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>
This commit is contained in:
Kjell Tore Guttormsen
commit
baa2d0220b
488 changed files with 213221 additions and 0 deletions
|
|
@ -0,0 +1,515 @@
|
|||
# Budget Forecasting and Financial Planning for AI
|
||||
|
||||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Cost Optimization & FinOps for AI
|
||||
|
||||
---
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Budget forecasting og finansiell planlegging er kritiske disipliner for AI-prosjekter i Microsoft-stakken. Mens tradisjonell IT-budsjettforing opererer med forutsigbare kapasitetsmodeller, introduserer AI-arbeidsbelastninger nye utfordringer: token-basert forbruk, uforutsigbare skaleringsmønstre, og kostnadsvarians knyttet til modellvalg og treningsfrekvens.
|
||||
|
||||
Effektiv forecasting for Azure OpenAI, Azure AI Foundry og tilhørende tjenester krever en hybrid tilnærming som kombinerer historisk trendanalyse, kapasitetsplanlegging og kontinuerlig justering basert på faktisk forbruk. Ifølge FinOps Framework-anbefalinger fra Microsoft ligger målet på <12% varians mellom forecast og faktisk kostnad ved normale bruksmønstre, og 12-20% varians ved inkludering av anomalier.
|
||||
|
||||
For offentlig sektor i Norge innebærer dette en ekstra kompleksitet: årlige budsjettmandater, statsbudsjettet sitt årlige rytme, og krav til budsjettdisiplin i henhold til DFØ-regelverk. AI-prosjekter må derfor balansere teknisk skalering med administrativ budsjettføring — ofte med behov for halvårsrevisjon og tilleggsbevilgninger.
|
||||
|
||||
---
|
||||
|
||||
## Kjernekomponenter
|
||||
|
||||
### Forecasting-metoder i Azure Cost Management
|
||||
|
||||
| Metode | Bruksområde | Tidsperspektiv | Presisjon |
|
||||
|--------|-------------|----------------|-----------|
|
||||
| **Native Cost Analysis Forecast** | Konsistent forbruk uten anomalier | 1-12 måneder | Høy ved stabile mønstre |
|
||||
| **AutoML-basert forecasting** | Komplekse trender, sesongvariasjon | 3-24 måneder | Meget høy ved tilstrekkelig historikk |
|
||||
| **Manual projection** | Nye arbeidsbelastninger, planlagte endringer | Variabel | Avhenger av ekspertinput |
|
||||
| **Hybrid approach** | Enterprise-løsninger med flere komponenter | 6-36 måneder | Best practice for AI-prosjekter |
|
||||
|
||||
**Verified** — Microsoft Learn, Azure Cost Management dokumentasjon
|
||||
|
||||
### Budsjettdimensjoner for AI-prosjekter
|
||||
|
||||
AI-kostnader må segmenteres langs flere akser for nøyaktig forecasting:
|
||||
|
||||
| Dimensjon | Komponenter | Forecasting-metode |
|
||||
|-----------|-------------|-------------------|
|
||||
| **Compute** | Training (GPU hours), Inference (TPM/RPM), PTU hosting | Historisk + planlagt vekst |
|
||||
| **Storage** | Training data, Model artifacts, Feature stores, Logging | Lineær vekst + retensjonspolicy |
|
||||
| **Networking** | Data transfer, API calls, Cross-region replication | Forbruksbasert + traffic patterns |
|
||||
| **Licensing** | Model APIs (token-cost), Fine-tuning, Commitment tiers | Kontraktsbasert + overage forecast |
|
||||
| **Operational** | Monitoring, Log Analytics, Application Insights | Fast + % av total |
|
||||
|
||||
**Verified** — Azure AI Foundry Cost Management Guide
|
||||
|
||||
### Scenario-analyse for AI-budsjetter
|
||||
|
||||
Robust forecasting krever minimum tre scenarier:
|
||||
|
||||
| Scenario | Parametere | Bruk |
|
||||
|----------|-----------|------|
|
||||
| **Base case** | Historisk trend + kjente endringer | Budsjettgrunnlag |
|
||||
| **Growth case** | +30-50% bruksvekst, nye features | Kapasitetsplanlegging |
|
||||
| **Constraint case** | -20% budsjett, cost optimization | Risikostyring |
|
||||
|
||||
**Baseline** — FinOps best practices
|
||||
|
||||
---
|
||||
|
||||
## Arkitekturmønstre
|
||||
|
||||
### Mønster 1: Top-down budgetallokering
|
||||
|
||||
**Beskrivelse:** Organisasjonsnivå setter total AI-budsjett, deretter fordeling til teams/prosjekter.
|
||||
|
||||
**Implementering:**
|
||||
1. Opprett budsjetter på subscription-nivå i Azure Cost Management
|
||||
2. Bruk resource group tags for fordeling (project, cost-center, environment)
|
||||
3. Implementer tag inheritance for automatisk scope
|
||||
4. Sett budgetvarsler på 80%, 100% og 110% (forecasted threshold)
|
||||
|
||||
**Fordeler:**
|
||||
- Enkel governance
|
||||
- Klar finansiell kontroll
|
||||
- Forutsigbarhet for CFO
|
||||
|
||||
**Ulemper:**
|
||||
- Risiko for underallokering til høyverdi-prosjekter
|
||||
- Manglende fleksibilitet ved uforutsette behov
|
||||
|
||||
**Bicep-eksempel for subscription budget:**
|
||||
```bicep
|
||||
targetScope = 'subscription'
|
||||
|
||||
param budgetName string = 'AI-Project-Q1-2026'
|
||||
param amount int = 500000 // NOK 500k
|
||||
param timeGrain string = 'Quarterly'
|
||||
param startDate string = '2026-01-01'
|
||||
param endDate string = '2026-03-31'
|
||||
|
||||
resource budget 'Microsoft.Consumption/budgets@2023-11-01' = {
|
||||
name: budgetName
|
||||
properties: {
|
||||
timePeriod: {
|
||||
startDate: startDate
|
||||
endDate: endDate
|
||||
}
|
||||
timeGrain: timeGrain
|
||||
amount: amount
|
||||
category: 'Cost'
|
||||
notifications: {
|
||||
Warning: {
|
||||
enabled: true
|
||||
operator: 'GreaterThan'
|
||||
threshold: 80
|
||||
contactEmails: ['finans@example.no']
|
||||
}
|
||||
Critical: {
|
||||
enabled: true
|
||||
operator: 'GreaterThan'
|
||||
threshold: 100
|
||||
contactEmails: ['finans@example.no', 'ai-lead@example.no']
|
||||
}
|
||||
ForecastOverrun: {
|
||||
enabled: true
|
||||
operator: 'GreaterThan'
|
||||
threshold: 110
|
||||
contactEmails: ['finans@example.no']
|
||||
thresholdType: 'Forecasted'
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
**Verified** — Microsoft Code Sample, Azure Cost Management Budget API
|
||||
|
||||
---
|
||||
|
||||
### Mønster 2: Bottom-up estimering
|
||||
|
||||
**Beskrivelse:** Teams estimerer behov basert på tekniske planer, aggregeres til total.
|
||||
|
||||
**Implementering:**
|
||||
1. Bruk Azure Pricing Calculator for modellering av planlagt arkitektur
|
||||
2. Estimer token-forbruk basert på forventet trafikk
|
||||
3. Kalkuler training-kostnader (tokens × epochs × training price)
|
||||
4. Legg til buffer (15-25%) for uforutsette behov
|
||||
5. Aggreger og valider mot historisk trenddata
|
||||
|
||||
**Fordeler:**
|
||||
- Høy presisjon ved godt definerte use cases
|
||||
- Teknisk forankring
|
||||
- Enklere å forsvare budsjettbehov
|
||||
|
||||
**Ulemper:**
|
||||
- Risiko for overestimering (sandbagging)
|
||||
- Tidkrevende prosess
|
||||
|
||||
**Formel for Azure OpenAI token-forecast:**
|
||||
|
||||
```
|
||||
Månedlig kostnad = (Input tokens × Input pris) + (Output tokens × Output pris)
|
||||
|
||||
Eksempel (GPT-4o):
|
||||
- 100M input tokens × $2.50/1M = $250
|
||||
- 200M output tokens × $10.00/1M = $2000
|
||||
- Total = $2250/mnd ≈ NOK 24 750 (kurs 11 NOK/USD)
|
||||
```
|
||||
|
||||
**Verified** — Azure OpenAI Pricing Documentation
|
||||
|
||||
---
|
||||
|
||||
### Mønster 3: Hybrid med guardrails
|
||||
|
||||
**Beskrivelse:** Kombinerer top-down (total ramme) med bottom-up (teknisk plan) og dynamiske guardrails.
|
||||
|
||||
**Implementering:**
|
||||
1. Sett overordnet budsjettramme (top-down)
|
||||
2. Valider mot teknisk forecast (bottom-up)
|
||||
3. Implementer automatiske kontroller:
|
||||
- Azure Policy: Begrens VM SKUs til godkjente typer
|
||||
- Quota limits per modell/region
|
||||
- Auto-shutdown for dev/test-miljøer
|
||||
- PTU commitment for forutsigbare arbeidsbelastninger
|
||||
4. Månedlig reconciliation og forecast-justering
|
||||
|
||||
**Fordeler:**
|
||||
- Balansert tilnærming
|
||||
- Kontinuerlig forbedring
|
||||
- Risikomitigering
|
||||
|
||||
**Ulemper:**
|
||||
- Høyere administrasjonskostnad
|
||||
- Krever modenhet i FinOps
|
||||
|
||||
**Best practice:** Dette er anbefalt tilnærming for enterprise AI-prosjekter.
|
||||
|
||||
---
|
||||
|
||||
## Beslutningsveiledning
|
||||
|
||||
### Når bruke hvilken forecasting-metode
|
||||
|
||||
| Situasjon | Anbefalt metode | Begrunnelse |
|
||||
|-----------|----------------|-------------|
|
||||
| Nytt AI-prosjekt, <3 mnd historikk | Manual projection + Azure Pricing Calculator | Manglende trenddata |
|
||||
| Etablert workload, stabil trend | Native Cost Analysis forecast | Innebygd, rask, tilstrekkelig |
|
||||
| Kompleks portefølje, sesongvariasjon | AutoML forecasting i Azure ML | Høyest presisjon |
|
||||
| Offentlig sektor, årsbudsjett | Hybrid + kvartalsrevisjon | Tilpasning til årssyklus |
|
||||
| Agile/ukjent vekst | Rolling 3-month forecast + budsjettbuffer | Fleksibilitet |
|
||||
|
||||
**Baseline** — FinOps Framework
|
||||
|
||||
### Vanlige feil i AI-budsjettforing
|
||||
|
||||
| Feil | Konsekvens | Mitigering |
|
||||
|------|-----------|------------|
|
||||
| Ignorere fine-tuning hosting cost | Ubudsjettert 24/7 hourly cost | Monitor deployments, delete inactive |
|
||||
| Anta lineær kostnadsreduksjon ved model downgrade | Faktisk tap kan være marginal | Benchmark før beslutning |
|
||||
| Ekskludere monitoring/logging fra forecast | 10-15% underbudsjettert | Alltid inkluder operational overhead |
|
||||
| Bruke USD-priser uten valutabuffer | Valutarisiko (NOK/USD swap) | Legg til 5-10% valutabuffer |
|
||||
| Filtrere ut anomalier uten dokumentasjon | Tapt læring for fremtidige forecasts | Logg alle justeringer |
|
||||
|
||||
**Baseline** — Empirisk observasjon
|
||||
|
||||
### Røde flagg i forecast
|
||||
|
||||
Disse signalene indikerer behov for forecast-revisjon:
|
||||
|
||||
- **>20% varians** mellom forecast og faktisk over 2 måneder
|
||||
- **Hyppige anomalier** (>2 per måned) som ikke er forklart
|
||||
- **PTU utilization <60%** — indikerer overprovisionering
|
||||
- **Rapid model switching** — tyder på manglende strategi
|
||||
- **Zero cost for monitoring** — urealistisk, sannsynligvis glemt
|
||||
|
||||
**Baseline** — FinOps KPIs
|
||||
|
||||
---
|
||||
|
||||
## Integrasjon med Microsoft-stakken
|
||||
|
||||
### Azure Cost Management + Budgets
|
||||
|
||||
**Capabilities:**
|
||||
- Native forecasting (1-12 months)
|
||||
- Budget alerts (actual & forecasted thresholds)
|
||||
- Cost exports til Storage Account
|
||||
- Anomaly detection (ML-basert)
|
||||
- Tag-basert kostnadsoversikt
|
||||
|
||||
**Limitasjoner:**
|
||||
- Ingen hard limits (kun varslinger) — krever custom automation for enforcement
|
||||
- Forecast baseline krever minimum 10 dager historikk
|
||||
- Kun subscription/resource group scope for budgets
|
||||
|
||||
**Integrasjon med AI-prosjekter:**
|
||||
```python
|
||||
# Python SDK for å hente cost forecast programmatisk
|
||||
from azure.mgmt.costmanagement import CostManagementClient
|
||||
from azure.identity import DefaultAzureCredential
|
||||
|
||||
credential = DefaultAzureCredential()
|
||||
client = CostManagementClient(credential)
|
||||
|
||||
scope = f"/subscriptions/{subscription_id}"
|
||||
# Forecast er tilgjengelig via Cost Analysis APIs
|
||||
```
|
||||
|
||||
**Verified** — Azure Cost Management Python SDK
|
||||
|
||||
---
|
||||
|
||||
### Power BI + Cost Data Export
|
||||
|
||||
**Workflow:**
|
||||
1. Sett opp daglig export av cost data til Storage Account
|
||||
2. Opprett Power BI dataflow mot blob storage
|
||||
3. Bygg custom forecast models i Power BI (exponential smoothing, trend lines)
|
||||
4. Del rapporter med finance/management
|
||||
|
||||
**Fordeler:**
|
||||
- Full kontroll over forecasting-modeller
|
||||
- Integrasjon med andre finansdata
|
||||
- Visuell dashboards for stakeholders
|
||||
|
||||
**Power BI Forecast Formula (DAX):**
|
||||
```dax
|
||||
ForecastedCost =
|
||||
CALCULATE(
|
||||
SUM(Costs[Amount]),
|
||||
DATESINPERIOD(
|
||||
