fix(ms-ai-architect): Sesjon 10 — K9-destale eng+infra (volatil status → ref)

Begge S10-kriterier møtt (operatør-gated kald LLM-judge): engineering K9 PASS,
infrastructure K9 PASS. Deterministisk ikke regredert: validate 239 · kb-eval 15
· kb-update 122 · kb-integrity 192/192. K4 hevet 4→5 begge skills.

Engineering: modellversjoner (GPT-4o/Whisper/Florence/text-embedding-3) →
generisk kapabilitets-framing; MAF-«erstatter SK»-transisjon + Foundry Agent
Service GA → pekere; «Start med GPT-4o» (ABSENT i ref) droppet.

Infrastructure: SLA-tabell (ABSENT i ref) → relativ-veiledning + MCP-peker;
RTO/RPO-tabell → sammendrag + peker (ref bærer hele tier-modellen); «peak+30%»
(ref sier 20%) → generisk; Phi-3/Phi-4 + parametertall → «Phi-familien»
(fjernet faktafeil «Phi-4 14B»).

Metode: read-only verifiserings-agenter kartla ref-dekning FØR sletting.
judge-results.json oppdatert med ferske kalde eng+infra-verdikter (_updated: S10).

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01REiKFhP4w6xGXXqWKpPCJJ

skills/ms-ai-engineering/SKILL.md

@@ -19,7 +19,7 @@ Fokusområder:
 - **Azure AI Services** -- vision, speech, language, dokumenter
 - **Dataingeniør** -- Fabric, OneLake, data quality, feature stores
 - **MLOps/GenAIOps** -- CI/CD for AI, evaluering, drift detection
-- **Multimodal AI** -- GPT-4o vision, Whisper, multimodal RAG
+- **Multimodal AI** -- vision, tale, multimodal RAG
 - **API Management for AI** -- gateway, rate limiting, semantic caching
 
 ---
@@ -47,7 +47,7 @@ For detailed guidance, see `references/rag-architecture/` (28 files).
 
 ## 2. Agent-orkestrering
 
-Multi-agent systemer lar spesialiserte AI-agenter samarbeide for komplekse oppgaver. Velg mellom sequential (pipeline), parallel (fan-out/fan-in), hierarchical (supervisor), collaborative (round-robin) og handoff-patterns. Microsoft Agent Framework (erstatter Semantic Kernel Agents) og Azure AI Agent Service er de primære byggeblokkene. Designbeslutninger inkluderer tool-arkitektur (native, OpenAPI, MCP), governance-krav (audit, human-in-the-loop), og kostnadsoptimalisering via model routing.
+Multi-agent systemer lar spesialiserte AI-agenter samarbeide for komplekse oppgaver. Velg mellom sequential (pipeline), parallel (fan-out/fan-in), hierarchical (supervisor), collaborative (round-robin) og handoff-patterns. Microsoft Agent Framework og Azure AI Agent Service er de primære byggeblokkene (se kjernefil for status og migrasjon fra Semantic Kernel). Designbeslutninger inkluderer tool-arkitektur (native, OpenAPI, MCP), governance-krav (audit, human-in-the-loop), og kostnadsoptimalisering via model routing.
 
 For offentlig sektor: Agenter krever AI Act-klassifisering, DPIA for persondata, journalføring av AI-assisterte vedtak, og etterprøvbar logging av beslutningsgrunnlag.
 
@@ -59,9 +59,9 @@ For detailed guidance, see `references/agent-orchestration/` (24 files).
 
 ## 3. Azure AI Services
 
-Azure AI Services er managed tjenester for spesifikke AI-oppgaver som brukes som byggeklosser. Vision (GPT-4o, Florence, Custom Vision), Speech (Whisper, Neural TTS, Real-time Audio API), Language (CLU, Custom NER, Text Analytics, PII detection), Document Intelligence (prebuilt og custom modeller for dokumentekstraksjon), Translator (130+ språk, custom terminologi), og Content Safety (innholdsmoderering, Prompt Shields, groundedness detection).
+Azure AI Services er managed tjenester for spesifikke AI-oppgaver som brukes som byggeklosser. Vision (bildeanalyse, OCR, Custom Vision), Speech (talegjenkjenning, Neural TTS, Real-time Audio API), Language (CLU, Custom NER, Text Analytics, PII detection), Document Intelligence (prebuilt og custom modeller for dokumentekstraksjon), Translator (bred språkstøtte, custom terminologi), og Content Safety (innholdsmoderering, Prompt Shields, groundedness detection).
 
-Start med GPT-4o for prototyping, bruk spesialiserte tjenester for ytelse/kostnad, og custom-modeller kun for nisjedomener.
+Start med en generell modell for prototyping, bruk spesialiserte tjenester for ytelse/kostnad, og custom-modeller kun for nisjedomener.
 
 For detailed guidance, see `references/azure-ai-services/` (20 files).
 
@@ -101,7 +101,7 @@ For detailed guidance, see `references/mlops-genaiops/` (22 files).
 
 ## 6. Multimodal AI
 
-Multimodal AI kombinerer tekst, bilde, lyd og video. GPT-4o vision analyserer bilder direkte (base64/URL, detail low/high). Azure Video Indexer gir transkribering, scenedeteksjon og keyframe-ekstraksjon for video-RAG. Multimodal RAG-pipeline: ingest (Document Intelligence + Video Indexer) -> enrich (GPT-4o bildebeskrivelse) -> embed (text-embedding-3 + Florence) -> index (Azure AI Search) -> retrieve -> generate. Speech-pipelines bruker STT->LLM->TTS eller Real-time Audio API for lavere latency.
+Multimodal AI kombinerer tekst, bilde, lyd og video. Multimodal vision analyserer bilder direkte (base64/URL, detail low/high). Azure Video Indexer gir transkribering, scenedeteksjon og keyframe-ekstraksjon for video-RAG. Multimodal RAG-pipeline: ingest (Document Intelligence + Video Indexer) -> enrich (vision-bildebeskrivelse) -> embed (tekst- + bilde-embeddings) -> index (Azure AI Search) -> retrieve -> generate. Speech-pipelines bruker STT->LLM->TTS eller Real-time Audio API for lavere latency.
 
 For detailed guidance, see `references/multi-modal/` (18 files).
 
@@ -130,11 +130,11 @@ Denne skillen har 153 filer fordelt på 7 domener. Bruk `Read`-verktøyet for å
 | Domene | Mappe | Filer | Dekning |
 |--------|-------|-------|---------|
 | RAG-arkitektur | `references/rag-architecture/` | 28 | Naive/advanced/modular/agentic RAG, Azure AI Search, embeddings, chunking, evaluering |
-| Agent-orkestrering | `references/agent-orchestration/` | 24 | Multi-agent patterns, Semantic Kernel, tool use, routing, governance, compliance, Foundry Agent Service GA, A2A, CUA, Foundry Workflows |
+| Agent-orkestrering | `references/agent-orchestration/` | 24 | Multi-agent patterns, Semantic Kernel, tool use, routing, governance, compliance, agent-tjenester, A2A-protokoll, computer-using agents, visuell workflow-orkestrering |
 | Azure AI Services | `references/azure-ai-services/` | 20 | Vision, Speech, Language, Document Intelligence, Translator, Content Safety |
 | Dataingeniør | `references/data-engineering/` | 22 | Fabric Lakehouse, OneLake, Data Factory, data quality, Purview, Delta Lake |
 | MLOps/GenAIOps | `references/mlops-genaiops/` | 22 | CI/CD, model registry, evaluering, drift detection, IaC, GenAIOps pipelines |
-| Multimodal AI | `references/multi-modal/` | 18 | GPT-4o vision, Video Indexer, multimodal RAG, speech pipelines, OCR |
+| Multimodal AI | `references/multi-modal/` | 18 | Vision, Video Indexer, multimodal RAG, speech pipelines, OCR |
 | API Management | `references/api-management/` | 19 | APIM AI gateway, rate limiting, circuit breaker, semantic caching, security |
 
 **Totalt: 153 filer**

skills/ms-ai-infrastructure/SKILL.md

@@ -27,7 +27,7 @@ BCDR-planlegging for AI skiller seg fra tradisjonell DR ved at man også må hå
 
 ### 1.1 Multi-region deployment
 
-Norway East som primærregion (datasuverenitet, lav latens), Sweden Central som sekundær (bredere modellutvalg, EU-compliant), France Central/UK South som tertiær. Data Zone-deployeringer forenkler ruting innenfor EU-sonen.
+Norway East som primærregion (datasuverenitet, lav latens), Sweden Central som sekundær (EU-compliant), France Central/UK South som tertiær. Data Zone-deployeringer forenkler ruting innenfor EU-sonen.
 
 Lastbalansering via APIM som gateway foran Azure OpenAI-endepunkter:
 - Priority-based routing: primær region først, failover ved helsesjekk-feil
@@ -40,13 +40,7 @@ Separate kvoter per region -- planlegg for tilstrekkelig TPM i failover. PTU i p
 
 ### 1.2 RTO/RPO-planlegging
 
-| Komponent | Typisk RTO | RPO | Strategi |
-|-----------|-----------|-----|----------|
-| Azure OpenAI | < 5 min | N/A (stateless) | Multi-region med APIM failover |
-| Azure AI Search | 15-60 min | Timer | Geo-replikerte indekser |
-| Embedding-vektorer | Timer | Sist fullført indeksering | Rebuild fra kilde |
-| Samtalehistorikk | Minutter | < 1 min | Cosmos DB multi-region writes |
-| Custom models | Timer-dager | Siste versjon | Modellregister med versjonering |
+RTO/RPO settes per komponent ut fra kritikalitet og tilstandsbehov: stateless endepunkter (Azure OpenAI) gjenopprettes raskt via multi-region failover, mens søkeindekser, embedding-vektorer og samtalehistorikk krever geo-replikering eller rebuild-pipelines med komponentspesifikke mål. Bruk ref-fila for tier-modell, innebygde RPO-tall per tjeneste og dokumentasjonsmal.
 
 Definer kritikalitet per AI-arbeidsflyt, test failover regelmessig, dokumenter manuell prosedyre.
 
@@ -84,18 +78,13 @@ AI-spesifikke incident-kategorier (hallusinering, datalekkasje, kapasitetsmangel
 
 ### 1.7 Kapasitetsplanlegging
 
-TPM per region/modell -- planlegg for peak + 30% buffer. GPU-kapasitet varierer per region. PTU reserveres i forkant. Overvåk 429-rater og latens-percentiler for tidlig varsel.
+TPM per region/modell -- planlegg for peak med kapasitetsbuffer. GPU-kapasitet varierer per region. PTU reserveres i forkant. Overvåk 429-rater og latens-percentiler for tidlig varsel.
 
 > **Ref:** `references/bcdr/capacity-planning-dr-configurations.md`
 
 ### 1.8 SLA-dokumentasjon
 
-| Tjeneste | SLA | Merknad |
-|----------|-----|---------|
-| Azure OpenAI | 99.9% | Standard og PTU, per region |
-| Azure AI Search | 99.9% | Standard+ med replikaer |
-| Cosmos DB | 99.999% | Multi-region med multi-write |
-| Azure API Management | 99.95% | Standard v2, gateway-laget |
+Hver tjeneste har egen SLA som varierer med tier, replikering og region — datatjenester med multi-region-replikering ligger typisk høyere enn enkeltstående compute-tjenester. Hent gjeldende SLA-tall per tjeneste og region via `microsoft_docs_fetch` eller `research-agent` før DR-planlegging.
 
 Beregn sammensatt SLA, kartlegg gap mot forretningskrav, etabler intern SLO.
 
@@ -138,7 +127,7 @@ Sentralisert kontrollflate for hybride miljøer:
 
 > **Ref:** `references/hybrid-edge/azure-arc-ai-management.md`
 
-### 2.2 Azure Local (tidl. Azure Stack HCI)
+### 2.2 Azure Local
 
 Fullstendig Azure-kompatibelt on-premises med AKS og Azure ML lokalt. Sertifisert maskinvare (Dell, Lenovo, HPE), Azure-abonnement (OpEx), VDI med GPU for AI-utvikling. Ideell for strenge dataresidens-krav.
 
@@ -146,7 +135,7 @@ Fullstendig Azure-kompatibelt on-premises med AKS og Azure ML lokalt. Sertifiser
 
 ### 2.3 Edge-inferens med ONNX Runtime
 
-Kryssplattform (Windows, Linux, Android, iOS, WebAssembly) med hardware-akselerasjon (CUDA/TensorRT, OpenVINO, QNN, CoreML). Kvantisering (INT8/INT4), modellkonvertering fra PyTorch/TF/HF. ONNX Runtime GenAI for generative modeller (Phi-3/Phi-4) på edge.
+Kryssplattform (Windows, Linux, Android, iOS, WebAssembly) med hardware-akselerasjon (CUDA/TensorRT, OpenVINO, QNN, CoreML). Kvantisering (INT8/INT4), modellkonvertering fra PyTorch/TF/HF. ONNX Runtime GenAI for generative modeller (Phi-familien) på edge.
 
 > **Ref:** `references/hybrid-edge/onnx-runtime-edge-deployment.md`
 
@@ -155,7 +144,7 @@ Kryssplattform (Windows, Linux, Android, iOS, WebAssembly) med hardware-akselera
 **Scenarier:** forsvar/beredskap, maritime operasjoner, feltarbeid uten dekning, air-gapped nettverk.
 
 **Mønstre:**
-- Pre-lastet SLM (Phi-3/Phi-4) med lokal inferens
+- Pre-lastet SLM (Phi-familien) med lokal inferens
 - Lokal vektordatabase (ChromaDB, LanceDB) for offline RAG
 - Store-and-forward synkronisering med prioritering og konfliktløsning
 
@@ -181,9 +170,9 @@ Lokal vektordatabase (edge tier) + Azure AI Search (cloud tier) med intelligent
 
 > **Ref:** `references/hybrid-edge/hybrid-rag-architecture.md`
 
-### 2.8 Phi-3/Phi-4 SLM på edge
+### 2.8 Phi-familien (SLM) på edge
 
-Phi-4-mini (3.8B) og Phi-4 (14B), kvantisering til INT4. Deployment via ONNX Runtime GenAI, AKS Edge Essentials, Windows AI med NPU, eller Azure Local med GPU. Bruk: dokumentklassifisering, kodegenerering i sikre miljøer, sanntidsspråkprosessering, oversettelse offline.
+Phi-familiens kompakte modeller med aggressiv kvantisering (INT4). Deployment via ONNX Runtime GenAI, AKS Edge Essentials, Windows AI med NPU, eller Azure Local med GPU. Bruk: dokumentklassifisering, kodegenerering i sikre miljøer, sanntidsspråkprosessering, oversettelse offline.
 
 > **Ref:** `references/hybrid-edge/on-premises-slm-phi-deployment.md`
 
@@ -246,7 +235,7 @@ NSM stiller krav til: identifisering/kartlegging av AI-systemer, sikkerhetskontr
 
 ### 3.4 Disconnected scenarios for forsvar/beredskap
 
-Air-gapped nettverk, feltdeployerbare AI-systemer, drift uten skyavhengighet. Phi-3/Phi-4 SLM med lokal inferens, Azure Local i lukkede miljøer med manuell oppdatering. Graderte miljøer krever NSM-godkjent infrastruktur.
+Air-gapped nettverk, feltdeployerbare AI-systemer, drift uten skyavhengighet. Phi-familiens SLM med lokal inferens, Azure Local i lukkede miljøer med manuell oppdatering. Graderte miljøer krever NSM-godkjent infrastruktur.
 
 ### 3.5 Suveren sky-initiativ i EU/EØS