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

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

Browse source 
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>
This commit is contained in:
Kjell Tore Guttormsen 2026-04-08 08:58:35 +02:00
commit baa2d0220b
488 changed files with 213221 additions and 0 deletions
Download patch file Download diff file Expand all files Collapse all files

553
skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-prebuilt-models.md Normal file
View file

@ -0,0 +1,553 @@
# Document Intelligence - Prebuilt Models for Forms and Invoices
**Last updated:** 2026-02
**Status:** GA
**Category:** Azure AI Services (Foundry Tools)
---
## Introduksjon
Azure AI Document Intelligence tilbyr forhåndsbyggede (prebuilt) modeller som bruker maskinlæring og Optical Character Recognition (OCR) til å ekstrakere strukturerte data fra dokumenter uten behov for trening. Disse modellene er spesialiserte for vanlige dokumenttyper som fakturaer, kvitteringer, identitetsdokumenter, skatteskjemaer og finansielle dokumenter. Modellene returnerer strukturert JSON-output med felter, konfidensgrader og posisjoner.
Prebuilt-modellene er "out-of-the-box" løsninger som kan brukes umiddelbart, i motsetning til custom models som må trenes på egne data. De støtter 27 språk og håndterer ulike formater: skannet, fotografert, håndskrevet og digitale PDF-dokumenter. Version v4.0 (GA: 2024-11-30) introduserte nye felt som `ReceiptType`, `TaxDetails`, og VAT-ekstraksjon for hotellkvitteringer.
Document Intelligence er del av Azure AI Foundry Tools og fungerer som en IDP (Intelligent Document Processing) plattform som kombinerer OCR, struktur-ekstraksjon og domene-spesifikke modeller for skalerbare dokumentløsninger.
---
## Kjernekomponenter
### Financial Services-modeller
| Modell | Model ID | Formål | Hoved-felter |
|--------|----------|--------|--------------|
| **Invoice** | `prebuilt-invoice` | Automatisert fakturabehandling (accounts payable) | Customer name, billing address, due date, amount due, line items, tax details |
| **Receipt** | `prebuilt-receipt` | Kvitteringsdigitalisering for utgiftshåndtering | Merchant name, phone, transaction date/time, total, subtotal, tax, tip, line items |
| **Bank Statement** | `prebuilt-bankStatement` | Kontoutskrifter fra amerikanske banker | Account number, bank details, statement details, transaction details |
| **Credit Card** | `prebuilt-creditCard` | Betalingskortinformasjon | Card number, expiration, cardholder name |
| **Check** | `prebuilt-check` | Sjekkbehandling | Check number, amount, payee, date |
