feat(ultraplan-local): v1.6.0 — /ultraresearch-local deep research command

Add /ultraresearch-local for structured research combining local codebase analysis with external knowledge via parallel agent swarms. Produces research briefs with triangulation, confidence ratings, and source quality assessment. New command: /ultraresearch-local with modes --quick, --local, --external, --fg. New agents: research-orchestrator (opus), docs-researcher, community-researcher, security-researcher, contrarian-researcher, gemini-bridge (all sonnet). New template: research-brief-template.md. Integration: --research flag in /ultraplan-local accepts pre-built research briefs (up to 3), enriches the interview and exploration phases. Planning orchestrator cross-references brief findings during synthesis. Design principle: Context Engineering — right information to right agent at right time. Research briefs are structured artifacts in the pipeline: ultraresearch → brief → ultraplan --research → plan → ultraexecute. Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
2026-04-08 08:58:35 +02:00 · 2026-04-08 08:58:35 +02:00 · baa2d0220b
commit baa2d0220b
488 changed files with 213221 additions and 0 deletions
--- a/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-custom-models.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-custom-models.md
@ -0,0 +1,459 @@
+# Document Intelligence - Custom Model Training
+
+**Last updated:** 2026-02
+**Status:** GA
+**Category:** Azure AI Services (Foundry Tools)
+
+---
+
+## Introduksjon
+
+Azure AI Document Intelligence tilbyr custom models som gjør det mulig å trene egne modeller på spesifikke dokumenttyper og forretningsprosesser. Custom models kommer i to varianter: **custom template** (strukturerte skjemaer med konsistent layout) og **custom neural** (strukturerte, semi-strukturerte og ustrukturerte dokumenter med varierende layout). Med v4.0 (GA) API-en har custom neural models fått støtte for signaturdeteksjon, overlappende felter, og tabell-/celle-konfidensscoring.
+
+Custom models lar organisasjoner automatisere ekstraksjon av nøkkeldata fra dokumenter som ikke dekkes av prebuilt models, som interne skjemaer, kontrakter, spesialiserte fakturaer, og bransje-spesifikke dokumenter. Modellene trenes med labeled datasets (minimum 5 dokumenter for å komme i gang), og kan kombineres til composed models for å håndtere flere dokumentvarianter i ett endepunkt.
+
+Document Intelligence Studio tilbyr en no-code opplevelse for labeling, trening og testing, mens REST API og SDKer gir full programmatisk kontroll. Custom neural models støtter nå opptil 50,000 siders treningsdata og kan trenes i opptil 10 timer (10 gratis timer per måned, deretter betalt trening).
+
+## Kjernekomponenter / Nøkkelegenskaper
+
+### Custom Model Types
+
+| Type | Bruksområde | Treningstid | Dokumentstruktur |
+|------|-------------|-------------|------------------|
+| **Custom Template** | Skjemaer med konsistent layout (søknader, spørreskjemaer) | 1-5 minutter | Template-basert, krever identisk visuell struktur |
+| **Custom Neural** | Dokumenter med varierende layout (W2-skjemaer, fakturaer fra ulike leverandører) | 30 min - 12 timer | Strukturert, semi-strukturert, ustrukturert |
+
+### Ekstraksjonskapabiliteter
+
+| Funksjon | Custom Template | Custom Neural | v4.0 GA Features |
+|----------|-----------------|---------------|------------------|
+| Key-value pairs | ✔ | ✔ | |
+| Selection marks | ✔ | ✔ | |
+| Tabeller (tabular fields) | ✔ | ✔ | Tabell/rad/celle-konfidensscoring |
+| Signaturdeteksjon | ✔ | ✔ | Signaturfelter (min. 5 samples) |
+| Region labeling | ✔ | ✔ (bruker Layout API-resultater) | |
+| Overlappende felter | ❌ | ✔ | Complete/partial overlap støtte |
+
+### Treningskrav (Input Requirements)
+
+| Kategori | Template Model | Neural Model |
+|----------|----------------|--------------|
+| **Minimum dokumenter** | 5 | 5 |
+| **Maks treningssider** | 500 | 50,000 |
+| **Maks treningsstørrelse** | 50 MB | 1 GB |
