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

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: