feat(ms-ai-architect): Spor 1 — Port-1-substrat migrert på 4 ikke-advisor-skills (243 Source + 327 Type + 325 TOC + stale-verified poison fjernet) [skip-docs]
Steg 9 (R4): unified migrate-corpus.mjs --write over engineering/governance/ infrastructure/security. 327 filer mutert, verified=null, prosa byte-identisk (fra første ## seksjon), advisor urørt (0 endringer). To applier-fixes oppdaget under kjøring (TDD, RED→GREEN): - insertHeaderFields: anker faller nå tilbake når en meta-linje selv passerer 500B (2 filer pakket et avsnitt i **Status:** → Type/Source landet utenfor scan-vinduet, applierens post-write-assertion fanget + restaurerte). - normalizeStaleVerified: fjerner nå ALLE stale non-date **Verified:** i 500B-vinduet, inkl. stray body-dup rett under --- (9 mlops-genaiops-filer var ellers falskt "verified"/fresh, droppet fra worklist). Operatør-godkjent utvidelse av carve-out; kun stray metadata-linjer, aldri prosa. test-transform-criterion: precondition oppdatert til post-migrasjons-sannhet (fila bærer nå Source). Suite 728/728 grønn.
This commit is contained in:
parent
ed92d65385
commit
ddce43d8b2
330 changed files with 4643 additions and 83 deletions
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** Monitoring & Observability
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/azure-monitor/alerts/best-practices-alerts
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Effektive alerting-strategier og eskaleringsrutiner er kritiske for å sikre rask respons på AI-relaterte hendelser. I motsetning til tradisjonelle applikasjoner introduserer AI-systemer unike utfordringer: modeller kan degradere over tid (drift), prompt injection-angrep kan oppstå plutselig, og token-kostnader kan eksplodere uten varsel. En robust alerting-arkitektur må derfor kombinere reaktive varsler (noe gikk galt) med proaktive varsler (noe er i ferd med å gå galt).
|
||||
|
|
|
|||
|
|
@ -3,6 +3,20 @@
|
|||
**Dato:** 5. februar 2026
|
||||
**Kategori:** Monitoring & Observability
|
||||
**Målgruppe:** AI-arkitekter, DevOps-team, MLOps-ingeniører
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/ai-services/anomaly-detector/overview
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [Smart Detection Capabilities](#smart-detection-capabilities)
|
||||
- [Custom Anomaly Rules for AI](#custom-anomaly-rules-for-ai)
|
||||
- [Behavioral Baseline Detection](#behavioral-baseline-detection)
|
||||
- [Drift Detection Patterns](#drift-detection-patterns)
|
||||
- [Alert Correlation](#alert-correlation)
|
||||
- [Azure AI-Specific Detection](#azure-ai-specific-detection)
|
||||
- [Implementeringsmønster](#implementeringsmønster)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Oversikt
|
||||
|
||||
|
|
|
|||
|
|
@ -3,6 +3,22 @@
|
|||
**Kategori:** Monitoring & Observability
|
||||
**Dato:** 2026-02-05
|
||||
**Status:** Komplett
|
||||
**Type:** reference
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [Hvorfor Application Insights for LLM-applikasjoner?](#hvorfor-application-insights-for-llm-applikasjoner)
|
||||
- [LLM-spesifikk telemetri i Application Insights](#llm-spesifikk-telemetri-i-application-insights)
|
||||
- [Custom Events for AI-interaksjoner](#custom-events-for-ai-interaksjoner)
|
||||
- [Distributed Tracing for AI Pipelines](#distributed-tracing-for-ai-pipelines)
|
||||
- [Performance Baselines for LLMs](#performance-baselines-for-llms)
|
||||
- [Error Tracking og Alerting](#error-tracking-og-alerting)
|
||||
- [Framework-integrasjoner](#framework-integrasjoner)
|
||||
- [Lokal debugging med Aspire Dashboard](#lokal-debugging-med-aspire-dashboard)
|
||||
- [Best Practices](#best-practices)
|
||||
- [Visualisering i Azure Portal](#visualisering-i-azure-portal)
|
||||
- [For Cosmo Skyberg: Application Insights for LLM Monitoring](#for-cosmo-skyberg-application-insights-for-llm-monitoring)
|
||||
|
||||
## Oversikt
|
||||
|
||||
|
|
|
|||
|
|
@ -3,9 +3,26 @@
|
|||
**Kategori:** Monitoring & Observability
|
||||
**Sist oppdatert:** 2026-02-05
|
||||
**Gjelder for:** Azure OpenAI, Azure AI Services, Azure AI Search, Microsoft Foundry
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [Diagnostic Settings — Arkitektur](#diagnostic-settings--arkitektur)
|
||||
- [Konfigurasjon — Azure Portal](#konfigurasjon--azure-portal)
|
||||
- [Konfigurasjon — PowerShell](#konfigurasjon--powershell)
|
||||
- [Konfigurasjon — Azure CLI](#konfigurasjon--azure-cli)
|
||||
- [Metrics Collection Strategies](#metrics-collection-strategies)
|
||||
- [Log Ingestion Patterns](#log-ingestion-patterns)
|
||||
- [Resource Tagging for AI Workloads](#resource-tagging-for-ai-workloads)
|
||||
- [Log Retention and Lifecycle](#log-retention-and-lifecycle)
|
||||
- [Kostnadsoptimalisering](#kostnadsoptimalisering)
|
||||
- [Troubleshooting](#troubleshooting)
|
||||
- [Best Practices](#best-practices)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Oversikt
|
||||
|
||||
Azure Monitor gir omfattende overvåkning av AI-tjenester gjennom samling av metrics, logs og activity logs. Diagnostic settings er det sentrale mekanismen for å konfigurere datainnsamling og ruting til destinasjoner som Log Analytics, Storage Account eller Event Hubs.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** Monitoring & Observability
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Compliance monitoring og AI governance dashboards gir organisasjoner strukturert oversikt over hvordan AI-systemer overholder reguleringskrav, sikkerhetspolicyer og etiske retningslinjer. I en tid der AI Act, GDPR, Schrems II og nasjonale regelverk setter strenge krav til hvordan AI skal utvikles og driftes, er kontinuerlig compliance-overvåking ikke lenger valgfritt — det er en forutsetning for produksjonssetting.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,24 @@
|
|||
**Last updated:** 2026-06
|
||||
**Status:** GA
|
||||
**Category:** Monitoring & Observability
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/foundry/concepts/manage-costs
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Foundry-portal-native kostnadssporing](#foundry-portal-native-kostnadssporing)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Kostnadskontroll er kritisk for AI-prosjekter der utgifter kan eskalere raskt gjennom tokenforbruk, modelldrifting og compute-ressurser. Effektiv kostnadsmonitorering kombinerer sanntidssporing av forbruk, granulær kostnadsfordeling per forretningsenhet eller applikasjon, og automatiserte varsler som forebygger budsjettoverskridelser før de påvirker prosjektøkonomien.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,24 @@
|
|||
**Kategori:** Monitoring & Observability
|
||||
**Sist oppdatert:** 2026-06-19 | Verified: MCP 2026-06-19
|
||||
**Brukes av:** Cosmo Skyberg, Microsoft AI Solution Architect
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/azure-monitor/visualize/workbooks-overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Innledning](#innledning)
|
||||
- [Azure Workbooks for AI](#azure-workbooks-for-ai)
|
||||
- [Grafana for AI Operational Dashboards](#grafana-for-ai-operational-dashboards)
|
||||
- [Power BI for Executive AI Dashboards](#power-bi-for-executive-ai-dashboards)
|
||||
- [Real-Time Intelligence Dashboards (Fabric)](#real-time-intelligence-dashboards-fabric)
|
||||
- [Dashboard Sharing and Governance](#dashboard-sharing-and-governance)
|
||||
- [Cost and Usage Visualizations](#cost-and-usage-visualizations)
|
||||
- [Dashboard Anti-Patterns](#dashboard-anti-patterns)
|
||||
- [For Cosmo Skyberg](#for-cosmo-skyberg)
|
||||
- [Ressurser](#ressurser)
|
||||
|
||||
## Innledning
|
||||
|
||||
Custom dashboards er essensielle for å visualisere og forstå AI-driften i sanntid. Mens standard metrics-visninger gir grunnleggende innsikt, tilbyr tilpassede dashboards mulighet til å kombinere data fra flere kilder, skreddersy visualiseringer for ulike interessenter, og bygge operasjonelle kommandosentral for AI-systemer.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06
|
||||
**Status:** GA
|
||||
**Category:** Monitoring & Observability
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/communication-services/concepts/european-union-data-boundary
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Data residency og geographic audit monitoring sikrer at organisasjoner kan verifisere hvor dataene deres lagres og prosesseres, samt spore datahåndtering på tvers av geografiske grenser. Dette er kritisk for compliance med GDPR, AI Act, Schrems II, og andre regulatoriske krav som gjelder offentlig sektor i Norge.