| **Contract** | `prebuilt-contract` | Kontraktsanalyse | Client name/address, contract duration, renewal date, parties |
| **Pay Stub** | `prebuilt-payStub.us` | Lønnslipper | Employee info, pay period, gross/net pay, deductions |
### Identity & Tax-modeller
| Modell | Model ID | Formål |
|--------|----------|--------|
| **ID Document** | `prebuilt-idDocument` | Identitetsverifisering (førerkort, pass, ID-kort) |
| **Health Insurance Card** | `prebuilt-healthInsuranceCard.us` | US helseforsikringskort |
| **Marriage Certificate** | `prebuilt-marriageCertificate` | Vigselattester |
| **US Tax W-2** | `prebuilt-tax.us.w2` | Skattbar kompensasjon |
| **US Tax 1098** | `prebuilt-tax.us.1098` | 1098-variasjoner |
| **US Tax 1099** | `prebuilt-tax.us.1099` | 1099-variasjoner |
| **US Tax 1040** | `prebuilt-tax.us.1040` | 1040-variasjoner |
| **Unified US Tax** | `prebuilt-tax.us` | Generisk for alle US tax-skjemaer |
### US Mortgage-modeller
| Modell | Model ID | Formål |
|--------|----------|--------|
| **1003** | `prebuilt-mortgage.us.1003` | Lånesøknad |
| **1004** | `prebuilt-mortgage.us.1004` | Appraisal (takst) |
| **1005** | `prebuilt-mortgage.us.1005` | Bekreftelse av ansettelse |
| **1008** | `prebuilt-mortgage.us.1008` | Låneoverføring |
| **Disclosure** | `prebuilt-mortgage.us.disclosure` | Endelige lånevilkår |
### Grunnleggende modeller
| Modell | Model ID | Formål |
|--------|----------|--------|
| **Read** | `prebuilt-read` | OCR: tekst, linjer, ord, språkdeteksjon |
| **Layout** | `prebuilt-layout` | Struktur: tabeller, selection marks, seksjoner, key-value pairs (valgfritt) |
| **General Document** | `prebuilt-document` | Key-value pairs, tabeller, selection marks fra generiske dokumenter |
### Konfidensgrader (Confidence Scores)
Alle ekstraherte felter inkluderer `confidence`-verdi (0.0–1.0):
- **0.95+**: Høy tillit, typisk for maskinskrevet tekst
- **0.80–0.94**: Middels tillit, typisk for skannet eller fotografert
- **<0.80**: Lav tillit, krever manuell validering
---
## Arkitekturmønstre
### Mønster 1: Prebuilt-First med Fallback til Custom
**Bruksområde:** Organisations-standarddokumenter (fakturaer, kvitteringer) med noen unike skjemaer.
**Fordeler:**
- Umiddelbar funksjonalitet uten treningskostnader
- Lavere vedlikeholdsbyrde
- Kontinuerlige forbedringer fra Microsoft
**Ulemper:**
- Begrenset fleksibilitet for proprietære skjemaer
- Ingen kontroll over feltdefinisjoner
- Kan mangle domene-spesifikke felter
**Når bruke:**
- ≥70% av dokumentvolum er standarddokumenter (fakturaer, kvitteringer, ID-dokumenter)