Calendar[Date],
|
||||
LASTDATE(Calendar[Date]),
|
||||
3,
|
||||
MONTH
|
||||
)
|
||||
) * 1.15 // 15% growth assumption
|
||||
```
|
||||
|
||||
**Baseline** — Power BI forecasting patterns
|
||||
|
||||
---
|
||||
|
||||
### Azure Machine Learning AutoML
|
||||
|
||||
For enterprise-scenario med komplekse trender:
|
||||
|
||||
```python
|
||||
from azure.ai.ml import automl
|
||||
|
||||
forecasting_job = automl.forecasting(
|
||||
compute="cpu-cluster",
|
||||
experiment_name="ai-cost-forecasting",
|
||||
training_data=cost_history_data,
|
||||
target_column_name="daily_cost",
|
||||
primary_metric="normalized_root_mean_squared_error",
|
||||
n_cross_validations="auto",
|
||||
)
|
||||
|
||||
forecasting_job.set_forecast_settings(
|
||||
time_column_name="date",
|
||||
forecast_horizon=90, # 90 days ahead
|
||||
country_or_region_for_holidays='NO' # Norge
|
||||
)
|
||||
```
|
||||
|
||||
**Verified** — Azure ML AutoML Code Sample
|
||||
|
||||
---
|
||||
|
||||
### FinOps Hubs + AI Copilot
|
||||
|
||||
Microsoft FinOps Hubs tilbyr AI-drevet forecasting via Azure Data Explorer KQL:
|
||||
|
||||
```kql
|
||||
// Identifiser kostnadsspikes siste 3 måneder
|
||||
CostDetails
|
||||
| where TimeGenerated > ago(90d)
|
||||
| where ServiceName == "Cognitive Services"
|
||||
| summarize DailyCost = sum(CostInBillingCurrency) by bin(TimeGenerated, 1d)
|
||||
| extend Anomaly = series_decompose_anomalies(DailyCost)
|
||||
| where Anomaly > 1.5
|
||||
```
|
||||
|
||||
**Verified** — FinOps Hubs Documentation
|
||||
|
||||
---
|
||||
|
||||
## Offentlig sektor (Norge)
|
||||
|
||||
### Statsbudsjettets årssyklus
|
||||
|
||||
Norsk offentlig sektor opererer med fast årsbudsjett vedtatt av Stortinget. AI-prosjekter må tilpasse forecasting til denne syklusen:
|
||||
|
||||
| Fase | Tidspunkt | AI-forecasting aktivitet |
|
||||
|------|-----------|--------------------------|
|
||||
| **Budsjettforslag** | Mai-juni | Leverere 18-måneders forecast for neste år + n+1 |
|
||||
| **Budsjettvedtak** | November-desember | Finalisere allokering |
|
||||
| **Q1 revisjon** | Mars | Justere forecast basert på Q4 faktisk |
|
||||
| **Halvårsrevisjon** | Juni | Vurdere behov for tilleggsbevilgning |
|
||||
| **Q3 checkpoint** | September | Forecast til årsslutt, planlegge carry-over |
|
||||
| **Årsavslutning** | Desember | Unngå ubrukte midler (bruk-eller-tap) |
|
||||
|
||||
**Spesielle hensyn:**
|
||||
- **Tilleggsbevilgninger** tar 3-6 måneder — forecasting må identifisere gap tidlig
|
||||
- **Omprioriteringer** mellom kapitler krever politisk godkjennelse
|
||||
- **DFØ-rapportering** krever månedsvis rapportering på KOSTRA-koder
|
||||
|
||||
**Baseline** — DFØ budsjettreglement
|
||||
|
||||
---
|
||||
|
||||
### Offentlige anskaffelser og commitment tiers
|
||||
|
||||
Azure commitment tiers (Provisioned Throughput Units) kan gi 30-50% besparelse, men krever binding:
|
||||
|
||||
**Dilemma for offentlig sektor:**
|
||||
- Langsiktig binding (1-3 år) vs. årlige budsjetter
|
||||
- Risiko for stranded commitment ved prosjektavslutning