|
||||
|
|
|
|||
|
|
@ -3,6 +3,24 @@
|
|||
**Kategori:** Monitoring & Observability
|
||||
**Dato:** 2026-06-19
|
||||
**Status:** ✅ Komplett
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/azure-monitor/app/opentelemetry-overview
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Innledning](#innledning)
|
||||
- [Nøkkelkonsepter](#nøkkelkonsepter)
|
||||
- [OpenTelemetry for AI Pipelines](#opentelemetry-for-ai-pipelines)
|
||||
- [Implementering i Microsoft-stakken](#implementering-i-microsoft-stakken)
|
||||
- [End-to-End Trace Correlation](#end-to-end-trace-correlation)
|
||||
- [Trace Visualization og Analysis](#trace-visualization-og-analysis)
|
||||
- [Performance Bottleneck Identification](#performance-bottleneck-identification)
|
||||
- [Best Practices](#best-practices)
|
||||
- [Azure Functions OpenTelemetry Pattern](#azure-functions-opentelemetry-pattern)
|
||||
- [Integrasjon med AI Foundry Tracing](#integrasjon-med-ai-foundry-tracing)
|
||||
- [Troubleshooting Common Issues](#troubleshooting-common-issues)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Innledning
|
||||
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** Monitoring & Observability
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/foundry/openai/quotas-limits
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Endpoint-overvåkning og kapasitetsplanlegging er kritisk for å opprettholde høy tilgjengelighet og forutsigbar ytelse i produksjons-AI-systemer. Azure OpenAI og andre Microsoft AI-tjenester tilbyr omfattende overvåkningsverktøy gjennom Azure Monitor, som samler inn både plattformmetrikkdata (automatisk) og ressurslogger (konfigureres via diagnostic settings).
|
||||
|
|
|
|||
|
|
@ -3,6 +3,22 @@
|
|||
**Kategori:** Monitoring & Observability
|
||||
**Dato:** 2026-05
|
||||
**Forfatter:** Cosmo Skyberg, AI Solution Architect
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/monitor-azure-machine-learning
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [Essential KQL Queries for AI Monitoring](#essential-kql-queries-for-ai-monitoring)
|
||||
- [Performance Analysis Queries](#performance-analysis-queries)
|
||||
- [Error Investigation Patterns](#error-investigation-patterns)
|
||||
- [Cost Analysis Queries](#cost-analysis-queries)
|
||||
- [Query Optimization Techniques](#query-optimization-techniques)
|
||||
- [Advanced Patterns](#advanced-patterns)
|
||||
- [For Cosmo: Anvendelse i Arkitekturrådgivning](#for-cosmo-anvendelse-i-arkitekturrådgivning)
|
||||
- [Viktige KQL-ressurser](#viktige-kql-ressurser)
|
||||
- [Nøkkelinnsikter](#nøkkelinnsikter)
|
||||
- [Referanser](#referanser)
|
||||
|
||||
## Oversikt
|
||||
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** Monitoring & Observability
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/foundry/concepts/observability
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Model Performance Monitoring og Drift Detection er den siste, kritiske fasen i machine learning-livssyklusen. I motsetning til tradisjonelle programvaresystemer, avhenger ikke machine learning-systemers oppførsel bare av regler spesifisert i kode, men også av data. Når et AI-modell blir "gammel" (stale), kan ytelsen degraderes til det punktet at den mister forretningsverdi eller skaper alvorlige compliance-problemer i regulerte miljøer.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-05
|
||||
**Status:** GA
|
||||
**Category:** Monitoring & Observability
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/microsoft-cloud/dev/copilot/isv/observability-for-ai
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Når organisasjoner utvider Microsoft Copilot med custom plugins, connectors og extensions, blir observability kritisk for å sikre pålitelighet, ytelse og compliance. I motsetning til standalone applikasjoner opererer Copilot-extensions i et distribuert økosystem hvor telemetri må samles fra flere lag: plugin-kjøretid, API-kall, LLM-interaksjoner og brukeropplevelse.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** Monitoring & Observability
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/foundry/concepts/observability
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Real-time streaming og live monitoring er kritiske kapabiliteter for operasjonell overvåking av AI-applikasjoner i produksjon. Mens tradisjonell logging og metrics aggregeres over tid (typisk 1-5 minutter), tilbyr real-time løsninger innsikt med under ett sekunds latency, noe som er essensielt for debugging, incident response og operasjonell overvåking av AI-tjenester.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** Monitoring & Observability
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/foundry/concepts/observability
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Response quality metrics er kritisk for å evaluere effektiviteten av RAG-systemer (Retrieval-Augmented Generation). Mens infrastruktur-metrics (tokens, latency, throughput) forteller deg om systemet *kjører*, forteller kvalitetsmetrikker deg om systemet produserer *nyttige og korrekte svar*.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** Monitoring & Observability
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/security/benchmark/azure/mcsb-v2-artificial-intelligence-security
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Security og audit logging for AI-systemer er et kritisk grunnlag for compliance, incident response og forensisk analyse. Azure AI-tjenester genererer diagnostiske logger som kan spore brukeraktivitet, dataaksess, modellinteraksjon og systemhendelser — men loggene samles ikke inn før du eksplisitt konfigurerer diagnostiske innstillinger (diagnostic settings). Uten strukturert logging har du ingen sporbarhet når sikkerhetsbrudd oppstår, og ingen evne til å dokumentere hvem som aksesserte sensitive data.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** Monitoring & Observability
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/azure-monitor/alerts/alerts-overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
SLA-monitorering (Service Level Agreement monitoring) er en kritisk disiplin for å sikre at AI-tjenester oppfyller forventninger til tilgjengelighet, ytelse og pålitelighet. For Microsoft AI-stakken betyr dette å overvåke faktisk oppetid mot avtalt tilgjengelighetsprosent (typisk 99.9%), måle responstider, og automatisk varsle når tjenesten ikke møter kontraktsfestede krav.