+| **Filformater** | PDF, JPEG/JPG, PNG, BMP, TIFF, HEIF | PDF, JPEG/JPG, PNG, BMP, TIFF, HEIF |
+| **Maks sider per dokument** | 2,000 (F0: 2 sider) | 2,000 (F0: 2 sider) |
+| **Maks filstørrelse (analyse)** | S0: 500 MB, F0: 4 MB | S0: 500 MB, F0: 4 MB |
+| **Bilde-dimensjoner** | 50×50 til 10,000×10,000 px | 50×50 til 10,000×10,000 px |
+
+### Treningsbudsjett og Kostnader
+
+```json
+// v4.0 2024-11-30 (GA) - Paid Training Support
+POST https://{endpoint}/documentintelligence/documentModels:build?api-version=2024-11-30
+{
+  "modelId": "invoice-extractor-v2",
+  "description": "Invoice extraction with 10h training",
+  "buildMode": "neural",
+  "maxTrainingHours": 10,
+  "azureBlobSource": {
+    "containerUrl": "<SAS-URL>",
+    "prefix": "invoices/training/"
+  }
+}
+```
+
+| API-versjon | Gratis treningsbudsjett | Maks treningslengde | Billing |
+|-------------|------------------------|---------------------|---------|
+| v4.0 (2024-11-30) | 10 timer/måned | 10 timer per build | Faktisk tid brukt (min. 30 min per jobb) |
+| v3.1/v3.0 | 20 byggeoperasjoner/måned | 30 minutter per build | Ingen ekstra kostnad (innenfor kvote) |
+
+**Viktig:** Betalt trening i v4.0 krever at `maxTrainingHours` settes eksplisitt. API-kall uten budsjett vil feile hvis du ber om mer enn 10 timer.
+
+### Composed Models
+
+Kombiner opptil 200 custom models til én modell-ID. Document Intelligence klassifiserer automatisk dokumentet og velger best match model.
+
+```python
+# Python SDK - Compose Models
+from azure.ai.documentintelligence import DocumentIntelligenceAdministrationClient
+
+admin_client = DocumentIntelligenceAdministrationClient(endpoint, credential)
+
+poller = admin_client.begin_compose_model(
+    compose_request={
+        "modelId": "invoice-master-v1",
+        "description": "All invoice variants",
+        "componentModels": [
+            {"modelId": "invoice-vendor-a"},
+            {"modelId": "invoice-vendor-b"},
+            {"modelId": "invoice-vendor-c"}
+        ]
+    }
+)
+composed_model = poller.result()
+```
+
+## Arkitekturmønstre
+
+### Mønster 1: Single Custom Neural Model (Recommended Start)
+
+**Bruk når:** Dokumenter har samme informasjon, men varierende layout.
+
+**Fordeler:**
+- Generaliserer på tvers av formater (én modell for alle W2-varianter fra ulike selskaper)
+- Enklere vedlikehold (én modell å oppdatere)
+- Lavere latens (ingen klassifiseringsoverhead)
+
+**Ulemper:**
+- Kan kreve mer treningsdata (minst 5 samples per variant)
+- Treningstid 30 min - 12 timer (vs. 1-5 min for template)
+
+**Implementering:**
+1. Samle 5+ samples per dokumentvariant
+2. Label alle felter i Document Intelligence Studio
+3. Tren med `buildMode: "neural"`
+4. Test med dokumenter fra alle varianter
+
+```python
+# Label contiguous values - VIKTIG for neural models
+# ❌ FEIL: "Supplier ID: ABC123" lablet som ett felt
+# ✔ RIKTIG: Kun "ABC123" lablet (uten key)
+```
+
+### Mønster 2: Custom Template + Composed Model
+
+**Bruk når:** Dokumenter har konsistent layout per type, men flere dokumenttyper i samme prosess.
+
+**Fordeler:**
+- Rask trening (1-5 min per modell)
+- Høy presisjon for strukturerte skjemaer
+- Enkel å debugge (én template per format)
+
+**Ulemper:**
+- Krever én modell per layoutvariant
+- Ikke robust mot layoutendringer
+- Maks 200 component models per composed model
+
+**Implementering:**
+1. Tren separate template models for hver layoutvariant
+2. Compose models til én modell-ID
+3. Document Intelligence klassifiserer automatisk ved analyse
+
+```bash
+# REST API - Build Template Model
+POST https://{endpoint}/documentintelligence/documentModels:build?api-version=2024-11-30
+{
+  "modelId": "po-template-vendor-a",
+  "buildMode": "template",
+  "azureBlobSource": {
+    "containerUrl": "<SAS>",
+    "prefix": "vendor-a/"
+  }
+}
+```
+
+### Mønster 3: Custom Classifier + Custom Extraction
+
+**Bruk når:** Multi-dokument filer (én PDF med flere dokumenttyper) eller behov for å splitte dokumenter før ekstraksjon.