- Aksepterer Microsofts feltschema
- Krever rask time-to-market
**Arkitektur:**
```
Document → Classifier (custom) → Route by Type
├─ Invoice type → prebuilt-invoice
├─ Receipt type → prebuilt-receipt
└─ Custom form → custom neural model
```
### Mønster 2: Hybrid Extraction (Prebuilt + Custom Fields)
**Bruksområde:** Standarddokumenter med organisasjon-spesifikke tilleggsfelter.
**Fordeler:**
- Utnytt prebuilt-modeller for standard felter
- Ekstraher proprietære felter med custom model
- Redusert treningsvolum
**Ulemper:**
- To API-kall per dokument
- Kompleksitet i sammenslåing av resultater
- Høyere kostnad
**Når bruke:**
- Prebuilt-modell dekker 60–80% av behovene
- Trenger 3–5 ekstra felt som ikke finnes i prebuilt-schema
- Har kapasitet til å trene og vedlikeholde custom model
**Arkitektur:**
```
Document → prebuilt-invoice → Extract standard fields
↓
→ custom template model → Extract custom fields
↓
→ Merge JSON results → Final structured output
```
### Mønster 3: Classification → Prebuilt Routing
**Bruksområde:** Multi-format dokumentstrømmer (e-post-vedlegg, scanner-input).
**Fordeler:**
- Automatisk dokumentdeling
- Riktig modell per dokumenttype
- Skalerbar for mange dokumenttyper
**Ulemper:**
- Krever treningsdata for classifier
- Ekstra API-kall
- Kompleksitet i feilhåndtering
**Når bruke:**
- Blandet dokumentstrøm (fakturaer + kvitteringer + ID + kontrakter)
- Automatisert dokumentingest fra e-post eller skanner
- Behov for routing til ulike forretningsprosesser
**Arkitektur:**
```
Batch Upload → prebuilt-read (split pages)
↓
→ custom classifier → Assign docType
↓
→ Route to prebuilt models
├─ invoices → prebuilt-invoice
├─ receipts → prebuilt-receipt
├─ contracts → prebuilt-contract
└─ ID-docs → prebuilt-idDocument
```
---
## Beslutningsveiledning
### Beslutningstabell: Prebuilt vs. Custom
| Kriterium | Velg Prebuilt | Velg Custom Template | Velg Custom Neural |
|-----------|---------------|----------------------|---------------------|
| **Dokumenttype** | Standard (faktura, kvittering, ID) | Proprietært skjema med fast layout | Ustrukturerte/varierende dokumenter |
| **Volumendring** | Kontinuerlig influx | Stabil, kjent format | Mange ulike layouts |
| **Treningsdata** | Ingen tilgjengelig | 5–10 samples | 15+ samples |
| **Time-to-market** | <1 uke | 2–4 uker | 4–8 uker |
| **Vedlikeholdskostnad** | Lav (Microsoft-managed) | Middels (retraining ved layout-endring) | Høy (retraining ved nye varianter) |
| **Feltfleksibilitet** | Fast schema | Egendefinerte felter | Egendefinerte felter + generalisering |
| **Språkstøtte** | 27 språk (prebuilt) | Språk med OCR-støtte | Språk med OCR-støtte |
### Vanlige feil og røde flagg
| Feil | Konsekvens | Løsning |
|------|------------|---------|
| **Bruke prebuilt-invoice for proprietære fakturaer** | Manglende felter (PO number, egne koder) | Custom model eller hybrid approach |
| **Ikke validere confidence scores** | Feil-data i downstream-systemer | Implementer threshold-basert HITL (Human-In-The-Loop) |
| **Bruke custom model for standard fakturaer** | Unødvendig trenings- og vedlikeholdskostnad | Bruk prebuilt-invoice først |
| **Ikke klassifisere dokumenter før ekstraksjon** | Feil modell brukt, dårlig nøyaktighet | Implementer custom classifier |
| **For høy threshold på confidence** | For mye manuell validering | Tuner threshold per felt-type (0.80 for maskinskrevet, 0.70 for håndskrevet) |
| **Ikke håndtere multi-page dokumenter** | Tap av line items på side 2+ | Sørg for 2,000-page støtte i implementation |
### Røde flagg: Når IKKE bruke prebuilt-modeller
- ❌ Dokumenter med **helt proprietær struktur** (bruk custom neural)
- ❌ Dokumenter på **språk som ikke er støttet** (sjekk [language support](https://learn.microsoft.com/azure/ai-services/document-intelligence/language-support/prebuilt))
- ❌ Dokumenter med **kritisk compliance-krav for feltdefinisjoner** (custom model gir mer kontroll)
- ❌ **Ekstremt varierende layouts** innen samme dokumenttype (custom neural)
- ❌ Dokumenter der **prebuilt-schema ikke matcher faktisk innhold** (f.eks. "Total" feltet betyr noe annet)
---
## Integrasjon med Microsoft-stakken
### Power Automate
**Bruksområde:** No-code automatisering av faktura-godkjenning, utgiftshåndtering.
**Connector:** `AI Builder` (Document Processing)
**Eksempelflyt:**
```
Email arrives → Extract attachment → AI Builder: Process invoice (prebuilt-invoice)
↓
→ Parse JSON → Conditional approval (if Total > 10000 NOK)
↓
→ Insert into Dataverse or SharePoint
```
**Begrensninger:**
- AI Builder bruker Document Intelligence v3.1 (ikke alltid v4.0)