|
||||
|
|
|
|||
|
|
@ -3,6 +3,25 @@
|
|||
**Kategori:** Monitoring & Observability
|
||||
**Dato:** 2026-06-19
|
||||
**Versjon:** 1.0
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/foundry/concepts/manage-costs
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Token Counting og Logging](#token-counting-og-logging)
|
||||
- [Usage Attribution per Applikasjon/Bruker](#usage-attribution-per-applikasjonbruker)
|
||||
- [Budget Monitoring og Alerts](#budget-monitoring-og-alerts)
|
||||
- [Token Efficiency Metrics](#token-efficiency-metrics)
|
||||
- [Chargeback Reporting](#chargeback-reporting)
|
||||
- [RAG-spesifikke Considerations](#rag-spesifikke-considerations)
|
||||
- [Fine-tuned Models: Spesialkonsiderasjoner](#fine-tuned-models-spesialkonsiderasjoner)
|
||||
- [Provisioned Throughput Units (PTU): Tracking](#provisioned-throughput-units-ptu-tracking)
|
||||
- [Integrasjon med FinOps Practices](#integrasjon-med-finops-practices)
|
||||
- [Best Practices](#best-practices)
|
||||
- [Relaterte Referanser](#relaterte-referanser)
|
||||
- [Kilder (Microsoft Learn)](#kilder-microsoft-learn)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** Gjeldende
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/compliance/regulatory/offering-wcag-2-1
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Lovgrunnlag](#lovgrunnlag)
|
||||
- [AI-spesifikke tilgjengelighetskrav](#ai-spesifikke-tilgjengelighetskrav)
|
||||
- [Krav til tilgjengelighetserklæring](#krav-til-tilgjengelighetserklæring)
|
||||
- [Microsoft-verktøy for universell utforming av AI](#microsoft-verktøy-for-universell-utforming-av-ai)
|
||||
- [Praktiske anbefalinger for arkitekten (Cosmo)](#praktiske-anbefalinger-for-arkitekten-cosmo)
|
||||
- [Spesifikke scenario-spørsmål](#spesifikke-scenario-spørsmål)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Universell utforming av IKT er lovpålagt i Norge for både offentlig og privat sektor. AI-løsninger som chatbots, virtuelle assistenter og generative AI-verktøy må følge samme krav som andre digitale tjenester. Dette dokumentet dekker hvordan WCAG-standardene (Web Content Accessibility Guidelines) gjelder for AI-systemer i norsk kontekst, og hvordan Microsoft AI-plattformer kan brukes for å oppfylle disse kravene.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-04
|
||||
**Status:** Gjeldende
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** methodology
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Lovgrunnlag](#lovgrunnlag)
|
||||
- [Spesielle hensyn for AI-anskaffelser](#spesielle-hensyn-for-ai-anskaffelser)
|
||||
- [DFØs veiledning for IT-anskaffelser](#dføs-veiledning-for-it-anskaffelser)
|
||||
- [SSA-avtaler for AI og sky](#ssa-avtaler-for-ai-og-sky)
|
||||
- [Innkjøp via Microsoft-kanaler](#innkjøp-via-microsoft-kanaler)
|
||||
- [Praktisk sjekkliste for AI-anskaffelser](#praktisk-sjekkliste-for-ai-anskaffelser)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Anskaffelse av AI-løsninger i norsk offentlig sektor er regulert av anskaffelsesloven og anskaffelsesforskriften, med særlige hensyn til skytjenester, informasjonssikkerhet og leverandørnøytralitet. AI-systemer stiller nye krav til kravspesifisering, evaluering og etiske vurderinger som må integreres i anskaffelsesprosessen.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,21 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** Gjeldende
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/cost-management-billing/costs/overview-cost-management
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Relevant regelverk](#relevant-regelverk)
|
||||
- [AI-kostnadstyper](#ai-kostnadstyper)
|
||||
- [Budsjettplanlegging for AI](#budsjettplanlegging-for-ai)
|
||||
- [Azure Cost Management for offentlig sektor](#azure-cost-management-for-offentlig-sektor)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
AI-investeringer i norsk offentlig sektor må følge etablerte rammeverk for økonomistyring, men krever samtidig nye tilnærminger til budsjettering og kostnadsklassifisering. Denne referansen dekker regelverk, kostnadstyper, og praktisk veiledning for å håndtere AI-kostnader innenfor statens økonomiregelverket.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,21 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** Gjeldende
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Krav til begrunnelse](#krav-til-begrunnelse)
|
||||
- [Klarspråk og AI](#klarspråk-og-ai)
|
||||
- [Transparensrapportering](#transparensrapportering)
|
||||
- [Microsoft-verktøy for forklarbarhet](#microsoft-verktøy-for-forklarbarhet)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Når offentlige myndigheter tar i bruk AI for beslutningsstøtte eller automatiserte vedtak, oppstår et grunnleggende demokratisk krav: innbyggere må forstå hvordan beslutninger som påvirker deres liv er fattet. Dette dokumentet beskriver de rettslige og praktiske rammene for kommunikasjon med innbyggere om AI-baserte beslutninger i norsk offentlig sektor.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,21 @@
|
|||
**Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
|
||||
**Status:** Under endring - norsk implementering av DSM-direktivet og AI Act pågår
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/foundry/openai/concepts/safety-system-message-templates
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Lovgrunnlag](#lovgrunnlag)
|
||||
- [Text and Data Mining-unntaket](#text-and-data-mining-unntaket)
|
||||
- [Praktiske implikasjoner](#praktiske-implikasjoner)
|
||||
- [Microsoft og opphavsrett](#microsoft-og-opphavsrett)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Bruk av opphavsrettsbeskyttet materiale som treningsdata for AI-modeller reiser fundamentale juridiske spørsmål som fortsatt er under avklaring i Norge. Mens AI-trening teknisk sett krever kopiering av opphavsrettsbeskyttet materiale — noe som bryter med åndsverkloven § 3 (1) bokstav a — finnes det unntak under forberedelse som skal implementere EU-regelverk. Med implementering av AI Act planlagt til august 2026, og DSM-direktivet ventet i nær fremtid, står Norge overfor betydelige endringer i hvordan opphavsrett og AI-treningsdata reguleres.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,20 @@
|
|||
**Last updated:** 2026-05
|
||||
**Status:** Gjeldende
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/cloud-adoption-framework/scenarios/ai/govern
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Digdirs ansvarsområder](#digdirs-ansvarsområder)
|
||||
- [Styringsmodell for AI](#styringsmodell-for-ai)
|
||||
- [Microsoft-integrasjon](#microsoft-integrasjon)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Digitaliseringsdirektoratet (Digdir) har en sentral rolle i koordinering og veiledning rundt ansvarlig bruk av kunstig intelligens i norsk offentlig sektor. Denne kunnskapsreferansen beskriver Digdirs styringsstruktur for AI, ansvarsområder, og hvordan dette integreres med Microsoft-teknologi.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,21 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** Gjeldende
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/well-architected/ai/responsible-ai
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Prinsippets kjerneinnhold](#prinsippets-kjerneinnhold)
|
||||
- [Anvendelse på AI-løsninger](#anvendelse-på-ai-løsninger)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Eksempler fra norsk offentlig sektor](#eksempler-fra-norsk-offentlig-sektor)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Brukerorientering er det første og mest fundamentale arkitekturprinsippet etablert av Digitaliseringsdirektoratet (Digdir) for offentlig sektor i Norge. Prinsippet slår fast at **offentlige tjenester skal være basert på brukernes behov og perspektiver, og være brukbare for alle, uavhengig av alder og funksjonsevne**.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,21 @@
