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

chore(ms-ai-architect): refresh KB high-bucket — 49 files [skip-docs]

Browse source 
KB-currency refresh (high priority, 2026-06-19) via /architect:kb-update.
49 high-prioritets governance/security/monitoring-filer re-verifisert mot
Microsoft Learn (MCP) — delegert til 8 parallelle Opus-subagenter gruppert
etter delt kilde, verifisert i hovedkontekst (diff-review + tester).

Hovedendringer (faktuelle korreksjoner + currency):
- MITRE ATLAS-IDer korrigert (supply-chain): AML.T0050 -> AML.T0018.000
  (Poison AI Model); AML.T0020 = Poison Training Data; T1195 Supply Chain
  Compromise. Gamle IDer var utdaterte (verifisert mot MCSB v2 AI-1).
- OTel-sampling presisert (distributed-tracing): adaptive sampling = klassisk
  App Insights SDK; OTel-distroen sampler IKKE by default (fixed-rate/
  rate-limited maa konfigureres); Functions parent-based sampling er default.
- MCSB v2 AI-kontroller AI-1 -> AI-7 (risk-taxonomy three-pillar, scoring-
  framework, rubrics, red-team, adversarial); Defender for Cloud AI threat
  protection + AI-SPM (GA).
- AI gateway (APIM) multi-provider: Anthropic Messages API v2-tiers, Google
  Vertex, unified model API (preview), MCP/A2A, Foundry-integrasjon; eksakte
  policy-navn (llm-emit-token-metric maks 5 dims, llm-semantic-cache-*,
  score-threshold = avstand, MS-eks. 0.15).
- Purview Enterprise AI apps inkl. Anthropic Claude (Enterprise) + ChatGPT
  Enterprise; Security Dashboard for AI (Agent 365-inventar, MCP-servere,
  tredjepartsmodeller; Security Reader minimumsrolle).
- Entra Agent ID: CA-lisenskrav (Entra ID P1/P2 + Agent 365), CA-scoping per
  tilgangsmoenster (on-behalf-of/app-only/agent-as-user), CA-grenser,
  connector-permissions som API-permissions.
- Copilot DLP: Block SITs in web search (GA, Performing Web Searches) + Block
  external email (preview) som prompt injection-vern.
- Azure AI Language PII: tre feature-typer, GA-API 2026-05-01; NOIdentityNumber
  bekreftet dedikert kategori for norske foedselsnummer.
- Foundry Tools-rename forsterket paa tvers; alle 49 Last updated -> 2026-06-19.

Discovery: 500 kandidater (alle Databricks-stoey) -> kun registry-kandidater,
ingen nye skills/-filer -> 389-telling uendret. 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 11:09:54 +02:00
commit 25bcb74d9a
49 changed files with 304 additions and 235 deletions
Download patch file Download diff file Expand all files Collapse all files

8
skills/ms-ai-engineering/references/azure-ai-services/ai-services-governance-compliance.md
View file

@ -1,6 +1,6 @@
# Azure AI Services - Data Governance and Compliance
**Last updated:** 2026-05
**Last updated:** 2026-06-19
**Status:** GA
**Category:** Azure AI Services (Foundry Tools)
@ -33,7 +33,7 @@ Microsoft Purview er den sentrale governance-plattformen for AI-applikasjoner i
| Kapabilitet | Beskrivelse | AI Services-støtte |
|-------------|-------------|-------------------|
| **Compliance Manager** | Oversetter reguleringer (EU AI Act, GDPR) til tekniske kontroller | ✅ Støttet |
| **Data Security Posture Management (DSPM) for AI** | Oppdager, sikrer og håndhever compliance-kontroller | ✅ Støttet via Foundry |
| **Data Security Posture Management (DSPM) for AI** | Oppdager, sikrer og håndhever compliance-kontroller | ✅ Støttet via Foundry. Enterprise AI apps-dekningen omfatter nå Anthropic Claude (Enterprise) i tillegg til Copilot |
| **Data Classification** | Identifiserer og tagget sensitiv data i prompts/responses | ✅ Støttet |
| **Sensitivity Labels** | Arver og håndhever merking fra Microsoft 365-data | ✅ Støttet |
| **Data Loss Prevention (DLP)** | Blokkerer deling av sensitiv informasjon til AI-endepunkter | ✅ Støttet (via Entra-registrerte apps) |
@ -502,6 +502,8 @@ AI Services Configuration (Norway Public Sector):
Microsoft tilbyr standard DPA for Azure-tjenester:
- **EU Model Clauses** — Godkjent mekanisme for dataoverføring
- **ISO/IEC 27001** — Sertifisering for informasjonssikkerhet
- **ISO/IEC 27701 (PIMS)** — Sertifisering for personverninformasjons-styringssystem
- **ISO 27018** — Sertifisering for personvern i cloud
- **Compliance Manager** — Dokumentasjon for revisor
@ -736,4 +738,4 @@ DLP Strategy:
**Total antall MCP-kall:** 8 (4 docs_search + 4 docs_fetch)
**Unike kilder:** 6 primærkilder + 4 sekundærkilder fra søk
**Sist oppdatert:** 2026-05
**Sist oppdatert:** 2026-06-19

6
skills/ms-ai-engineering/references/data-engineering/microsoft-purview-governance.md
View file

@ -1,6 +1,6 @@
# Microsoft Purview Data Governance
**Last updated:** 2026-05
**Last updated:** 2026-06-19
**Status:** GA
**Category:** Data Engineering for AI
@ -336,6 +336,10 @@ Microsoft Purview gir nå governance-dekning for Fabric Copilots og agenter —
| **Retention policies** | Beholder og sletter AI-generert innhold etter definerte retention-regler |
| **eDiscovery** | AI-generert innhold er søkbart og kan inkluderes i juridiske eDiscovery-prosesser |
**DLP for strukturert Fabric-data** *(Verified MCP 2026-06-19)*: Purview DLP-policyer støtter strukturert data i Fabric (lakehouse, warehouse, databaser, semantic models). DLP oppdager opplasting av sensitiv data til OneLake og kan håndheve tilgangsbegrensninger på sensitive assets på tvers av Fabric KQL Database, Fabric SQL Database og Fabric Data Warehouse. Policyer evaluerer sensitivity labels og sensitive info types (f.eks. kredittkort, personnummer), kan generere policy tips til Fabric-brukere og alerts til sikkerhetsadmins, og kan konfigureres slik at workspace-admins kan overstyre dem.
**Insider Risk Management for Fabric** *(Verified MCP 2026-06-19)*: IRM har ferdige risikoindikatorer for Power BI- og lakehouse-aktiviteter, inkludert deteksjoner for Fabric-dataeksfiltrering (eksport av Power BI-rapporter, flytting av data fra lakehouse/warehouse) via data theft-policyen.
**Relevans for norsk offentlig sektor:**
- Offentlige virksomheter som bruker Copilot i Fabric-løsninger må sikre at AI-interaksjoner er sporbare og underlagt arkivlovgivningen
- Purview gir mulighet for å dokumentere AI-beslutningsprosesser i henhold til Forvaltningslovens krav om begrunnelse

23
skills/ms-ai-engineering/references/mlops-genaiops/governance-audit-ml-operations.md
View file

