:tenant:{tenant_id}:query_hash:{hash(prompt)}"
**Totalt antall kilder:** 9 unike Microsoft Learn URLer
**MCP calls:** 6 (4 docs_search + 2 docs_fetch + 1 code_sample_search)
**Sist verifisert:** 2026-02-03
**Sist verifisert:** 2026-06-19
### Azure Managed Redis — Arkitektur (oppdatert 2026-04)

2
skills/ms-ai-engineering/references/rag-architecture/rag-context-windows.md
View file

@ -1,6 +1,6 @@
# RAG Context Windows and Long-Context Models
**Last updated:** 2026-02
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
**Category:** RAG Architecture & Semantic Search

2
skills/ms-ai-engineering/references/rag-architecture/rag-core-patterns.md
View file

@ -1,6 +1,6 @@
# RAG Core Patterns and Architecture
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
**Category:** RAG Architecture & Semantic Search

13
skills/ms-ai-engineering/references/rag-architecture/rag-document-preprocessing.md
View file

@ -1,6 +1,6 @@
# Document Preprocessing and Pipeline Automation
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
**Category:** RAG Architecture & Semantic Search
@ -64,7 +64,8 @@ Skillsets definerer AI-berikning og transformasjoner som skal utføres på dokum
| **OCR Skill** | Innebygd | Tekstgjenkjenning fra bilder i dokumenter |
| **Document Extraction Skill** | Innebygd | Ekstraherer tekst og bilder fra embedded content (PDF, DOCX) |
| **Text Merge Skill** | Innebygd | Slår sammen OCR-output med eksisterende tekst |
| **Text Split Skill** | Innebygd | Chunker tekst basert på størrelse eller semantic boundaries |
| **Text Split Skill** | Innebygd | Chunker tekst i setninger/sider av en gitt lengde (størrelsesbasert) |
| **Azure Content Understanding Skill** | Innebygd | Semantisk, layout-bevisst chunking som respekterer avsnittsgrenser (alternativ til Text Split for integrated vectorization) |
| **Document Intelligence Layout Skill** | Innebygd | Kjører Layout-modellen for strukturutvinning |
| **Language Detection Skill** | Innebygd | Detekterer språk for språkspesifikk behandling |
| **Custom Skills** | Egendefinert | Azure Functions eller web service for custom logic |
@ -738,9 +739,9 @@ Images (JPEG/PNG)?
|------|-----|-----------|
| Indexer overview | https://learn.microsoft.com/en-us/azure/search/search-indexer-overview | Verified (2026-02) |
| Document Intelligence RAG | https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/concept/retrieval-augmented-generation | Verified (2026-02) |
| Skillset concepts | https://learn.microsoft.com/en-us/azure/search/cognitive-search-concept-intro | Verified (2026-02) |
| Skillset concepts | https://learn.microsoft.com/en-us/azure/search/cognitive-search-concept-intro | Verified (2026-06-19) |
| Image scenarios | https://learn.microsoft.com/en-us/azure/search/cognitive-search-concept-image-scenarios | Verified (2026-02) |
| Custom models architecture | https://learn.microsoft.com/en-us/azure/architecture/ai-ml/architecture/build-deploy-custom-models | Verified (2026-02) |
| Custom models architecture | https://learn.microsoft.com/en-us/azure/architecture/ai-ml/architecture/build-deploy-custom-models | Verified (2026-06-19) |
| Batch Functions OCR | https://learn.microsoft.com/en-us/azure/batch/tutorial-batch-functions | Verified (2026-02) |
### Kodeeksempler (Verified)
@ -749,7 +750,7 @@ Images (JPEG/PNG)?
|----------|-------|-------|-----------|
| Skillset med OCR og embedding | HTTP/JSON | https://learn.microsoft.com/en-us/azure/search/tutorial-skillset | Verified (GA API) |
| Document Intelligence Layout i RAG | Python | https://github.com/Azure/azure-sdk-for-python/blob/main/sdk/documentintelligence/azure-ai-documentintelligence/samples/ | Verified (2026-02) |
| Indexer creation | HTTP/JSON | https://learn.microsoft.com/en-us/azure/search/search-how-to-integrated-vectorization | Verified (2025-09-01 API) |
| Indexer creation | HTTP/JSON | https://learn.microsoft.com/en-us/azure/search/search-how-to-integrated-vectorization | Verified (2026-04-01 API, 2026-06-19) |
| LangChain integration | Python | https://github.com/microsoft/Form-Recognizer-Toolkit/blob/main/SampleCode/Python/sample_rag_langchain.ipynb | Verified (2026-02) |
### Norske forhold (Baseline)
@ -778,7 +779,7 @@ Images (JPEG/PNG)?
**Konfidensnivå totalt:** 95% Verified (fra MCP), 5% Baseline (norske forhold og priser)
### Kognitiv søk — bildeprosessering (oppdatert 2026-04)
### Kognitiv søk — bildeprosessering (oppdatert 2026-06-19)
Azure AI Search støtter tre tilnærminger til bildeinnhold i RAG:
1. **Vektorisering** — Azure Vision genererer bildere presentasjoner som søkbare vektorer