|
|||
**Last updated:** 2026-05
|
||||
**Status:** Gjeldende
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/api-management/api-management-key-concepts
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Prinsippets kjerneinnhold](#prinsippets-kjerneinnhold)
|
||||
- [Anvendelse på AI-løsninger](#anvendelse-på-ai-løsninger)
|
||||
- [Microsoft-teknologier for samhandling](#microsoft-teknologier-for-samhandling)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Samhandlingsevne (interoperabilitet) er et av Digdirs overordnede arkitekturprinsipper for digitalisering av offentlig sektor. Prinsippet er obligatorisk for statlig sektor og anbefalt for kommunesektoren. I en tid hvor AI-løsninger skal integreres på tvers av virksomheter og sektorer, blir evnen til å dele data, tjenester og semantisk forståelse avgjørende for å realisere verdien av kunstig intelligens.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,21 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** Gjeldende
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/security/zero-trust/deploy/networks
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Prinsippets kjerneinnhold](#prinsippets-kjerneinnhold)
|
||||
- [Sikkerhetskrav for AI-løsninger](#sikkerhetskrav-for-ai-løsninger)
|
||||
- [Zero Trust for AI](#zero-trust-for-ai)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Tillit er fundamentet for digitaliseringen av offentlig sektor. Innbyggere, næringsliv og frivillige organisasjoner må ha tillit til at offentlige virksomheter løser sine oppgaver på en god og sikker måte. Digital sikkerhet er ikke bare en teknisk forutsetning – den er en betingelse for å opprettholde samfunnets tillit til offentlig forvaltning.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,24 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** Gjeldende
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/compliance/regulatory/offering-wcag-2-1
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Nasjonal strategi for digital inkludering](#nasjonal-strategi-for-digital-inkludering)
|
||||
- [Gjeldende regelverk for universell utforming av IKT](#gjeldende-regelverk-for-universell-utforming-av-ikt)
|
||||
- [EUs tilgjengelighetsdirektiv (EAA) – kommende krav](#eus-tilgjengelighetsdirektiv-eaa--kommende-krav)
|
||||
- [UU-tilsynets rolle og fremtidig AI-tilsyn](#uu-tilsynets-rolle-og-fremtidig-ai-tilsyn)
|
||||
- [AI og digital inkludering – særlige hensyn](#ai-og-digital-inkludering--særlige-hensyn)
|
||||
- [Handlingsplan for AI-prosjekter](#handlingsplan-for-ai-prosjekter)
|
||||
- [Microsoft-verktøy for tilgjengelig AI](#microsoft-verktøy-for-tilgjengelig-ai)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Digital tilgjengelighet er ikke bare et lovkrav – det er en grunnleggende forutsetning for inkluderende AI-løsninger i offentlig sektor. Med over 1 milliard mennesker med funksjonsnedsettelser globalt, og en betydelig andel av den norske befolkningen som opplever digitale barrierer, må AI-systemer designes med tilgjengelighet som et kjernekrav fra dag én.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,21 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** Gjeldende
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/dynamics365/guidance/techtalks/integrate-finance-operations-overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [De fem samhandlingslagene](#de-fem-samhandlingslagene)
|
||||
- [Anvendelse på AI-løsninger](#anvendelse-på-ai-løsninger)
|
||||
- [Microsoft-teknologier per lag](#microsoft-teknologier-per-lag)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Norge implementerte European Interoperability Framework (EIF) da landet signerte Tallinn-erklæringen i 2017, sammen med EU og andre EFTA-land. Norges nasjonale samhandlingsrammeverk heter i dag **Rammeverk for digital samhandling** og bygger på EIF-prinsippene.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,21 @@
|
|||
**Last updated:** 2026-06-18
|
||||
**Status:** Gjeldende
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** methodology
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Når kreves DPIA for AI-systemer?](#når-kreves-dpia-for-ai-systemer)
|
||||
- [Datatilsynets DPIA-metodikk](#datatilsynets-dpia-metodikk)
|
||||
- [AI-spesifikke vurderinger i DPIA](#ai-spesifikke-vurderinger-i-dpia)
|
||||
- [Microsoft-verktøy for DPIA](#microsoft-verktøy-for-dpia)
|
||||
- [Maler og sjekklister](#maler-og-sjekklister)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Data Protection Impact Assessment (DPIA), på norsk kjent som personvernkonsekvensvurdering (PVK), er et sentralt verktøy i personvernforordningen (GDPR) artikkel 35. En DPIA er en prosess som beskriver behandlingen av personopplysninger og vurderer om den er nødvendig og proporsjonal. Den skal også bidra til å håndtere risikoene behandlingen medfører for registrertes rettigheter og friheter, ved å vurdere dem og etablere risikoreduserende tiltak.
|
||||
|
|
|
|||
|
|
@ -4,9 +4,23 @@
|
|||
**Status:** Gjeldende regelverk (ny lov vedtatt juni 2025, ikke trådt i kraft per aug 2025)
|
||||
**Category:** Norwegian Public Sector Governance
|
||||
**Confidence:** HIGH (primærkilder fra Lovdata, Regjeringen.no, Sivilombudet)
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernebestemmelser for AI-vedtak](#kjernebestemmelser-for-ai-vedtak)
|
||||
- [Krav til transparens og forklarbarhet](#krav-til-transparens-og-forklarbarhet)
|
||||
- [Rettsikkerhet og klagebehandling](#rettsikkerhet-og-klagebehandling)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge) — praksis og lærdommer](#offentlig-sektor-norge--praksis-og-lærdommer)
|
||||
- [For arkitekten (Cosmo) — spørsmål, fallgruver og anbefalinger](#for-arkitekten-cosmo--spørsmål-fallgruver-og-anbefalinger)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
- [For Cosmo — når bruker denne kunnskapen?](#for-cosmo--når-bruker-denne-kunnskapen)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Den nye forvaltningsloven ble vedtatt av Stortinget 20. juni 2025 og representerer en modernisering av norsk forvaltningsrett for den digitale tidsalderen. Loven innfører for første gang eksplisitte bestemmelser om **automatisert saksbehandling** (§§ 11-13), og skaper dermed et rettslig rammeverk for bruk av AI og beslutningsalgoritmer i offentlig forvaltning.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,21 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** Gjeldende
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/copilot/microsoft-365/copilot-control-system/measurement-reporting
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [DFØs rammeverk for gevinstrealisering](#dføs-rammeverk-for-gevinstrealisering)
|
||||
- [AI-spesifikke gevinster](#ai-spesifikke-gevinster)
|
||||
- [Måling av AI-gevinster](#måling-av-ai-gevinster)
|
||||
- [Utfordringer med AI-gevinster](#utfordringer-med-ai-gevinster)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Gevinstrealisering er en metode for planlegging og organisering i både linjeorganisasjonen og prosjektgruppene, med mål om å følge opp og hente ut gevinster fra offentlige prosjekter. For AI-prosjekter er dette spesielt viktig, ettersom AI-investeringer ofte har komplekse og langsiktige gevinstprofiler som krever systematisk oppfølging fra prosjektfase til drift.