+
+**Fordeler:**
+- Automatisk dokumenttype-identifikasjon
+- Støtter splitting (én file → mange dokumenter)
+- Office-format støtte (DOCX, XLSX, PPTX) i v4.0
+
+**Ulemper:**
+- To-trinns prosess (klassifiser → ekstraher)
+- Ekstra latens og kostnader
+- Krever egen treningsdata for classifier
+
+**Implementering:**
+1. Tren custom classification model (min. 5 samples per klasse)
+2. Tren custom extraction models for hver dokumenttype
+3. Pipeline: Classify → Extract med riktig modell
+
+## Beslutningsveiledning
+
+### Velge mellom Template og Neural
+
+| Scenario | Anbefaling | Begrunnelse |
+|----------|-----------|--------------|
+| Interne skjemaer (søknader, timesheet) | **Template** | Konsistent layout, rask trening, lavere kostnad |
+| Fakturaer fra mange leverandører | **Neural** | Varierende layout, én modell for alle |
+| Kontrakter (varierende struktur) | **Neural** | Semi-strukturert, ingen fast template |
+| Spørreskjemaer (standardisert PDF) | **Template** | Identisk layout, høy presisjon |
+| W2-skjemaer (USA tax forms) | **Neural** | Samme info, ulike selskaper = ulike layouts |
+
+### Vanlige feil og fallgruver
+
+| Problem | Årsak | Løsning |
+|---------|-------|---------|
+| Lav accuracy (<80%) | For lite treningsdata | Øk til 10-15 samples, inkluder variasjoner |
+| Modellen finner ikke felt | Field ikke lablet konsistent | Bruk samme field-navn på tvers av dokumenter |
+| "Region overlaps other field" error | Overlappende labels i Studio | Bruk **region labeling** (ikke field selection) for overlaps |
+| Trening feiler etter 30 min | v3.x API-begrensning | Oppgrader til v4.0 eller reduser datasett |
+| Tabelldata ikke ekstrahert | Tabell ikke lablet som tabular field | Label tabell med Table-type (ikke individuelle celler) |
+
+### Røde flagg (When NOT to use Custom Models)
+
+| Red Flag | Alternativ |
+|----------|-----------|
+| Dokumentet dekkes av prebuilt model (faktura, kvittering, ID-kort) | Bruk prebuilt models (lavere kostnad, ingen trening) |
+| Under 5 samples tilgjengelig | Vent til du har mer data, eller bruk prebuilt → custom hybrid |
+| Ekstrem layoutvariasjon (100+ unique formats) | Vurder GPT-4o/GPT-4 Turbo multimodal extraction |
+| Real-time krav (<1 sek responstid) | Custom models har 5-15 sek latens (avhengig av dokumentstørrelse) |
+
+## Integrasjon med Microsoft-stakken
+
+### Azure AI Foundry (tidligere Azure ML)
+
+```python
+# Deploy custom model i AI Foundry project
+from azure.ai.ml import MLClient
+from azure.ai.ml.entities import ManagedOnlineEndpoint, ManagedOnlineDeployment
+
+ml_client = MLClient.from_config()
+
+# Custom model trained i Document Intelligence
+model_id = "invoice-extractor-v2"
+
+# Deploy til managed endpoint
+endpoint = ManagedOnlineEndpoint(
+    name="invoice-extraction",
+    auth_mode="key"
+)
+ml_client.begin_create_or_update(endpoint).result()
+```
+
+### Power Automate + AI Builder
+
+AI Builder's **Document Processing** lar deg bruke custom models direkte i Power Automate flows:
+
+1. I AI Builder: **Use a Custom Model** → Import Document Intelligence model-ID
+2. I Power Automate: **Process and save information from documents** → Velg custom model
+3. Map ekstraherte felter til SharePoint/Dataverse/CRM
+
+**Begrensning:** AI Builder custom models støtter kun **template models**, ikke neural (per januar 2026).
+
+### Microsoft Graph + Document Intelligence
+
+```csharp
+// Analyser OneDrive/SharePoint-dokument med custom model
+var graphClient = new GraphServiceClient(authProvider);
+var driveItem = await graphClient.Me.Drive.Items["{item-id}"].Request().GetAsync();
+
+using var stream = await graphClient.Me.Drive.Items["{item-id}"].Content.Request().GetAsync();
+
+var docClient = new DocumentIntelligenceClient(new Uri(endpoint), new AzureKeyCredential(key));
+var operation = await docClient.AnalyzeDocumentAsync(
+    WaitUntil.Completed,
+    "invoice-extractor-v2",
+    new AnalyzeDocumentContent { BytesSource = BinaryData.FromStream(stream) }
+);
+```
+
+### Semantic Kernel Integration
+
+```csharp
+// Custom model som Semantic Kernel plugin
+public class InvoiceExtractionPlugin
+{
+    [SKFunction, Description("Extract invoice fields from document")]
+    public async Task<string> ExtractInvoiceAsync(
+        [Description("Document URL or base64")] string document,
+        SKContext context)
+    {
+        var client = new DocumentIntelligenceClient(endpoint, credential);
+        var result = await client.AnalyzeDocumentFromUriAsync(
+            WaitUntil.Completed,
+            "invoice-extractor-v2",
+            new Uri(document)
+        );
+
+        return JsonSerializer.Serialize(result.Value.Documents[0].Fields);
+    }
+}
+```
+
+## Offentlig sektor (Norge)
+
+### GDPR og Datasuverenitet
+
+| Aspekt | Vurdering | Anbefaling |
+|--------|-----------|------------|
+| **Treningsdata lokasjon** | Azure Blob Storage kan være i Norge (Norway East) | Bruk Norway East for treningsdata og modeller |
+| **Modell hosting** | Custom models lagres i regionen hvor de trenes | Tren i Norway East for å sikre datasuverenitet |
+| **Inferens (analyse)** | API-kall kan rutes til nærmeste region | Spesifiser Norway East-endpoint eksplisitt |
+| **Model copy** | Modeller kan kopieres til andre regioner | Begrens kopiering til EU/EEA-regioner |
+
+**Neural Model Region Support:** Custom neural models kan KUN trenes i utvalgte regioner (inkl. West Europe, ikke Norway East). Løsning:
+1. Tren modell i **West Europe** (EU-region, GDPR-compliant)
+2. Kopier modell til **Norway East** for produksjon
+3. Analyser dokumenter med Norway East-endpoint
+
+```python
+# Copy model fra West Europe til Norway East
+target_client = DocumentIntelligenceAdministrationClient(
+    endpoint="https://<norway-resource>.cognitiveservices.azure.com",
+    credential=AzureKeyCredential(norway_key)
+)
+
+copy_auth = target_client.get_copy_authorization(
+    model_id="invoice-model-norway",
+    description="Production model in Norway"
+)
+
+source_client.begin_copy_model_to(
+    model_id="invoice-model-westeu",
+    target=copy_auth
+)
+```
+
+### AI Act (EU) Compliance
+
+Custom models klassifiseres som **"limited risk"** AI-system (ikke høyrisiko) hvis de brukes til:
+- Dokumentautomatisering (fakturahåndtering, arkivering)
+- Intern prosesseffektivisering
+
+**Høyrisiko-klassifisering** (krever konformitetsvurdering) hvis brukt til:
+- Automatiske avgjørelser som påvirker rettigheter (trygdeytelser, lånesøknader)
+- Sikkerhets-kritiske prosesser (politietterforskning, grensekontroll)
+
+**Anbefalinger for offentlig sektor:**
+- Dokumenter modellens treningsdata (datasett-karakteristikk, labeling-prosess)
+- Logg model accuracy og confidence scores per dokument
+- Implementer human-in-the-loop for lav confidence (<0.8)
+- Oppretthold audit trail (hvilken modell-versjon ble brukt for hver analyse)
+
+### Forvaltningsloven § 11 (Innsyn)
+
+Innbyggere har rett til innsyn i dokumenter som omhandler dem. Custom models må:
+1. **Bevare original** - Lagre både original dokument OG ekstraherte data
+2. **Audit trail** - Logg hvilken modell-versjon som analyserte dokumentet
+3. **Manual review** - Tilby mulighet for manuell gjennomgang ved lav confidence
+
+### Schrems II (Data Transfers)
+
+**Problem:** Microsoft kan i teorien få ordre fra amerikanske myndigheter om innsyn i data.