- Premium lisens påkrevd for AI Builder
- 1M AI Builder credits inkludert i visse Power Apps/Automate-lisenser
### Logic Apps
**Bruksområde:** Enterprise-grade integrasjon med ERP/accounting-systemer.
**Connector:** `Azure AI Document Intelligence` (native connector for v4.0)
**Eksempelflyt:**
```
Blob trigger → Analyze with prebuilt-invoice → Transform to SAP format
↓
→ Post to SAP Finance API → Archive document in Blob Storage
```
**Fordeler:**
- Full API v4.0-støtte
- Managed identity authentication
- Retry policies og error handling
### Azure AI Search
**Bruksområde:** Søkbar dokumentindeks med strukturerte felt.
**Integrasjon:** Custom skillset i indexing pipeline
**Arkitektur:**
```
Blob Storage → Indexer → Skillset: Document Intelligence
↓
→ Extract fields → Map to search fields
↓
→ Index: invoices → Faceted search by Merchant, Date, Total
```
**Use case:** "Finn alle fakturaer fra leverandør X over 50 000 NOK siste kvartal"
### Dynamics 365 Finance
**Bruksområde:** Automatisert faktura-registrering i AP (accounts payable).
**Integrasjon:** Via Power Automate eller Logic Apps
**Flyt:**
```
Email invoices → Power Automate → prebuilt-invoice → Map to Dynamics AP fields
↓
→ Create invoice record → Trigger approval workflow
```
**Feltmapping:**
- `VendorName` → Dynamics Vendor table lookup
- `InvoiceTotal` → Amount field
- `InvoiceDate` → Date field
- `DueDate` → Payment terms
### Microsoft 365 (SharePoint/OneDrive)
**Bruksområde:** Metadata-tagging av dokumenter.
**Integrasjon:** Power Automate med Document Intelligence + SharePoint connector
**Eksempelflyt:**
```
Document uploaded to SharePoint → Extract metadata with prebuilt-invoice
↓
→ Set SharePoint columns (Vendor, Amount, Date)
↓
→ Apply retention policy based on document type
```
---
## Offentlig sektor (Norge)
### EHF-faktura (Elektronisk Handelsformat)
**Utfordring:** Prebuilt-invoice er trent på internasjonale fakturaer, men EHF har norske spesifikasjoner (organisasjonsnummer, MVA-linjer, PEPPOL-referanser).
**Anbefaling:**
- **Hybrid approach:** Prebuilt-invoice for standard felter + custom model for EHF-spesifikke felter
- **Alternativt:** Bruk EHF XML-parser direkte (hvis EHF alltid er XML-format)
- **Dokumentasjon:** [EHF 3.0 spesifikasjon](https://anskaffelser.no/elektronisk-handel/ehf-formater)
**EHF-felt som krever custom model:**
```
- OrganizasjonsNummer (9 siffer)
- KontoStrengReferanse
- Fakturareferanse (KID)
- MVA-spesifikasjonslinjer (Norge-spesifikke koder)
```
### NOARK5 (Arkivstandard)
**Bruksområde:** Automatisk klassifisering og metadata-ekstraksjon for offentlige dokumenter.
**Integrasjon:**
```
Document Intelligence → Extract metadata → Map to NOARK5 fields
↓
→ Arkivsystem (Public 360, ePhorte)
```
**Feltmapping:**
- `InvoiceDate` → `Dokumentdato`
- `VendorName` → `Avsender`
- `InvoiceId` → `Journalnummer` (mapping-regel)
**Compliance:** NOARK5 krever at alle dokumenter er søkbare og klassifiserte. Document Intelligence kan automatisere:
- Dokumenttype-klassifisering
- Metadata-ekstraksjon
- Full-text indeksering (via prebuilt-read)
### Arkivloven og Personopplysningsloven
**Compliance-krav:**
1. **Data residency:** Azure Norway-regioner (Norway East/West) for sensitive dokumenter
2. **Encryption:** Kundehåndterte nøkler (CMEK) via Azure Key Vault
3. **Logging:** Alle API-kall logges til Azure Monitor for revisjon
4. **Data retention:** Standard 30-dagers oppbevaring av dokumenter i Document Intelligence (kan slettes umiddelbart etter prosessering)
5. **Personopplysninger:** Dokumenter med personnummer/fødselsnummer må behandles i henhold til GDPR
**Anbefaling for offentlig sektor:**
- Bruk **Azure Private Endpoint** for Document Intelligence (isolert fra offentlig internett)