|
||||
|
|
|
|||
|
|
@ -4,9 +4,23 @@
|
|||
**Status:** Gjeldende
|
||||
**Kategori:** Norwegian Public Sector AI Governance
|
||||
**Konfidens:** Høy (basert på DFØ veileder og Prosjektveiviseren)
|
||||
**Type:** methodology
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [DFØs 5-stegs modell](#dføs-5-stegs-modell)
|
||||
- [Gevinstregister-mal for AI-prosjekter](#gevinstregister-mal-for-ai-prosjekter)
|
||||
- [KPI-er med baseline og mål](#kpi-er-med-baseline-og-mål)
|
||||
- [Tidsplan: Pilot til evaluering](#tidsplan-pilot-til-evaluering)
|
||||
- [Gevinstansvarlig - Rolle og RACI-modell](#gevinstansvarlig---rolle-og-raci-modell)
|
||||
- [Gevinstprofiler for ulike AI-prosjekttyper](#gevinstprofiler-for-ulike-ai-prosjekttyper)
|
||||
- [Kobling til Prosjektveiviseren](#kobling-til-prosjektveiviseren)
|
||||
- [Kilder](#kilder)
|
||||
- [For Cosmo Skyberg](#for-cosmo-skyberg)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Denne referansefilen utdyper DFØs metodikk for gevinstrealisering, spesifikt tilpasset AI-prosjekter i norsk offentlig sektor. Den bygger videre på den generelle oversikten i `gevinstrealisering-ai-projects.md` med en operasjonell 5-stegs modell, gevinstregister-mal, RACI-modell, og konkrete KPI-er med tidsplaner.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,21 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** Gjeldende nasjonale retningslinjer (oppdatert 2024-2025)
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai-dashboard
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Hovedpunkter i strategien](#hovedpunkter-i-strategien)
|
||||
- [Relevans for offentlig sektor](#relevans-for-offentlig-sektor)
|
||||
- [Kobling til Microsoft-plattformen](#kobling-til-microsoft-plattformen)
|
||||
- [Implementering i praksis](#implementering-i-praksis)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Norges nasjonale strategi for kunstig intelligens ble lansert i januar 2020 av Kommunal- og moderniseringsdepartementet (nå Digitaliseringsdepartementet). Strategien dekker sivil sektor og skal posisjonere Norge som ledende innen etisk og trygg AI-bruk.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,21 @@
|
|||
**Sist oppdatert:** 2026-02 (v1.0)
|
||||
**Status:** Gjeldende
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [1. Embedding-modell-sammenligning for norsk](#1-embedding-modell-sammenligning-for-norsk)
|
||||
- [2. Benchmark-referanser for norsk NLP](#2-benchmark-referanser-for-norsk-nlp)
|
||||
- [3. LLM norsk-kvalitet med fagterminologi](#3-llm-norsk-kvalitet-med-fagterminologi)
|
||||
- [4. Chunking for norsk morfologi](#4-chunking-for-norsk-morfologi)
|
||||
- [5. Pilottest-anbefaling](#5-pilottest-anbefaling)
|
||||
- [Norske NLP-ressurser og forskningsmiljøer](#norske-nlp-ressurser-og-forskningsmiljøer)
|
||||
- [For Cosmo Skyberg](#for-cosmo-skyberg)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Når en arkitekturvurdering hevder at "GPT-4o håndterer norsk godt", trenger vi et evidensrammeverk for å validere påstanden. Denne filen dokumenterer tilgjengelige benchmarks, embedding-modeller og kvalitetsvurderinger for norsk NLP, med fokus på modeller tilgjengelige via Azure OpenAI og Microsoft-stakken.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,21 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** Gjeldende (NSM Grunnprinsipper v2.1, juni 2024)
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/security/benchmark/azure/security-baselines-overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [De fire kategoriene](#de-fire-kategoriene)
|
||||
- [Mapping til AI-systemer](#mapping-til-ai-systemer)
|
||||
- [Microsoft Azure-tjenester som dekker NSMs prinsipper](#microsoft-azure-tjenester-som-dekker-nsms-prinsipper)
|
||||
- [Sjekkliste for AI-prosjekter](#sjekkliste-for-ai-prosjekter)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Nasjonal sikkerhetsmyndighet (NSM) er Norges fagmyndighet for informasjons- og objektsikkerhet, og det nasjonale fagmiljøet for IKT-sikkerhet. NSMs Grunnprinsipper for IKT-sikkerhet (versjon 2.1, publisert juni 2024) omfatter **4 kategorier** med **21 prinsipper** og tilhørende sikkerhetstiltak.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** Gjeldende
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** methodology
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Norsk AI-etisk landskap](#norsk-ai-etisk-landskap)
|
||||
- [Etiske prinsipper for AI i offentlig sektor](#etiske-prinsipper-for-ai-i-offentlig-sektor)
|
||||
- [Digitaliseringsdirektoratets retningslinjer](#digitaliseringsdirektoratets-retningslinjer)
|
||||
- [Datatilsynets rolle](#datatilsynets-rolle)
|
||||
- [Teknologirådets anbefalinger](#teknologirådets-anbefalinger)
|
||||
- [Microsoft Responsible AI i norsk kontekst](#microsoft-responsible-ai-i-norsk-kontekst)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
AI-etikk i norsk offentlig sektor befinner seg i en transformasjonsfase. Med EU AI Act som blir norsk lov fra sommeren 2026, og en økende bevissthet om ansvarlig AI, etableres nå rammeverk som skal sikre at kunstig intelligens brukes på en måte som respekterer grunnleggende verdier, rettigheter og samfunnsansvar.
|
||||
|
|
|
|||
|
|
@ -4,9 +4,26 @@
|
|||
**Kategori:** Norwegian Public Sector AI Governance
|
||||
**Status:** Established Practice
|
||||
**Formål:** Strukturert trusselkatalog for ros-analysis-agent — gir deterministisk trusselidentifisering med standardverdier for sannsynlighet og konsekvens
|
||||
**Type:** methodology
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [Kategori 1: Input-manipulasjon (6 trusler)](#kategori-1-input-manipulasjon-6-trusler)
|
||||
- [Kategori 2: Dataintegritet (6 trusler)](#kategori-2-dataintegritet-6-trusler)
|
||||
- [Kategori 3: Output og informasjonslekkasje (5 trusler)](#kategori-3-output-og-informasjonslekkasje-5-trusler)
|
||||
- [Kategori 4: Modellsikkerhet (4 trusler)](#kategori-4-modellsikkerhet-4-trusler)
|
||||
- [Kategori 5: Forsyningskjede (6 trusler)](#kategori-5-forsyningskjede-6-trusler)
|
||||
- [OWASP Top 10 for Agentic Applications 2026 — mapping til biblioteket](#owasp-top-10-for-agentic-applications-2026--mapping-til-biblioteket)
|
||||
- [Kategori 6: Agent og autonomi (7 trusler)](#kategori-6-agent-og-autonomi-7-trusler)
|
||||
- [Kategori 7: Bias og rettferdighet (5 trusler)](#kategori-7-bias-og-rettferdighet-5-trusler)
|
||||
- [Kategori 8: Tilgjengelighet (5 trusler)](#kategori-8-tilgjengelighet-5-trusler)
|
||||
- [Kategori 9: Personvern og compliance (5 trusler)](#kategori-9-personvern-og-compliance-5-trusler)
|
||||
- [Trusseloversikt — prioritert etter risikoscore](#trusseloversikt--prioritert-etter-risikoscore)
|
||||
- [For Cosmo Skyberg](#for-cosmo-skyberg)
|
||||
|
||||
## Oversikt
|
||||
|
||||
Dette biblioteket inneholder **49 trusler fordelt på 9 kategorier** for systematisk AI-risikoidentifisering i norsk offentlig sektor. Biblioteket er forankret i OWASP LLM Top 10 (2025), OWASP Top 10 for Agentic Applications 2026, MITRE ATLAS, NS 5814:2021, og EU AI Act vedlegg III, med tilpasninger for Microsoft-stakken (Microsoft Foundry, Copilot Studio, Power Platform, M365 Copilot).
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** Gjeldende
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/well-architected/security/threat-model
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Lovgrunnlag og krav](#lovgrunnlag-og-krav)
|
||||
- [ROS-metodikk for AI](#ros-metodikk-for-ai)
|
||||
- [AI-spesifikke risikoer](#ai-spesifikke-risikoer)
|
||||
- [Microsoft-verktøy for risikostyring](#microsoft-verktøy-for-risikostyring)
|
||||
- [ROS-mal for AI-prosjekter](#ros-mal-for-ai-prosjekter)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
ROS-analyse (Risiko- og Sårbarhetsanalyse) er en systematisk tilnærming til å identifisere, vurdere og håndtere risikoer knyttet til IKT-systemer. For AI-systemer i norsk offentlig sektor innebærer dette en utvidet metodikk som tar høyde for AI-spesifikke risikoer som modellsikkerhet, dataintegritet, bias, og konsekvenser av automatiserte beslutninger.
|
||||
|
|
|
|||
|
|
@ -4,9 +4,23 @@
|
|||
**Kategori:** Norwegian Public Sector AI Governance
|
||||
**Status:** Established Practice
|
||||
**Formål:** Veiledning for koordinering mellom ROS-analyse, DPIA og sikkerhetsvurdering — unngå duplisering, sikre dekning, og produser et sammenhengende risikovurderingsgrunnlag
|
||||
**Type:** methodology
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [Beslutningstre: Hvilke vurderinger er påkrevd?](#beslutningstre-hvilke-vurderinger-er-påkrevd)
|
||||
- [Overlap-matrise: Hva dekkes av hva?](#overlap-matrise-hva-dekkes-av-hva)
|
||||
- [Sekvensieringsanbefaling](#sekvensieringsanbefaling)
|
||||
- [Cross-referencing mellom agenter: Konkrete eksempler](#cross-referencing-mellom-agenter-konkrete-eksempler)
|
||||
- [Compliance-dekningsmatrise](#compliance-dekningsmatrise)
|
||||
- [Praktisk arbeidsflyt med `/architect`-kommandoer](#praktisk-arbeidsflyt-med-architect-kommandoer)
|
||||
- [Ansvarsfordeling mellom roller](#ansvarsfordeling-mellom-roller)
|
||||
- [Dokumentasjonskrav og oppbevaring](#dokumentasjonskrav-og-oppbevaring)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Oversikt
|
||||
|
||||
Tre vurderingstyper dekker ulike aspekter av AI-risiko i norsk offentlig sektor. Alle tre kan bestilles via separate `/architect`-kommandoer, men gir størst verdi når de gjennomføres koordinert og cross-referanser hverandre eksplisitt.
|
||||
|
|
|
|||
|
|
@ -4,9 +4,19 @@
|
|||
**Kategori:** Norwegian Public Sector AI Governance
|
||||
**Status:** Established Practice
|
||||
**Formål:** Strukturert sikkerhetsmodell for multiagent-orkestrering — brukes av ros-analysis-agent for dybdevurdering av agent-baserte systemer
|
||||
**Type:** methodology
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [De 7 lagene](#de-7-lagene)
|
||||
- [Defense-in-depth for multiagent-systemer](#defense-in-depth-for-multiagent-systemer)
|
||||
- [MAESTRO-sjekkliste for ROS-analyse](#maestro-sjekkliste-for-ros-analyse)
|
||||
- [Referanser](#referanser)
|
||||
- [For Cosmo Skyberg](#for-cosmo-skyberg)
|
||||
|
||||
## Oversikt
|
||||
|
||||
MAESTRO (Multi-Agent Environment Security Threat and Risk Operations) er et 7-lags sikkerhetsrammeverk utviklet av OWASP for å adressere unike sikkerhetsutfordringer i multiagent AI-systemer. Rammeverket bygger på defense-in-depth-prinsippet og gir et systematisk verktøy for å identifisere, vurdere og mitigere risiko i hvert lag av en agent-arkitektur.
|
||||
|
|
|
|||
|
|
@ -4,9 +4,26 @@
|
|||
**Kategori:** Norwegian Public Sector AI Governance
|
||||
**Status:** Established Practice
|
||||
**Formål:** Detaljert metodikkguide for ros-analysis-agent — kobler AI-ROS til etablerte standarder og sikrer revisjonssporbarhet
|
||||
**Type:** regulatory
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [Del 1: NS 5814:2021 — Prosessmapping](#del-1-ns-58142021--prosessmapping)
|
||||
- [Del 2: ISO 31000:2018 — Prinsipper og rammeverk](#del-2-iso-310002018--prinsipper-og-rammeverk)
|
||||
- [Del 3: ISO/IEC 23894:2023 — AI-spesifikk risikostyring](#del-3-isoiec-238942023--ai-spesifikk-risikostyring)
|
||||
- [Del 4: EU AI Act Art. 9 — Obligatorisk risikostyringssystem](#del-4-eu-ai-act-art-9--obligatorisk-risikostyringssystem)
|
||||
- [Del 5: NIST AI RMF 1.0 — Funksjonsrammeverk](#del-5-nist-ai-rmf-10--funksjonsrammeverk)
|
||||
- [Del 6: Sannsynlighetsskala (5 nivåer)](#del-6-sannsynlighetsskala-5-nivåer)
|
||||
- [Del 7: Konsekvensskala (5 nivåer)](#del-7-konsekvensskala-5-nivåer)
|
||||
- [Del 8: Risikomatrise (5×5) og klassifisering](#del-8-risikomatrise-55-og-klassifisering)
|
||||
- [Del 9: Tiltaksstrategier](#del-9-tiltaksstrategier)
|
||||
- [Del 10: De 7 risikodimensjonene — detaljert veiledning](#del-10-de-7-risikodimensjonene--detaljert-veiledning)
|
||||
- [Del 11: Terminologimapping](#del-11-terminologimapping)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Oversikt
|
||||
|
||||
Denne guiden definerer den metodiske grunnmuren for ROS-analyser av AI-systemer i norsk offentlig sektor. Metodikken er konstruert som en syntese av etablerte risikostyringsrammeverk tilpasset AI-spesifikke utfordringer: ikke-deterministisk output, bias-risiko, forklarbarhetskrav og raskt skiftende trussellandskap.
|
||||
|
|
|
|||
|
|
@ -4,9 +4,17 @@
|
|||
**Kategori:** Norwegian Public Sector AI Governance
|
||||
**Status:** Established Practice
|
||||
**Formål:** Standardiserte rapportmaler for ros-analysis-agent — Quick ROS og Full ROS
|
||||
**Type:** template
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [Mal A: Quick ROS](#mal-a-quick-ros)
|
||||
- [Mal B: Full ROS](#mal-b-full-ros)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Oversikt
|
||||
|
||||
To maler for ulike behov og målgrupper. Agenten velger mal basert på brukerens intensjon og tilgjengelig informasjon.
|
||||
|
|
|
|||
|
|
@ -4,9 +4,28 @@
|
|||
**Kategori:** Norwegian Public Sector AI Governance
|
||||
**Status:** Established Practice
|
||||
**Formål:** Deterministiske rubrikker for ros-analysis-agent — erstatter vage 1-5 beskrivelser med eksakte, verifiserbare sjekkpunkter
|
||||
**Type:** methodology
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [Vektingsmodell](#vektingsmodell)
|
||||
- [Dimensjon 1: Modellsikkerhet (20 %)](#dimensjon-1-modellsikkerhet-20)
|
||||
- [Dimensjon 2: Dataintegritet og konfidensialitet (20 %)](#dimensjon-2-dataintegritet-og-konfidensialitet-20)
|
||||
- [Dimensjon 3: Bias og diskriminering (15 %)](#dimensjon-3-bias-og-diskriminering-15)
|
||||
- [Dimensjon 4: Tilgjengelighet og robusthet (10 %)](#dimensjon-4-tilgjengelighet-og-robusthet-10)
|
||||
- [Dimensjon 5: Forklarbarhet og sporbarhet (10 %)](#dimensjon-5-forklarbarhet-og-sporbarhet-10)
|
||||
- [Dimensjon 6: Juridisk og regulatorisk (15 %)](#dimensjon-6-juridisk-og-regulatorisk-15)
|
||||
- [Dimensjon 7: Organisatorisk og menneskelig (10 %)](#dimensjon-7-organisatorisk-og-menneskelig-10)
|
||||
- [Totalscoreberegning](#totalscoreberegning)
|
||||
- [Referansecaser](#referansecaser)
|
||||
- [Sammenligning av casene](#sammenligning-av-casene)
|
||||
- [Evidensgrunnlag og konfidensgrad](#evidensgrunnlag-og-konfidensgrad)
|
||||
- [Kalibreringsveiledning for agenten](#kalibreringsveiledning-for-agenten)
|
||||
- [Kilder og forankring](#kilder-og-forankring)
|
||||
|
||||
## Oversikt
|
||||
|
||||
Denne filen definerer **35 rubrikk-celler** (7 dimensjoner × 5 nivåer) med ja/nei-sjekkpunkter for å sikre konsistent, reproduserbar ROS-vurdering av AI-systemer i norsk offentlig sektor. Rammeverket er forankret i NS 5814:2021 (Krav til risikovurdering), ISO 31000:2018 (Risikostyring), ISO/IEC 23894:2023 (AI risk management guidance), og EU AI Act Art. 9 (Risk Management System).
|
||||
|
|
|
|||
|
|
@ -4,9 +4,20 @@
|
|||
**Kategori:** Norwegian Public Sector AI Governance
|
||||
**Status:** Established Practice
|
||||
**Formål:** Sektortilpassede sjekklister for ros-analysis-agent — gir sektor-spesifikk risikoidentifisering utover generell AI-risikovurdering
|
||||
**Type:** template
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [§1 Helse](#1-helse)
|
||||
- [§2 Transport](#2-transport)
|
||||
- [§3 Finans](#3-finans)
|
||||
- [§4 Justis](#4-justis)
|
||||
- [§5 Utdanning](#5-utdanning)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Oversikt
|
||||
|
||||
Denne filen inneholder sektorspesifikke sjekklister som supplerer den generelle ROS-analysen for AI-systemer i norsk offentlig sektor. Agenten detekterer sektor fra systembeskrivelsen og laster relevant sjekkliste automatisk. Sjekklistene er kalibrert mot norske tilsynsmyndigheter og sektorrelevant regelverk.
|
||||
|
|
|
|||
|
|
@ -4,9 +4,24 @@
|
|||
**Status:** Gjeldende
|
||||
**Kategori:** Norwegian Public Sector AI Governance
|
||||
**Konfidens:** Høy (basert på DFØ veileder 2023 og Finansdepartementets R-109/21)
|
||||
**Type:** methodology
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [NNV-beregning (Netto nåverdi)](#nnv-beregning-netto-nåverdi)
|
||||
- [Gjennomarbeidet eksempel: 5-årig AI-prosjekt](#gjennomarbeidet-eksempel-5-årig-ai-prosjekt)
|
||||
- [Prissatte og ikke-prissatte virkninger](#prissatte-og-ikke-prissatte-virkninger)
|
||||
- [Sensitivitetsanalyse](#sensitivitetsanalyse)
|
||||
- [Fordelingsvirkninger](#fordelingsvirkninger)
|
||||
- [Skalering etter kompleksitet](#skalering-etter-kompleksitet)
|
||||
- [DFØs 8 arbeidsfaser anvendt på AI](#dføs-8-arbeidsfaser-anvendt-på-ai)
|
||||
- [Nullalternativet for AI-prosjekter](#nullalternativet-for-ai-prosjekter)
|
||||
- [Kilder](#kilder)
|
||||
- [For Cosmo Skyberg](#for-cosmo-skyberg)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Samfunnsøkonomisk analyse er en metode for å kartlegge og synliggjøre konsekvensene av offentlige tiltak, ved å presentere systematisk og sammenlignbar informasjon om fordeler og ulemper for samfunnet som helhet og for enkeltgrupper.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,19 @@
|
|||
**Last updated:** 2026-04
|
||||
**Status:** Gjeldende
|
||||
**Category:** Norwegian Public Sector AI Governance
|
||||
**Type:** methodology
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Lovgrunnlag](#lovgrunnlag)
|
||||
- [Etiske retningslinjer](#etiske-retningslinjer)
|
||||
- [Anvendelse på AI-systemer i offentlig sektor](#anvendelse-på-ai-systemer-i-offentlig-sektor)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Statistikkloven (Lov om offisiell statistikk og Statistisk sentralbyrå, vedtatt 21. juni 2019) etablerer det formelle rammeverket for norsk offisiell statistikk og Statistisk sentralbyrås (SSB) ansvarsområde. Loven bekrefter SSBs faglige uavhengighet og setter krav til informasjonssikkerhet og personvern i statistikkproduksjon.
|
||||
|
|
|
|||
|
|
@ -4,9 +4,21 @@
|
|||
**Status:** Gjeldende regelverk (Effective regulation)
|
||||
**Category:** Norwegian Public Sector Governance
|
||||
**Confidence:** High (offisielle kilder fra regjeringen.no og DFØ)
|
||||
**Type:** methodology
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [De seks spørsmålene anvendt på AI](#de-seks-spørsmålene-anvendt-på-ai)
|
||||
- [Krav til utredning av AI-tiltak](#krav-til-utredning-av-ai-tiltak)
|
||||
- [Metodikk og gjennomføring](#metodikk-og-gjennomføring)
|
||||
- [Beslutningsgrunnlag og kvalitetssikring](#beslutningsgrunnlag-og-kvalitetssikring)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Utredningsinstruksen er et sentralt styringsinstrument i norsk statsforvaltning som stiller minimumskrav til utredning av alle statlige tiltak. Instruksen ble fastsatt ved kongelig resolusjon 19. februar 2016 og trådte i kraft 1. mars 2016.