+
+**Mitigering:**
+1. Bruk **EU Data Boundary** (alle tjenester i EU-regioner)
+2. Krypter sensitive felter før opplasting til Azure Blob Storage
+3. Vurder **customer-managed keys** (CMK) for encryption at rest
+4. Implementer data retention policies (slett treningsdata etter modell-trening)
+
+## Kostnad og lisensiering
+
+### Prismodell (per februar 2026)
+
+| Operasjon | Kostnad (approx.) | Enhet |
+|-----------|-------------------|-------|
+| **Trening (v4.0)** | Gratis: 10 timer/mnd<br>Betalt: ~$1.50/time | Per time faktisk treningstid (min. 30 min) |
+| **Trening (v3.x)** | Gratis: 20 builds/mnd<br>Betalt: N/A (ikke støttet) | Per build (maks 30 min) |
+| **Analyse (S0)** | ~$1.50 per 1000 sider | Per side analysert |
+| **Lagring (modeller)** | Gratis | Modeller lagres i 90 dager uten kostnad |
+| **Blob Storage** | Standard blob-priser | ~$0.02/GB/måned (LRS, hot tier) |
+
+### Total Cost of Ownership (TCO) Scenario
+
+**Case:** 10,000 fakturaer/måned, 2 siders gjennomsnitt
+
+| Komponent | Beregning | Kostnad/mnd |
+|-----------|-----------|-------------|
+| Initial trening (v4.0, 5 timer) | Gratis (innenfor 10t kvote) | $0 |
+| Re-trening (månedlig, 2 timer) | Gratis (innenfor 10t kvote) | $0 |
+| Analyse (20,000 sider) | 20 × $1.50 | $30 |
+| Blob Storage (100 GB treningsdata) | 100 × $0.02 | $2 |
+| **Total** | | **$32/mnd** |
+
+**Sammenlignet med manuell prosessering:**
+- Manuell tid: 10,000 fakturaer × 2 min = 333 timer
+- Kostnad (ved $30/time): $10,000/mnd
+- **ROI:** 312x kostnadsinnsparning
+
+### Optimaliseringstips
+
+1. **Bruk prebuilt models først** - Custom models kun for unike behov
+2. **Batch processing** - Reduser API-kall ved å analysere flere dokumenter i én operasjon (opptil 2000 sider)
+3. **Caching** - Lagre results for identiske dokumenter (sjekk hash før analyse)
+4. **Model lifecycle** - Re-tren kun når accuracy faller (ikke på fast schedule)
+5. **Free tier testing** - Bruk F0 tier for utvikling/testing (4 MB limit, 2 sider)
+
+## For arkitekten (Cosmo)
+
+### Spørsmål å stille klienten
+
+1. **Dokumentvariasjoner:** "Har fakturaene/dokumentene konsistent layout, eller varierer strukturen mellom leverandører/avdelinger?"
+2. **Volum og frekvens:** "Hvor mange dokumenter analyserer dere per måned, og hva er topp-belastningen?"
+3. **Eksisterende prosess:** "Hvordan håndteres dokumentene i dag - manuell registrering, OCR, eller ingen prosess?"
+4. **Data retention:** "Hvor lenge må treningsdata og analyserte dokumenter lagres for compliance?"
+5. **Accuracy-krav:** "Hva er akseptabelt feilnivå? Kan dere akseptere 5% feilrate med manuell review, eller kreves 99%+ accuracy?"
+6. **Real-time vs batch:** "Må dokumenter analyseres umiddelbart (real-time), eller kan de prosesseres i batch?"
+7. **Integration:** "Skal resultatene integreres med eksisterende systemer (ERP, CRM, SharePoint)? Hvilke?"
+8. **Sensitive data:** "Inneholder dokumentene personopplysninger eller forretningshemmeligheter som krever ekstra sikkerhet?"
+
+### Fallgruver og røde flagg
+
+| Fallgruve | Symptom | Forebygging |
+|-----------|---------|-------------|
+| **Under-labeled dataset** | Model accuracy <70% | Krev minst 10-15 samples, ikke 5 minimum |
+| **Inconsistent labeling** | Felt funnet i noen docs, ikke andre | Bruk samme field-navn, label ALLE samples |
+| **Template for neural use case** | Model feiler på nye layoutvarianter | Start med neural hvis layoutvariasjon er kjent |
+| **Neural for template use case** | Unødvendig lang treningstid (30 min vs 2 min) | Bruk template hvis layout ER konsistent |
+| **No validation dataset** | Ingen måte å verifisere accuracy | Del dataset 80/20 (training/testing) |
+| **Over-fitting** | Perfekt på treningsdata, dårlig på nye docs | Bruk diverse samples (ulike leverandører, datoer, beløp) |
+
+### Anbefalinger per modenhetsnivå
+
+#### Nivå 1: Proof of Concept (1-2 uker)
+- **Mål:** Verifiser at custom model løser use case
+- **Approach:** Document Intelligence Studio (no-code)
+- **Dataset:** 5-10 representative samples
+- **Model:** Custom neural (mest generell)
+- **Success criteria:** >80% accuracy på test-set
+
+#### Nivå 2: Pilot (1-2 måneder)
+- **Mål:** Produksjonsklar løsning for én dokumenttype
+- **Approach:** REST API + Azure Functions/Logic Apps
+- **Dataset:** 20-50 samples med variasjoner
+- **Model:** Template eller neural basert på POC-læring
+- **Success criteria:** >90% accuracy, <10 sek latens, human-in-the-loop for <0.8 confidence
+
+#### Nivå 3: Enterprise Scale (3-6 måneder)
+- **Mål:** Multi-dokument pipeline med CI/CD
+- **Approach:** SDK + Azure DevOps + monitoring
+- **Dataset:** 100+ samples per dokumenttype, continuous learning
+- **Model:** Composed models + custom classifier
+- **Success criteria:** >95% accuracy, auto-retry logic, model versioning, A/B testing
+
+**Arkitekturbeslutninger for scale:**
+- **Model registry** - Azure Container Registry for model artifacts
+- **Feature store** - Lagre ekstraherte felter i Cosmos DB/SQL for downstream analytics
+- **Monitoring** - Application Insights custom metrics (accuracy per document type, confidence distribution)
+- **Retraining pipeline** - Automatisk re-trening når accuracy faller under threshold
+
+## Kilder og verifisering
+
+### Microsoft Learn URLs (Verified via MCP)
+
+1. **Custom Neural Model** - https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/train/custom-neural?view=doc-intel-4.0.0 (Verified: 2026-02)
+2. **Custom Model Overview** - https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/train/custom-model?view=doc-intel-4.0.0 (Verified: 2026-02)
+3. **Build Custom Model Guide** - https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/how-to-guides/build-a-custom-model?view=doc-intel-4.0.0 (Verified: 2026-02)
+4. **Custom Template Model** - https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/train/custom-template?view=doc-intel-4.0.0 (Verified: 2026-02)
+5. **Composed Models** - https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/how-to-guides/compose-custom-models?view=doc-intel-4.0.0 (Verified: 2026-02)
+6. **Custom Classifier** - https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/train/custom-classifier?view=doc-intel-4.0.0 (Verified: 2026-02)
+
+### Konfidensnivå per seksjon
+
+| Seksjon | Konfidensgrunnlag | Merknad |
+|---------|-------------------|---------|
+| Introduksjon | **Verified** | MCP-basert, offisiell docs |
+| Kjernekomponenter | **Verified** | Tabeller fra Microsoft Learn |
+| Arkitekturmønstre | **Baseline + Expert** | Best practices fra mønster-analyse |
+| Beslutningsveiledning | **Expert** | Basert på praktisk erfaring (supplerer docs) |
+| Integrasjon Microsoft-stakken | **Baseline** | SDK-eksempler fra MCP, noen hybridscenarier er inferert |
+| Offentlig sektor | **Expert** | GDPR/AI Act-analyse er fortolkning av regelverk |
+| Kostnad og lisensiering | **Verified (pricing)** + **Expert (TCO)** | Offisiell pricing, ROI-scenarioer er eksempler |
+| For arkitekten | **Expert** | Rådgivende innhold basert på Cosmo-persona |
+
+**Disclaimer:** Priser er omtrentlige og kan variere per region og enterprise-avtaler. Valider mot Azure Pricing Calculator før budsjettbeslutninger.