4
skills/ms-ai-engineering/references/rag-architecture/rag-iterative-refinement.md
View file

@ -1,6 +1,6 @@
# Iterative RAG and Multi-Turn Refinement
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
**Category:** RAG Architecture & Semantic Search
@ -441,7 +441,7 @@ public async Task ApplyRetentionPolicyAsync()
**MCP Research:** microsoft-learn (4 searches, 2 fetches), microsoft-code-samples (1 search)
### .NET AI IChatClient-interface (oppdatert 2026-04)
### .NET AI IChatClient-interface (oppdatert 2026-06-19)
`IChatClient` er .NET-standarden for interaksjon med AI chat services (Microsoft.Extensions.AI). Støtter stateless og stateful samtaler, tool calling, streaming, caching, og OpenTelemetry.

10
skills/ms-ai-engineering/references/rag-architecture/rag-query-understanding.md
View file

@ -1,6 +1,6 @@
# Query Understanding and Expansion
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA
**Category:** RAG Architecture & Semantic Search
@ -260,9 +260,9 @@ intent = json.loads(completion.choices[0].message.content)["category"]
**Fuzzy search for typos (innebygd):**
```http
POST https://{search-service}.search.windows.net/indexes/{index-name}/docs/search?api-version=2024-07-01
POST https://{search-service}.search.windows.net/indexes/{index-name}/docs/search?api-version=2026-04-01
{
"search": "Azur AI Serch~2", // ~2 = max 2 edit distance
"search": "Azur~ AI~ Serch~", // ~ = fuzzy, default edit distance 2 (max 2, Damerau-Levenshtein); ~1 for 1 edit, ~0 for exact
"queryType": "full"
}
```
@ -544,7 +544,7 @@ Multi-Query RAG med 3 varianter = ~3x søkekostnad + 1 LLM-kall for generering.
## Kilder og verifisering
**Microsoft Learn (Verified — hentet via MCP 2026-02):**
**Microsoft Learn (Verified — search-query-fuzzy re-verifisert via MCP 2026-06-19):**
1. [Azure Databricks: Improve RAG chain quality — Query understanding](https://learn.microsoft.com/en-us/azure/databricks/generative-ai/tutorials/ai-cookbook/quality-rag-chain#query-understanding)
**Konfidens:** Verified — Multi-step query understanding (intent, entity extraction, rewriting)
@ -578,7 +578,7 @@ Multi-Query RAG med 3 varianter = ~3x søkekostnad + 1 LLM-kall for generering.
**Totalt antall kilder:** 7 Microsoft Learn URLer (Verified) + 1 GitHub repo (Verified) = 8 kilder
### Simple Query Syntax for RAG (oppdatert 2026-04)
### Simple Query Syntax for RAG (oppdatert 2026-06)
Azure AI Search simple query syntax er default parser for full-text søk i RAG:

8
skills/ms-ai-engineering/references/rag-architecture/rag-security-rbac.md
View file

@ -1,6 +1,6 @@
# RAG Security - RBAC, Filtering, and Access Control
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** Preview (native ACL/RBAC), GA (security filters)
**Category:** RAG Architecture & Semantic Search
@ -133,7 +133,7 @@ Azure AI Search utfører to-stegs sjekk ved query-tid (for ACL/RBAC-metoder):
- Enterprise-scenarier med Entra ID
**Tekniske krav:**
- Preview REST API: `2025-11-01-preview`
- Preview REST API: `2026-05-01-preview`
- Managed identity på Search service
- Role assignment: **Storage Blob Data Reader** (for ADLS Gen2/Blob)
@ -524,9 +524,9 @@ Authorization: Bearer <user-token>
---
**Sist verifisert mot Microsoft Learn:** 2026-02-03 (via microsoft-learn MCP server)
**Sist verifisert mot Microsoft Learn:** 2026-06-19 (via microsoft-learn MCP server)
**Preview API-versjon:** 2025-11-01-preview (ACL/RBAC, Purview labels, SharePoint ACL)
**Preview API-versjon:** 2026-05-01-preview (ACL/RBAC, Purview labels, SharePoint ACL)
**GA features:** Security filters (alle API-versjoner)

4
skills/ms-ai-engineering/references/rag-architecture/semantic-ranker-reranking.md
View file

@ -1,6 +1,6 @@
# Semantic Ranker and Reranking Models
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA (core), Preview (query rewrite, prerelease models)
**Category:** RAG Architecture & Semantic Search
@ -278,7 +278,7 @@ Preview-funksjon (2025) som integrerer iterativ søk med semantic ranking.
- Offentlig sektor-anbefalinger basert på norsk kontekst
### Semantic Ranker i Hybrid Search (oppdatert 2026-04)
### Semantic Ranker i Hybrid Search (oppdatert 2026-06-19)
Semantic ranker (L2 reranking) fungerer optimalt i hybrid search-kontekst:

12
skills/ms-ai-engineering/references/rag-architecture/vector-indexing-techniques.md
View file

@ -1,6 +1,6 @@
# Vector Indexing - Techniques and Configuration
**Last updated:** 2026-04 | Verified: MCP 2026-04
**Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
**Status:** GA (Hybrid search), Preview (Scalar quantization)
**Category:** RAG Architecture & Semantic Search
@ -12,7 +12,7 @@ Vektorindeksering er selve motoren bak moderne semantisk søk i RAG-systemer. Me
I Microsoft-økosystemet er Azure AI Search den primære tjenesten for vektorindeksering, med støtte for Hierarchical Navigable Small World (HNSW) som standard-algoritme, kombinert med hybrid search som blander vector similarity med klassisk BM25 full-text search. For norske organisasjoner som bygger RAG-løsninger er vektorindeksering ofte det området hvor teknisk konfigurering har størst innvirkning på både brukeropplevelse og driftskostnader — feil valg kan føre til unødvendig høy latency, dårlig recall, eller eksploderende lagringskostnader.
Moderne vektorindeksering handler i økende grad om **hybrid search** — erkjennelsen av at verken keyword-søk eller vector search alene er optimal for alle scenarier. Dokumenter som inneholder eksakte termer (produktkoder, lovparagrafer, telefonnumre) trenger BM25, mens semantiske spørsmål som "hva er bedriftens policy på etikk?" krever vector similarity. Azure AI Search tilbyr innebygd støtte for hybrid search med konfigurerbar vekting, og legger på semantic ranker som et tredje lag for å rerangere resultater basert på Microsoft sitt BERT-baserte modell.
Moderne vektorindeksering handler i økende grad om **hybrid search** — erkjennelsen av at verken keyword-søk eller vector search alene er optimal for alle scenarier. Dokumenter som inneholder eksakte termer (produktkoder, lovparagrafer, telefonnumre) trenger BM25, mens semantiske spørsmål som "hva er bedriftens policy på etikk?" krever vector similarity. Azure AI Search tilbyr innebygd støtte for hybrid search med konfigurerbar vekting, og legger på semantic ranker som et tredje lag for å rerangere resultater basert på Microsofts flerspråklige deep learning-modeller (adaptert fra Microsoft Bing).
## Kjernekomponenter
@ -32,7 +32,7 @@ Hybrid search kombinerer tre lag:
1. **Vector search** — Cosine similarity på embeddings
2. **Full-text search (BM25)** — Keyword matching med term frequency
3. **Semantic ranker** (optional) — Microsoft's BERT reranking
3. **Semantic ranker** (optional) — Microsofts flerspråklige deep learning-reranking (adaptert fra Bing), reranker de øverste 50 resultatene
```json
{
@ -403,16 +403,16 @@ Azure AI Search krever ingen spesifikk Microsoft 365-lisens, men:
## Kilder og verifisering
- [Azure AI Search - Vector search concepts](https://learn.microsoft.com/en-us/azure/search/vector-search-overview) — **Verified** (2026-01)
- [Azure AI Search - Vector search concepts](https://learn.microsoft.com/en-us/azure/search/vector-search-overview) — **Verified** (2026-06-19)
- [Hybrid search in Azure AI Search](https://learn.microsoft.com/en-us/azure/search/hybrid-search-overview) — **Verified** (2026-01)
- [Configure vector search algorithms](https://learn.microsoft.com/en-us/azure/search/vector-search-how-to-create-index) — **Verified** (2025-12)
- [Azure AI Search pricing](https://azure.microsoft.com/en-us/pricing/details/search/) — **Verified** (2026-02)
- [Semantic ranking in Azure AI Search](https://learn.microsoft.com/en-us/azure/search/semantic-search-overview) — **Verified** (2025-11)
- [Semantic ranking in Azure AI Search](https://learn.microsoft.com/en-us/azure/search/semantic-search-overview) — **Verified** (2026-06-19)
**Konfidensnivå:** Verified (90%) — All info basert på offisiell Microsoft-dokumentasjon og prising per feb 2026.
### Vector Indexing i Hybrid Search-kontekst (oppdatert 2026-04)
### Vector Indexing i Hybrid Search-kontekst (oppdatert 2026-06-19)
Vector fields og tekstfelt coeksisterer i hybrid search-indekser: