From 52ba6daf67059230ec486a603cee7f9760efa519 Mon Sep 17 00:00:00 2001 From: Kjell Tore Guttormsen Date: Thu, 18 Jun 2026 18:53:02 +0200 Subject: [PATCH] =?UTF-8?q?fix(ms-ai-architect):=20#8a=20currency=20S-bann?= =?UTF-8?q?ere=20=E2=80=94=20Prompt=20Flow=20retirement,=20CUA=20GA,=20age?= =?UTF-8?q?ntic=20retrieval=20GA-split,=20E=C3=98S=20+=20EDPB=2028/2024?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit Phase A av #8 currency-rest. Hver faktapåstand verifisert mot kilde FØR skriving (Microsoft Learn microsoft_docs_fetch + offisielle EU/norske kilder, 2026-06-18). To research-subagenter brukt til parallell faktaverifisering. Prompt Flow retirement (banner i 5 filer): - Verifisert verbatim mot Microsoft Learn: Prompt Flow i BÅDE Microsoft Foundry og Azure Machine Learning pensjoneres 2027-04-20; migrer til Microsoft Agent Framework (MAF). Container images får ikke lenger oppdateringer. - Toppbanner: prompt-flow-production-deployment.md, genaiops-llm-specific-practices.md. - Kontekstuelle inline-flagg: rag-core-patterns.md (bullet + produksjonstabell), rag-evaluation-frameworks.md (verktøytabell), azure-ai-search-setup.md (PF-seksjon), agentic-rag-patterns.md (Foundry-integrasjonsrad). Copilot Studio Computer Use / CUA (copilot-studio.md): - Preview -> GA 7. mai 2026. KORRIGERT fra intern feildato 2026-05-13 (verifisert mot Power Platform 2026 wave 1 release plan + What's new). - Geo presisert: GA i kommersielle miljøer; IKKE GCC/GCC High. Eksakt regionsliste ikke offentlig verifiserbar -> merket uverifisert (verifiseringsplikt). - Fjernet nå-utdatert "Velg RPA når: kun GA-features tillatt"-begrunnelse. Azure AI Search agentic retrieval (agentic-rag-patterns.md): - Preview -> DELVIS GA. Minimal/ekstraktiv retrieval er GA (REST 2026-04-01); LLM query planning + answer synthesis er fortsatt preview (2026-05-01-preview). - "Single index"-begrensning -> multi-source via knowledge bases (kun GA-kildetyper: searchIndex, azureBlob, indexedOneLake, web; SharePoint/SQL/Fabric/MCP preview). EU AI Act EØS-status (ai-act-compliance-guide.md): - Korrigert feilpåstand "direkte gjeldende ... sommeren 2026". AI Act er IKKE formelt EØS-innlemmet per juni 2026; KI-loven ikke vedtatt av Stortinget (høringsfrist sept. 2025; ikrafttredelse politisk målsatt sensommer 2026). EDPB Opinion 28/2024 (gdpr-compliance-ai-systems.md, 3 ankre): - Nyanserer "anonymisert = utenfor GDPR-scope". Må vurderes case-by-case: modell er kun anonym når både direkte-ekstraksjon og query-baserte midler gir ubetydelig re-identifiseringsrisiko (jf. fortalepunkt 26). Tabellrad endret fra "Nei" til "Betinget". Allerede gjort i tidligere faser (re-verifisert, ingen edit nødvendig): MAF-banner (semantic-kernel-agents-implementation.md), Omnibus-note (ai-act-assessor.md), NSM Grunnprinsipper v2.1, A2A v1.0 + Signed Agent Cards (egen fil agent-to-agent-a2a-protocol.md). A2A v1.0.1 er immateriell patch. Tester: validate-plugin 239 PASS / 0 FAIL / 0 WARN · kb-integrity 115/115 (262 orphan-warnings er pre-eksisterende ms-ai-security-backlog, urørt). Gjenstår i #8: M-items (OWASP LLM04/06/08/09, Defender threat protection, Foundry Local air-gapped, M365 E7+Agent365) + SKILL.md de-orphan -> deretter #9 release. Co-Authored-By: Claude Opus 4.8 (1M context) Claude-Session: https://claude.ai/code/session_01REiKFhP4w6xGXXqWKpPCJJ --- .../references/platforms/copilot-studio.md | 10 +++++----- .../genaiops-llm-specific-practices.md | 2 ++ .../prompt-flow-production-deployment.md | 2 ++ .../rag-architecture/agentic-rag-patterns.md | 18 ++++++++++-------- .../rag-architecture/azure-ai-search-setup.md | 2 ++ .../rag-architecture/rag-core-patterns.md | 4 ++-- .../rag-evaluation-frameworks.md | 2 +- .../responsible-ai/ai-act-compliance-guide.md | 4 +++- .../gdpr-compliance-ai-systems.md | 8 +++++--- 9 files changed, 32 insertions(+), 20 deletions(-) diff --git a/skills/ms-ai-advisor/references/platforms/copilot-studio.md b/skills/ms-ai-advisor/references/platforms/copilot-studio.md index d598fd7..d1aa1fe 100644 --- a/skills/ms-ai-advisor/references/platforms/copilot-studio.md +++ b/skills/ms-ai-advisor/references/platforms/copilot-studio.md @@ -46,9 +46,9 @@ Agenter som kjører i bakgrunnen uten brukerinput: - Dataverse table updates - Dynamics 365 business events -### Computer Use (Preview) +### Computer Use (GA) -**Status:** Preview (US-region, jan 2026+) +**Status:** GA fra **7. mai 2026** (Power Platform 2026 wave 1). Tilgjengelig i kommersielle miljøer; **ikke** tilgjengelig i GCC/GCC High. Eksakt regionsliste er ikke offentlig verifisert per 2026-06-18 — se [Feature availability report](https://aka.ms/FeatureGeographicAvailabilityReport). Copilot Studio støtter nå Computer-Using Agents (CUA) — AI som kan interagere med Windows-applikasjoner og nettsider via virtuell mus og tastatur: @@ -167,7 +167,7 @@ Copilot Studio støtter MCP for å koble til eksterne AI-servere: ## CUA — Computer-Using Agents -**Status:** Preview (september 2025); GA planlagt mai 2026 +**Status:** **GA 7. mai 2026** (public preview 27. mai 2025). Verifisert mot Power Platform 2026 wave 1 release plan + Copilot Studio «What's new» (2026-06-18). CUA lar agenter automatisere oppgaver i Windows-applikasjoner og nettsider uten behov for API. @@ -203,9 +203,9 @@ CUA lar agenter automatisere oppgaver i Windows-applikasjoner og nettsider uten | Feilhåndtering | Statisk | Selvkorrigerende | **Velg CUA når:** UI-et endrer seg ofte, RPA-backlog er full, oppgaven krever visuell resonnering. -**Velg RPA når:** Kun GA-features tillatt, UI er stabilt, høy volumhastighet er kritisk. +**Velg RPA når:** UI er stabilt, høy volumhastighet er kritisk, eller miljøet er GCC/GCC High (der CUA ikke er tilgjengelig). -**Krav:** Kun tilgjengelig i United States-regioner (per feb 2026). Generative Orchestration må være aktivert. +**Krav:** GA fra 7. mai 2026 i kommersielle miljøer; **ikke** tilgjengelig i GCC/GCC High (eksakt regionsliste ikke offentlig verifisert per 2026-06-18). Generative Orchestration må være aktivert. --- diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/genaiops-llm-specific-practices.md b/skills/ms-ai-engineering/references/mlops-genaiops/genaiops-llm-specific-practices.md index 29b0688..ae6b9f1 100644 --- a/skills/ms-ai-engineering/references/mlops-genaiops/genaiops-llm-specific-practices.md +++ b/skills/ms-ai-engineering/references/mlops-genaiops/genaiops-llm-specific-practices.md @@ -7,6 +7,8 @@ --- +> **⚠️ 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). + ## Introduksjon GenAIOps (Generative AI Operations), også kalt LLMOps, beskriver operasjonelle praksiser og strategier for håndtering av store språkmodeller (LLMs) i produksjon. Mens tradisjonell MLOps fokuserer på å trene og deploye diskriminative modeller, handler GenAIOps om å **velge, tilpasse, orkestrere og overvåke** eksisterende foundation models. diff --git a/skills/ms-ai-engineering/references/mlops-genaiops/prompt-flow-production-deployment.md b/skills/ms-ai-engineering/references/mlops-genaiops/prompt-flow-production-deployment.md index 178d629..b11656d 100644 --- a/skills/ms-ai-engineering/references/mlops-genaiops/prompt-flow-production-deployment.md +++ b/skills/ms-ai-engineering/references/mlops-genaiops/prompt-flow-production-deployment.md @@ -6,6 +6,8 @@ --- +> **⚠️ 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. + ## Introduksjon Prompt Flow er Microsofts rammeverk for å utvikle, teste og deploye LLM-baserte applikasjoner gjennom en visuell workflow-editor. Produksjonsdeployment av Prompt Flow handler om å ta en testet og evaluert flow fra utviklingsmiljø til skalerbar produksjon med robuste CI/CD-pipelines, overvåking og governance. diff --git a/skills/ms-ai-engineering/references/rag-architecture/agentic-rag-patterns.md b/skills/ms-ai-engineering/references/rag-architecture/agentic-rag-patterns.md index e5dc20d..3b5caa3 100644 --- a/skills/ms-ai-engineering/references/rag-architecture/agentic-rag-patterns.md +++ b/skills/ms-ai-engineering/references/rag-architecture/agentic-rag-patterns.md @@ -1,7 +1,7 @@ # Agentic RAG Patterns — Agent-styrt retrieval **Last updated:** 2026-04 | Verified: MCP 2026-04 -**Status:** GA (Semantic Kernel), Preview (Azure AI Search agentic retrieval) +**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`) **Category:** RAG Architecture & Semantic Search --- @@ -138,10 +138,10 @@ agent = chat_client.as_agent( - Built-in semantic reranking per subquery - 3-delt response med grounding + citations + activity plan -**Begrensninger:** -- Kun single index per agentic retrieval instance +**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) -- Preview status (API 2025-11-01-preview) **Prising:** - Free tier: 50M agentic reasoning tokens/mnd @@ -200,10 +200,10 @@ agent = chat_client.as_agent( | Tjeneste | Integrasjonspunkt | |----------|-------------------| -| **Azure AI Search** | Agentic retrieval (preview), vector store, hybrid search | +| **Azure AI Search** | Agentic retrieval (delvis GA — REST `2026-04-01`; LLM-planning preview), vector store, hybrid search | | **Semantic Kernel** | TextSearchProvider, agent orchestration patterns | | **Microsoft Agent Framework** | VectorStore bridge, tool-basert RAG | -| **Azure AI Foundry** | Prompt Flow for visual DAG orchestration | +| **Azure AI Foundry** | Prompt Flow (pensjoneres 2027-04-20 → MAF) for visual DAG orchestration | | **Azure OpenAI** | GPT-4o for query planning, function calling | | **Application Insights** | Agent decision logging, token tracking | @@ -261,7 +261,7 @@ agent = chat_client.as_agent( ### Fallgruver - **Agentic for alt:** Single-query RAG dekker 70% av use cases — start der -- **Preview-avhengighet:** Azure AI Search agentic retrieval er preview — ha fallback +- **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 - **Agent-explosion:** For mange spesialist-agenter = uforutsigbar oppførsel ### Anbefalinger per modenhetsnivå @@ -287,7 +287,9 @@ agent = chat_client.as_agent( | Multi-agent performance (34% accuracy) | **Baseline** | Community source (ragaboutit.com) | -### Azure AI Search Agentic Retrieval (Public Preview — oppdatert 2026-04) +### Azure AI Search Agentic Retrieval (delvis GA — oppdatert 2026-06-18) + +> 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`). Azure AI Search agentic retrieval er en managed multi-query pipeline for komplekse spørsmål i chat og copilot-apper: diff --git a/skills/ms-ai-engineering/references/rag-architecture/azure-ai-search-setup.md b/skills/ms-ai-engineering/references/rag-architecture/azure-ai-search-setup.md index 447497c..b4f69fd 100644 --- a/skills/ms-ai-engineering/references/rag-architecture/azure-ai-search-setup.md +++ b/skills/ms-ai-engineering/references/rag-architecture/azure-ai-search-setup.md @@ -255,6 +255,8 @@ Copilot Studio kan bruke AI Search som "knowledge base" via **Declarative Agent* ### AI Foundry + AI Search (Prompt Flow) +> **⚠️ Retirement 2027-04-20:** Prompt Flow (Microsoft Foundry + Azure ML) pensjoneres 20. april 2027 — migrer til **Microsoft Agent Framework (MAF)**. Mønsteret under gjelder eksisterende løsninger frem til fristen. [Migrasjonsguide](https://learn.microsoft.com/azure/machine-learning/prompt-flow/migrate-prompt-flow-to-agent-framework?view=azureml-api-2). + AI Foundry (tidligere AI Studio) har innebygget **Vector Index**-node i Prompt Flow: ```yaml diff --git a/skills/ms-ai-engineering/references/rag-architecture/rag-core-patterns.md b/skills/ms-ai-engineering/references/rag-architecture/rag-core-patterns.md index d4ddc53..748a990 100644 --- a/skills/ms-ai-engineering/references/rag-architecture/rag-core-patterns.md +++ b/skills/ms-ai-engineering/references/rag-architecture/rag-core-patterns.md @@ -264,7 +264,7 @@ results = search_client.search( ### Azure AI Foundry -- **Prompt flow:** Visuell orkestrasjon av RAG-pipelines (indexing → retrieval → generation) +- **Prompt flow:** Visuell orkestrasjon av RAG-pipelines (indexing → retrieval → generation) — ⚠️ *pensjoneres 2027-04-20, migrer til Microsoft Agent Framework (MAF)* - **Evaluation:** Built-in metrics (groundedness, relevance, coherence) - **Tracing:** End-to-end observability av RAG-calls @@ -365,7 +365,7 @@ results = search_client.search( | Modenhet | RAG-mønster | Tooling | Tidsestimat | |----------|-------------|---------|-------------| | **Pilot** (MVP) | Naive RAG | Copilot Studio generative answers | 1-2 uker | -| **Produksjon** (scale) | Advanced RAG | Azure AI Foundry Prompt flow + Semantic Kernel | 6-8 uker | +| **Produksjon** (scale) | Advanced RAG | Microsoft Agent Framework (MAF) + Semantic Kernel ⚠️ *(erstatter Prompt Flow, som pensjoneres 2027-04-20)* | 6-8 uker | | **Advanced** (complex) | Agentic RAG | Microsoft Agent Framework + custom agents | 12-16 uker | ### Quick-start playbook diff --git a/skills/ms-ai-engineering/references/rag-architecture/rag-evaluation-frameworks.md b/skills/ms-ai-engineering/references/rag-architecture/rag-evaluation-frameworks.md index b8e78c0..be4e1eb 100644 --- a/skills/ms-ai-engineering/references/rag-architecture/rag-evaluation-frameworks.md +++ b/skills/ms-ai-engineering/references/rag-architecture/rag-evaluation-frameworks.md @@ -218,7 +218,7 @@ Bruk `mlflow.log_feedback()` med `AssessmentSourceType.HUMAN` for å logge menne |---------|-------------|------| | Azure AI Evaluation SDK | `pip install azure-ai-evaluation` | Offline/batch evaluering | | MLflow 3 | `pip install mlflow` | Tracing + online evaluering | -| Prompt Flow | Via Azure AI Foundry | End-to-end utvikling | +| Prompt Flow ⚠️ *(pensjoneres 2027-04-20 → MAF)* | Via Azure AI Foundry | End-to-end utvikling | ### Spesialverktøy diff --git a/skills/ms-ai-governance/references/responsible-ai/ai-act-compliance-guide.md b/skills/ms-ai-governance/references/responsible-ai/ai-act-compliance-guide.md index 0ae1f66..aed4655 100644 --- a/skills/ms-ai-governance/references/responsible-ai/ai-act-compliance-guide.md +++ b/skills/ms-ai-governance/references/responsible-ai/ai-act-compliance-guide.md @@ -7,7 +7,9 @@ ## Introduksjon -EU AI Act er verdens første omfattende regulering av kunstig intelligens, vedtatt i 2024 og gjeldende fra august 2024 med gradvis innfasing av krav frem til 2027. For Norge som EEA-medlem blir regelverket direkte gjeldende, med planlagt implementering sommeren 2026. +EU AI Act er verdens første omfattende regulering av kunstig intelligens, vedtatt i 2024 og gjeldende i EU fra august 2024 med gradvis innfasing av krav (tidslinjen er under revisjon via Digital Omnibus). + +> **⚠️ EØS-/Norge-status (verifisert 2026-06-18):** EU AI Act er **ikke formelt innlemmet i EØS-avtalen** per juni 2026 — den er derfor ikke «direkte gjeldende» i Norge ennå. Norsk gjennomføringslov («KI-loven» / lov om kunstig intelligens) var på høring (frist 30. sept. 2025) og er **ikke vedtatt av Stortinget**. Ikrafttredelse er politisk målsatt til sensommer 2026, men ikke en vedtatt dato (Digital Omnibus-forsinkelser kan påvirke). Kilder: regjeringen.no (høring 30.06.2025), europalov.no. Regelverket innfører en risikobasert tilnærming der AI-systemer klassifiseres i fire kategorier: forbudt, høyrisiko, begrenset risiko og minimal risiko. Majoriteten av forpliktelsene gjelder **høyrisiko-systemer**, som omfatter AI brukt i kritiske områder som ansettelse, kredittvurdering, rettshåndhevelse og kritisk infrastruktur. diff --git a/skills/ms-ai-governance/references/responsible-ai/gdpr-compliance-ai-systems.md b/skills/ms-ai-governance/references/responsible-ai/gdpr-compliance-ai-systems.md index 5c1b1ea..f9fbed6 100644 --- a/skills/ms-ai-governance/references/responsible-ai/gdpr-compliance-ai-systems.md +++ b/skills/ms-ai-governance/references/responsible-ai/gdpr-compliance-ai-systems.md @@ -162,7 +162,9 @@ Raw Data (PersonID, Name, Email, Medical Record) → Anonymized Training Data (safe for model training) ``` -**GDPR-relevans**: Anonymiserte data er IKKE personopplysninger under GDPR, og dermed ikke underlagt samme restriksjoner. +**GDPR-relevans**: Effektivt anonymiserte data er ikke personopplysninger under GDPR, og dermed ikke underlagt samme restriksjoner. + +> **⚠️ Nyanse — EDPB Opinion 28/2024 (verifisert 2026-06-18):** «Anonymisert = utenfor GDPR-scope» kan **ikke antas** — det er en løpende, konkret vurdering. EDPB fastslår at en modell først er anonym når **både** (a) sannsynligheten for å trekke ut personopplysninger direkte, og (b) sannsynligheten for å få ut personopplysninger via spørringer, er ubetydelig — vurdert ut fra alle rimelig sannsynlige midler (jf. fortalepunkt 26 GDPR). En modell trent på anonymiserte data kan fortsatt bære re-identifiseringsrisiko. [EDPB Opinion 28/2024](https://www.edpb.europa.eu/our-work-tools/our-documents/opinion-board-art-64/opinion-282024-certain-data-protection-aspects_en). **Confidence marker**: Baseline (model knowledge) + Verified (SmartNoise reference fra MCP) @@ -273,7 +275,7 @@ User DSR Request → Logic App / Power Automate | Chatbot som svarer på FAQ (ingen persondata) | ❌ Nei | Ingen høyrisikobehandling | | Chatbot som aksesserer HR-data for å svare på permisjonsspørsmål | ✅ Ja | Behandling av personopplysninger på vegne av bruker | | AI-modell for ansiktsgjenkjenning i videoovervåking | ✅ Ja | Biometriske data + systematisk overvåking | -| Fine-tuning av modell på anonymisert salgsdata | ❌ Nei | Anonymiserte data er ikke personopplysninger | +| Fine-tuning av modell på anonymisert salgsdata | ⚠️ Betinget | Kun hvis anonymiseringen er effektiv og re-identifiseringsrisiko er ubetydelig (EDPB Opinion 28/2024) — ellers personopplysninger | | Automated decision-making for lånegodkjenning | ✅ Ja | Automatisert beslutning med legal/finansiell effekt | **Anbefaling**: Gjennomfør DPIA for alle AI-systemer som behandler personopplysninger hvor det er automatisert beslutning, profilering, eller sensitiv data (helse, økonomi, biometri). @@ -284,7 +286,7 @@ User DSR Request → Logic App / Power Automate **Utfordring**: Hvis en bruker ber om sletting av sine data, og disse dataene er brukt til å trene en modell, må modellen retrenes? -**GDPR-perspektiv**: Hvis dataene er effektivt anonymisert før trening, er de ikke lenger personopplysninger, og sletting er ikke påkrevd. Hvis dataene IKKE var anonymisert, må organisasjonen enten: +**GDPR-perspektiv**: Hvis dataene er **effektivt** anonymisert før trening og modellen ikke bærer re-identifiseringsrisiko (jf. EDPB Opinion 28/2024 — vurder case-by-case, ikke anta), er de ikke lenger personopplysninger, og sletting er ikke påkrevd. Hvis dataene IKKE var anonymisert — eller modellen fortsatt kan eksponere dem via spørringer — må organisasjonen enten: 1. Retrain modellen uten brukerens data (kostbart) 2. Dokumentere at dataene er aggregert på en måte som gjør identifikasjon umulig (unlearning) 3. Bruke differential privacy fra starten for å sikre at individuelle datapunkter ikke kan rekonstrueres fra modellen