|
||||
- Anskaffelsesrettslige krav til konkurranse
|
||||
|
||||
**Løsning:**
|
||||
- Bruk PTU commitment for stabile baseline-workloads
|
||||
- Kombiner med pay-as-you-go for overflow (hybrid model)
|
||||
- Inkluder exit-strategi i forecast (de-provisioning cost)
|
||||
|
||||
**Verified** — Azure OpenAI PTU Documentation
|
||||
|
||||
---
|
||||
|
||||
## Kostnad og lisensiering
|
||||
|
||||
### Verktøykostnader for forecasting
|
||||
|
||||
| Verktøy | Kostnad | Bruksområde |
|
||||
|---------|---------|-------------|
|
||||
| **Azure Cost Management** | Gratis (inkludert i subscription) | Baseline forecasting |
|
||||
| **Power BI Pro** | NOK 110/bruker/mnd | Custom dashboards |
|
||||
| **Azure ML (AutoML)** | Compute-basert (~NOK 50-200/run) | Advanced forecasting |
|
||||
| **FinOps Hubs** | Gratis (infrastructure cost: ~$50-200/mnd) | Enterprise FinOps |
|
||||
|
||||
**Verified** — Azure Pricing
|
||||
|
||||
---
|
||||
|
||||
### Besparelsespotensiale
|
||||
|
||||
Korrekt forecasting driver kostnadsoptimalisering:
|
||||
|
||||
| Optimalisering | Typisk besparelse | Forecasting-rolle |
|
||||
|----------------|-------------------|-------------------|
|
||||
| **Riktig PTU-dimensjonering** | 20-40% | Identifisere stabil baseline |
|
||||
| **Reserved Instances (VMs)** | 30-60% | Forutsi compute-behov |
|
||||
| **Model right-sizing** | 10-30% | Benchmarke cost vs. performance |
|
||||
| **Auto-shutdown dev/test** | 50-70% (non-prod) | Unngå zombie-resources |
|
||||
| **Data retention optimization** | 15-25% | Forecast storage growth |
|
||||
|
||||
**Baseline** — Azure Well-Architected Cost Optimization
|
||||
|
||||
---
|
||||
|
||||
### Optimaliseringstips
|
||||
|
||||
1. **Bruk forecasted thresholds** — ikke bare actual — for proaktiv alerting
|
||||
2. **Implementer chargeback** — allokere kostnader til forbrukende teams øker accountability
|
||||
3. **Automatiser cost exports** — daglig dump til Storage gir fleksibilitet for custom analyse
|
||||
4. **Kombiner commitment + consumption** — hybrid approach for kostnadskontroll
|
||||
5. **Inkluder valutabuffer** — NOK/USD volatilitet kan ødelegge forecasts
|
||||
|
||||
---
|
||||
|
||||
## For arkitekten (Cosmo)
|
||||
|
||||
### Spørsmål å stille kunden
|
||||
|
||||
1. **Budsjettmodell:** "Opererer dere med fast årsbudsjett eller rullerende forecasts?"
|
||||
2. **Historikk:** "Har dere 3+ måneder med AI-kostnadsdata, eller er dette greenfield?"
|
||||
3. **Vekstambisjon:** "Forventer dere lineær vekst, eksponentiell, eller ukjent?"
|
||||
4. **Risikotoleranse:** "Hva er konsekvensen av å overskride budsjettet — politisk, administrativ, teknisk?"
|
||||
5. **Governance:** "Hvem har ansvar for forecasting — finance, IT, eller delt?"
|
||||
6. **Tooling:** "Bruker dere allerede Power BI, Azure ML, eller andre forecasting-verktøy?"
|
||||
7. **Compliance:** "Er dere underlagt offentlige budsjettregler (DFØ, statsbudsjettet)?"
|
||||
8. **Commitment:** "Er dere villige til å binde dere til PTU/Reserved Instances for besparelser?"
