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
This commit is contained in:
parent
a9ff401b6e
commit
6b3c44adc3
4 changed files with 48 additions and 39 deletions
|
|
@ -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**
|
||||
|
|
|
|||
Loading…
Add table
Add a link
Reference in a new issue