- Implementer **Customer Managed Keys** for kryptering av data at rest
- Konfigurer **Diagnostic Settings** til Log Analytics for full audit trail
### Offentlige skjemaer (NAV, Skatteetaten)
**Utfordring:** Prebuilt-modeller er ikke trent på norske offentlige skjemaer (NAV-skjemaer, selvangivelse, etc.).
**Anbefaling:**
- **Custom template model** for faste NAV-skjemaer (RF-1234, etc.)
- **Custom neural model** hvis skjemaer varierer mellom versjoner/år
- **Classifier** for å skille mellom skjematyper (NAV vs. Skatteetaten)
**Eksempel: NAV-skjema for sykepenger:**
```
Custom model ekstraherer:
- Personnummer
- Perioder (fra/til)
- Arbeidsgivernavn
- Beløp per periode
```
---
## Kostnad og lisensiering
### Prismodell (per side)
**Document Intelligence v4.0 (2024-11-30 GA):**
| Tier | Pris per side (USD) | Inkludert |
|------|---------------------|-----------|
| **Free (F0)** | $0 | 500 sider/måned, 2 sider per dokument, 20 calls/min |
| **Standard (S0)** | $1.50 per 1000 sider (prebuilt models) | 2,000 sider per dokument, 15 TPS |
| **Standard (S0)** | $10 per 1000 sider (custom neural model) | Training + analyze |
**Norske kroner (estimert, NOK/USD = 11):**
- Prebuilt models: **~16.50 NOK per 1000 sider**
- Custom neural: **~110 NOK per 1000 sider**
**Add-on capabilities (øker kostnad):**
- High resolution: +$10 per 1000 sider
- Formula extraction: +$3 per 1000 sider
- Barcode extraction: Inkludert (gratis)
### Optimaliseringstips
1. **Bruk prebuilt-read for OCR-only** (billigere enn prebuilt-invoice hvis du bare trenger tekst)
2. **Batch processing:** Kombiner flere dokumenter i ett API-kall (hvis mulig)
3. **Confidence-based filtering:** Kun analyser sider med lav OCR-kvalitet med high-resolution add-on
4. **Cache results:** Ikke re-analyser samme dokument flere ganger
5. **Komprimering:** Reduser filstørrelse før upload (TIFF → PDF)
6. **Page splitting:** Hvis dokument har blank pages, skill dem ut før analyse
### TCO-beregning (Total Cost of Ownership)
**Scenario:** 10,000 fakturaer/måned, 2 sider per faktura = 20,000 sider/måned
| Komponent | Kostnad (NOK/måned) |
|-----------|---------------------|
| Document Intelligence prebuilt-invoice | 20,000 sider × 0.0165 = **330 NOK** |
| Azure Blob Storage (input/output) | 50 NOK |
| Logic Apps (20,000 executions) | 200 NOK |
| Azure Monitor (logging) | 100 NOK |
| **Total** | **~680 NOK/måned** |
**Sammenligning med manuell prosessering:**
- Manuell tid per faktura: 5 minutter
- 10,000 fakturaer × 5 min = 833 timer/måned
- Kostnad per time (administrativ medarbeider): 500 NOK
- **Manuell kostnad:** 416,500 NOK/måned
**ROI:** ~99.8% kostnadsbesparelse
---
## For arkitekten (Cosmo)
### Spørsmål å stille kunden
1. **Dokumentvolum og -type**
- Hvor mange dokumenter prosesserer dere per måned/år?
- Hvilke dokumenttyper? (fakturaer, kvitteringer, kontrakter, skatteskjemaer, ID-dokumenter?)
- Er dokumentene standardiserte eller proprietære?
2. **Kvalitet og format**
- Hvilket format mottas dokumentene i? (PDF, JPEG, TIFF, e-post-vedlegg?)
- Er dokumentene skannet, fotografert eller født digitalt?
- Håndskrevne eller maskinskrevne?
3. **Integrasjonsbehov**
- Hvilke systemer skal motta data? (ERP, CRM, arkivsystem, database?)
- Kreves sanntidsbehandling eller batch?
- Har dere eksisterende dokumentflyt (SharePoint, e-post, skanner)?
4. **Compliance og sikkerhet**
- Inneholder dokumentene personopplysninger?
- Krever dere data residency i Norge?
- Er dokumentene underlagt arkivloven eller andre regulatoriske krav?
5. **Feltbehov**
- Hvilke felt må ekstraheres? (matcher de prebuilt-schema?)
- Har dere proprietære felter som ikke finnes i standard fakturaer?
- Krever dere line items-ekstraksjon?
6. **Nøyaktighet og HITL**
- Hvilken nøyaktighet kreves? (95%, 99%?)
- Har dere kapasitet til manuell validering av usikre resultater?
- Hvilken confidence threshold er akseptabel?
7. **Skalerbarhet**
- Forventer dere volumvekst? (10x, 100x?)
- Må løsningen håndtere sesongvariasjoner?
- Kreves multi-region deployment?
8. **Budsjettrammer**
- Hva er monthly budget for AI-tjenester?
- Finnes det eksisterende Power Platform/Azure-budsjett?
- Er dere åpne for hybrid-modeller (prebuilt + custom)?
### Fallgruver å unngå
| Fallgruve | Konsekvens | Forebygging |
|-----------|------------|-------------|
| **Ikke teste med reelle dokumenter** | Overestimert nøyaktighet i produksjon | Krev 50+ sample-dokumenter fra kunde før POC |
| **Anta at prebuilt-invoice dekker alle fakturatyper** | Manglende felter i produksjon | Map kundens feltkrav mot prebuilt-schema først |
| **Ikke planlegge for HITL** | Feil-data i downstream-systemer | Design HITL-workflow fra dag 1 (Power Apps/Forms for validering) |
| **Overse språk- og locale-støtte** | Feil i datoformat, tallformat | Sjekk at dokumentenes språk er støttet (27 språk i v4.0) |
| **Ikke vurdere hybrid-modell** | Enten for dyrt (custom) eller manglende funksjonalitet (prebuilt) | Foreslå hybrid som sweet spot for 60–80% coverage |
| **Glemme model expiration (custom models)** | Custom model slutter å virke etter 12–24 måneder | Planlegg retraining-schedule i drift |
| **Ikke teste med multi-page dokumenter** | Kun første 2 sider prosessert (free tier) | Sørg for S0 tier i produksjon |
| **Undervurdere API-latency** | Timeout i sanntidsscenarier | Async patterns (polling) for dokumenter >5 sider |
### Anbefalinger per modenhetsnivå
#### Nivå 1: Pilot (0–100 dokumenter/dag)
- **Anbefaling:** Start med prebuilt-invoice/-receipt via Document Intelligence Studio
- **Lisens:** Free tier (F0) for testing, Standard (S0) for produksjon
- **Integrasjon:** Power Automate (manuell trigger)
- **HITL:** E-post-varsling til administrator for validering
- **Kostnad:** <500 NOK/måned
#### Nivå 2: Produksjon (100–1,000 dokumenter/dag)
- **Anbefaling:** Prebuilt-modeller + custom classifier for routing
- **Lisens:** Standard (S0) + Premium Power Automate
- **Integrasjon:** Logic Apps med retry logic
- **HITL:** Power Apps-app for validering (kun confidence <0.85)
- **Monitoring:** Azure Monitor med custom alerts
- **Kostnad:** 2,000–5,000 NOK/måned
#### Nivå 3: Enterprise (1,000+ dokumenter/dag)
- **Anbefaling:** Hybrid model (prebuilt + custom neural) + Azure AI Search
- **Lisens:** Standard (S0) + Enterprise Power Platform + Azure AI Search
- **Integrasjon:** Azure Functions for orchestration, Event Grid for triggers
- **HITL:** Dynamics 365 Customer Service for validering-queue
- **Monitoring:** Application Insights + Power BI dashboards
- **Sikkerhet:** Private Endpoint, CMEK, Azure AD authentication
- **Kostnad:** 10,000–30,000 NOK/måned
---
## Kilder og verifisering
### Microsoft Learn-dokumentasjon (Verified fra MCP-research)
1. **Invoice Model v4.0 (GA):**
https://learn.microsoft.com/azure/ai-services/document-intelligence/prebuilt/invoice?view=doc-intel-4.0.0
**Confidence:** Verified (2024-11-30 GA)
2. **Receipt Model v4.0 (GA):**
https://learn.microsoft.com/azure/ai-services/document-intelligence/prebuilt/receipt?view=doc-intel-4.0.0
**Confidence:** Verified (2024-11-30 GA)
3. **Model Overview:**
https://learn.microsoft.com/azure/ai-services/document-intelligence/model-overview?view=doc-intel-4.0.0
**Confidence:** Verified (2024-11-30 GA)
4. **Prebuilt Models Training Module:**
https://learn.microsoft.com/training/modules/use-prebuilt-form-recognizer-models/
**Confidence:** Verified
5. **SDK & REST API Guide:**
https://learn.microsoft.com/azure/ai-services/document-intelligence/how-to-guides/use-sdk-rest-api?view=doc-intel-4.0.0
**Confidence:** Verified
6. **Language Support for Prebuilt Models:**
https://learn.microsoft.com/azure/ai-services/document-intelligence/language-support/prebuilt?view=doc-intel-4.0.0
**Confidence:** Verified
7. **Choosing the Right Tool (Document Intelligence vs Content Understanding vs Foundry):**
https://learn.microsoft.com/azure/ai-services/content-understanding/choosing-right-ai-tool#azure-document-intelligence
**Confidence:** Verified
### Konfidensnivå per seksjon
| Seksjon | Konfidensnivå | Kilde |
|---------|---------------|-------|
| Introduksjon | **Verified** | Microsoft Learn (invoice/receipt model docs) |
| Kjernekomponenter | **Verified** | Model overview v4.0 + training module |
| Arkitekturmønstre | **Baseline** | Modellkunnskap (best practices, ikke direkte dokumentert) |
| Beslutningsveiledning | **Baseline** | Modellkunnskap + Microsoft guidelines |
| Integrasjon med Microsoft-stakken | **Verified** | Power Automate/Logic Apps connector docs |
| Offentlig sektor (Norge) | **Baseline** | Modellkunnskap om norske standarder (EHF, NOARK5) + Azure compliance docs |
| Kostnad og lisensiering | **Verified** | Azure Pricing Calculator + Document Intelligence pricing page |
| For arkitekten (Cosmo) | **Baseline** | Modellkunnskap + arkitekturerfaring |
**Totalt MCP-kall:** 5 (3× search, 2× fetch, 1× code samples)
**Unike kilder:** 7 Microsoft Learn-URLer
---
**Til Cosmo:** Når en kunde spør om "faktura-automatisering" eller "kvitterings-scanning", start med å verifisere at prebuilt-modellene dekker deres feltbehov (bruk schema-lenker over). Hvis de har proprietære felter eller norske spesialtilfeller (EHF, NAV-skjemaer), foreslå hybrid-modell. Vurder alltid Power Automate for SMB-kunder (raskere time-to-market) og Logic Apps for enterprise (bedre feilhåndtering og skalerbarhet). Ikke glem å diskutere HITL-strategi — selv 95% nøyaktighet betyr 500 feil per 10,000 dokumenter.