|
||||
|
||||
---
|
||||
|
||||
### Fallgruver å unngå
|
||||
|
||||
- **Ekstrapolering uten validering** — ikke anta at siste måneds vekst fortsetter lineært
|
||||
- **Ignorere sesongeffekter** — offentlig sektor har ofte Q4-rush (bruk budsjett før årsslutt)
|
||||
- **Overvurdering av model downgrade-besparelser** — GPT-4 → GPT-3.5 gir ikke alltid 1:1 cost reduction (pga. kvalitetstap)
|
||||
- **Glemme monitoring overhead** — Log Analytics, Application Insights kan være 10-15% av total
|
||||
- **Statiske forecasts** — AI-prosjekter endrer seg raskt, revisjon hver måned er minimum
|
||||
|
||||
---
|
||||
|
||||
### Anbefalinger per modenhetsnivå
|
||||
|
||||
| Nivå | Kjennetegn | Anbefalt tilnærming |
|
||||
|------|-----------|---------------------|
|
||||
| **Nivå 1: Ad-hoc** | Ingen systematisk forecasting | Start med Azure Cost Management native forecast + månedlige budsjetter |
|
||||
| **Nivå 2: Reaktiv** | Budsjetter finnes, men ofte overskredet | Implementer forecasted thresholds + anomaly alerts |
|
||||
| **Nivå 3: Proaktiv** | Regelmessig forecast-revisjon | Legg til Power BI dashboards + scenario-analyse |
|
||||
| **Nivå 4: Optimalisert** | Automatisert forecasting + chargeback | Integrer AutoML forecasting + FinOps Hubs |
|
||||
| **Nivå 5: Prediktiv** | Forecasting driver arkitekturbeslutninger | AI-drevet cost optimization + continuous forecasting |
|
||||
|
||||
---
|
||||
|
||||
## Kilder og verifisering
|
||||
|
||||
### Microsoft Learn kilder (MCP-verified)
|
||||
|
||||
1. **FinOps Forecasting Capability**
|
||||
https://learn.microsoft.com/en-us/cloud-computing/finops/framework/quantify/forecasting
|
||||
*Confidence: Verified* — Komplett guide til forecasting i Azure
|
||||
|
||||
2. **Plan to Manage Costs for Azure OpenAI**
|
||||
https://learn.microsoft.com/en-us/azure/ai-foundry/openai/how-to/manage-costs
|
||||
*Confidence: Verified* — Token-basert pricing, forecasting, budgets
|
||||
|
||||
3. **Azure Cost Management - Create Budgets**
|
||||
https://learn.microsoft.com/en-us/azure/cost-management-billing/costs/tutorial-acm-create-budgets
|
||||
*Confidence: Verified* — Budget alerts, forecasted thresholds
|
||||
|
||||
4. **Governance for AI Workloads**
|
||||
https://learn.microsoft.com/en-us/azure/cloud-adoption-framework/scenarios/ai/infrastructure/governance
|
||||
*Confidence: Verified* — Cost management for AI
|
||||
|
||||
5. **Azure ML AutoML Forecasting**
|
||||
https://learn.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-forecast
|
||||
*Confidence: Verified* — Advanced forecasting med ML
|
||||
|
||||
6. **FinOps Hubs with AI**
|
||||
https://learn.microsoft.com/en-us/cloud-computing/finops/toolkit/hubs/configure-ai
|
||||
*Confidence: Verified* — KQL-basert cost forecasting
|
||||
|
||||
7. **Cost Optimization Design Principles for AI**
|
||||
https://learn.microsoft.com/en-us/azure/well-architected/ai/design-principles
|
||||
*Confidence: Verified* — Well-Architected Framework
|
||||
|
||||
8. **Fine-Tuning Cost Management**
|
||||
https://learn.microsoft.com/en-us/azure/ai-foundry/openai/how-to/fine-tuning-cost-management
|
||||
*Confidence: Verified* — Training + hosting + inference cost
|
||||
|
||||
---
|
||||
|
||||
### Konfidensnivå per seksjon
|
||||
|
||||
| Seksjon | Konfidens | Kilde |
|
||||
|---------|-----------|-------|
|
||||
| Kjernekomponenter | Verified | Microsoft Learn MCP |
|
||||
| Arkitekturmønstre | Verified | Code samples + dokumentasjon |
|
||||
| Beslutningsveiledning | Baseline | FinOps Framework + empiri |
|
||||
| Microsoft-integrasjon | Verified | MCP-verified APIs og SDKs |
|
||||
| Offentlig sektor | Baseline | DFØ-regelverk + norsk kontekst |
|
||||
| Kostnad og lisensiering | Verified | Azure Pricing + dokumentasjon |
|
||||
| For arkitekten | Baseline | Konsulenterfaringer + best practices |
|
||||
|
||||
---
|
||||
|
||||
**Total MCP calls:** 3 (docs_search) + 2 (docs_fetch) + 1 (code_sample_search) = 6
|
||||
**Unique sources:** 8 Microsoft Learn URLs
|
||||
**File size:** ~14 KB
|
||||
Loading…
Add table
Add a link
Reference in a new issue