@ -1,7 +1,7 @@
# Governance and Audit Trails in MLOps
**Kategori:** MLOps & GenAIOps
**Dato:** 2026-05
**Dato:** 2026-06-19
**Confidence:** 95% (High — bygger på offisiell Microsoft-dokumentasjon og Azure-referansearkitekturer)
## Introduksjon
@ -56,9 +56,10 @@ Model Registry er en sentral katalog for ML-modeller. Både Azure Machine Learni
- Sentralisert governance på tvers av workspaces
- **Column-level lineage:** sporer dataflyt fra kildetabeller til modell
- **Model lineage:** kobler modeller til feature tables, UDFs og upstream datasets
- **Audit logging:** fanger hvem som aksesserte modellen, når og hvorfor
- **Access control:** RBAC på modellnivå (hvem kan se, deploye, endre)
- **Model lineage:** kobler modeller til feature tables, UDFs og upstream datasets — table→model-lineage fanges via `mlflow.log_input` (MLflow 2.11.0+) og automatisk for feature store-modeller
- **MLflow 3-forbedringer:** Model Registry i Unity Catalog kan nå fange parametere og metrikker direkte på modellen og gjøre dem tilgjengelige på tvers av workspaces og eksperimenter (default registry-URI `databricks-uc`)
- **Audit logging:** fanger hvem som aksesserte modellen, når og hvorfor (modeller har ikke aktivitetslogg i UC — bruk account-/workspace-audit-logs)
- **Access control:** RBAC på modellnivå — registrerte modeller er en undertype av `FUNCTION`-securable; bruk `GRANT ON FUNCTION`. Deployment-status styres via **model aliases** (f.eks. «Champion»), ikke stages (stages støttes ikke i UC)
**Governance-verdi:**
@ -126,9 +127,9 @@ Alle governance-beslutninger og tilgangshendelser må logges for etterrettelighe
**Databricks Unity Catalog System Tables:**
- Audit logs: hvem aksesserte hvilken modell/table, når, fra hvor
- Billable usage logs: kostnadssporing per modell
- Lineage logs: upstream/downstream dependencies
- Audit logs (`system.access.audit`, Public Preview): hvem aksesserte hvilken modell/table, når, fra hvor — 365 dagers gratis retensjon
- Billable usage logs (`system.billing.usage`): kostnadssporing per modell
- Lineage logs (`system.access.table_lineage` / `system.access.column_lineage`): upstream/downstream dependencies — rullende 1-års-vindu i system tables (data fra 1. september 2024 og senere). Merk: de gamle schemaene `system.operational_data` og `system.lineage` er avviklet og tomme.
**API Management LLM Logs (for GenAI):**
@ -393,8 +394,8 @@ Governance og audit trails er essensielle for å oppfylle § 4-kravene:
### Databricks Unity Catalog
- **Unity Catalog:** inkludert i DBUs (ingen ekstra kostnad)
- **System Tables:** gratis (del av Unity Catalog)
- **Audit log retention:** 1 år (kan utvides til 7 år)
- **System Tables:** gratis (billable usage og pricing er gratis; tabeller i Public Preview er gratis under preview, kan bli fakturert senere)
- **Audit log retention:** 365 dagers gratis retensjon i system tables. Lineage vist i Catalog Explorer beholdes på ubestemt tid; lineage-system-tables har rullende 1-års-vindu
### API Management
@ -519,5 +520,5 @@ Hvert steg logges, hver hendelse spores. Ved en audit kan du vise:
---
**Sist oppdatert:** 2026-04
**Neste review:** Q2 2026 (ved nye Unity Catalog-features eller Azure Policy-oppdateringer)
**Sist oppdatert:** 2026-06-19
**Neste review:** 2026-09-19 (ved nye Unity Catalog-features eller Azure Policy-oppdateringer)

4
skills/ms-ai-engineering/references/mlops-genaiops/responsible-ai-mlops-integration.md
View file

@ -1,7 +1,7 @@
# Responsible AI Integration in MLOps
**Kategori:** MLOps & GenAIOps
**Sist oppdatert:** 2026-05
**Sist oppdatert:** 2026-06-19
**Confidence:** 95% (basert på offisiell Microsoft-dokumentasjon og Azure Machine Learning-referanser)
---
@ -518,7 +518,7 @@ jobs:
**Løsninger:**
1. **Content Safety**: Bruk Azure AI Content Safety for toxicity/bias detection
2. **Prompt Flow Evaluation**: Evaluere generative models med custom metrics
2. **Foundry/Agent Framework-evaluering**: Evaluere generative modeller med Azure AI Foundry-evaluatorer og custom metrics. Merk: **Prompt Flow avvikles 2027-04-20** — migrer evaluerings-/orkestreringslogikk til **Microsoft Agent Framework (MAF)**
3. **Manual Review**: Human-in-the-loop review av generated outputs
**Confidence note:** 🟡 Moderat (RAI for GenAI er et fremvoksende felt, mindre standardisert enn for discriminative models)