|
||||
|
|
|
|||
|
|
@ -4,9 +4,24 @@
|
|||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Hjemmel:** Regulation (EU) 2024/1689, Annex III, Article 6(2)-(3)
|
||||
**Type:** regulatory
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Beslutningstre for risikoklassifisering](#beslutningstre-for-risikoklassifisering)
|
||||
- [Annex III: 8 kategorier med sjekkpunkter](#annex-iii-8-kategorier-med-sjekkpunkter)
|
||||
- [Oppsummeringstabell: Alle 30 underpunkter](#oppsummeringstabell-alle-30-underpunkter)
|
||||
- [Grensevurdering: Beslutningsstøtte vs. automatisert vedtak](#grensevurdering-beslutningsstøtte-vs-automatisert-vedtak)
|
||||
- [Compliance-krav per risikonivå](#compliance-krav-per-risikonivå)
|
||||
- [Grensesaker fra norsk offentlig sektor](#grensesaker-fra-norsk-offentlig-sektor)
|
||||
- [Tidslinje for compliance](#tidslinje-for-compliance)
|
||||
- [Microsoft-verktøystøtte for klassifisering](#microsoft-verktøystøtte-for-klassifisering)
|
||||
- [For Cosmo Skyberg](#for-cosmo-skyberg)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Denne sjekklisten gir en systematisk gjennomgang av EU AI Acts Annex III for å avgjøre om et AI-system klassifiseres som høyrisiko. Den utfyller `ai-act-compliance-guide.md` med konkrete sjekkpunkter per kategori, et beslutningstre for risikoklassifisering, og veiledning om grensesnittet mellom beslutningsstøtte og automatiserte vedtak i norsk offentlig sektor.
|
||||
|
|
|
|||
|
|
@ -1,4 +1,5 @@
|
|||
# EU AI Act — Systematisk Klassifiseringsmetodikk
|
||||
**Type:** regulatory
|
||||
|
||||
Last updated: 2026-06-18
|
||||
Status: GA
|
||||
|
|
@ -6,6 +7,16 @@ Category: Responsible AI & Governance
|
|||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [4-stegs systematisk metodikk](#4-stegs-systematisk-metodikk)
|
||||
- [Rolle-bestemmelse: Provider vs. Deployer](#rolle-bestemmelse-provider-vs-deployer)
|
||||
- [Transport-sektoreksempler](#transport-sektoreksempler)
|
||||
- [Grensevurderinger](#grensevurderinger)
|
||||
- [Beslutningsflytdiagram](#beslutningsflytdiagram)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Oversikt
|
||||
|
||||
EU AI Act (Forordning 2024/1689) bruker en risikobasert tilnærming med fire nivåer: forbudt, høy risiko, begrenset risiko og minimal risiko. Korrekt klassifisering er avgjørende — feil klassifisering kan medføre bøter på opptil 35 millioner EUR eller 7 % av global omsetning (Art. 99).
|
||||
|
|
|
|||
|
|
@ -2,9 +2,22 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** regulatory
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
EU AI Act er verdens første omfattende regulering av kunstig intelligens, vedtatt i 2024 og gjeldende i EU fra august 2024 med gradvis innfasing av krav (tidslinjen er under revisjon via Digital Omnibus).
|
||||
|
|
|
|||
|
|
@ -3,9 +3,20 @@
|
|||
**Last updated:** 2026-06-18
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** regulatory
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [Annex IV — 9-element sjekkliste for teknisk dokumentasjon](#annex-iv--9-element-sjekkliste-for-teknisk-dokumentasjon)
|
||||
- [EU-samsvarserklæring-mal (Art. 47)](#eu-samsvarserklæring-mal-art-47)
|
||||
- [Intern vs. ekstern samsvarsvurdering](#intern-vs-ekstern-samsvarsvurdering)
|
||||
- [Prosess-tidslinje: Fra design til CE-merking](#prosess-tidslinje-fra-design-til-ce-merking)
|
||||
- [Norsk kontekst](#norsk-kontekst)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Oversikt
|
||||
|
||||
EU AI Act kapittel 5 (Art. 43–49) stiller krav om formell samsvarsvurdering (conformity assessment) for høyrisiko-AI-systemer før de kan plasseres på markedet eller tas i bruk. For de fleste systemer i Annex III kan dette gjøres internt av tilbyderen selv. Samsvarsvurderingen dokumenteres i teknisk dokumentasjon (Annex IV) og avsluttes med en EU-samsvarserklæring (Art. 47) og CE-merking (Art. 48).
|
||||
|
|
|
|||
|
|
@ -1,4 +1,5 @@
|
|||
# EU AI Act — Forpliktelser for Brukere (Deployers)
|
||||
**Type:** regulatory
|
||||
|
||||
Last updated: 2026-06-18
|
||||
Status: GA
|
||||
|
|
|
|||
|
|
@ -1,4 +1,5 @@
|
|||
# FRIA-mal — Fundamental Rights Impact Assessment (Art. 27)
|
||||
**Type:** template
|
||||
|
||||
Last updated: 2026-02
|
||||
Status: GA
|
||||
|
|
@ -6,6 +7,14 @@ Category: Responsible AI & Governance
|
|||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt og hjemmel](#oversikt-og-hjemmel)
|
||||
- [Når må FRIA gjennomføres?](#når-må-fria-gjennomføres)
|
||||
- [FRIA-mal — 7 seksjoner](#fria-mal--7-seksjoner)
|
||||
- [Eksempel: FRIA for AutomatiskSaksbehandler (Direktoratet for digital tjenesteutvikling)](#eksempel-fria-for-automatisksaksbehandler-direktoratet-for-digital-tjenesteutvikling)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Oversikt og hjemmel
|
||||
|
||||
Fundamental Rights Impact Assessment (FRIA) er påkrevd etter EU AI Act Art. 27 for:
|
||||
|
|
|
|||
|
|
@ -3,9 +3,19 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [Hoved-matrise: AI Act-artikkel til Microsoft-verktøy](#hoved-matrise-ai-act-artikkel-til-microsoft-verktøy)
|
||||
- [Verktøy-dyppdykk](#verktøy-dyppdykk)
|
||||
- [Lisens-krav for AI Act Compliance-verktøy](#lisens-krav-for-ai-act-compliance-verktøy)
|
||||
- [Implementeringsrekkefølge](#implementeringsrekkefølge)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Oversikt
|
||||
|
||||
Microsoft-plattformen tilbyr en bred portefølje av verktøy som støtter etterlevelse av EU AI Act. Dette dokumentet gir en systematisk mapping fra AI Act-artikler til konkrete Microsoft-produkter og -tjenester, med implementeringsdetaljer, lisensinformasjon og anbefalt prioriteringsrekkefølge.
|
||||
|
|
|
|||
|
|
@ -1,4 +1,5 @@
|
|||
# EU AI Act — Forpliktelser for Tilbydere (Providers)
|
||||
**Type:** regulatory
|
||||
|
||||
Last updated: 2026-06-18
|
||||
Status: GA
|
||||
|
|
@ -6,6 +7,20 @@ Category: Responsible AI & Governance
|
|||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [Art. 9: Risikostyringssystem](#art-9-risikostyringssystem)
|
||||
- [Art. 10: Data Governance](#art-10-data-governance)
|
||||
- [Art. 11: Teknisk Dokumentasjon](#art-11-teknisk-dokumentasjon)
|
||||
- [Art. 12: Loggføring](#art-12-loggføring)
|
||||
- [Art. 13: Transparens og bruksinformasjon](#art-13-transparens-og-bruksinformasjon)
|
||||
- [Art. 14: Menneskelig tilsyn](#art-14-menneskelig-tilsyn)
|
||||
- [Art. 15: Nøyaktighet, Robusthet og Cybersikkerhet](#art-15-nøyaktighet-robusthet-og-cybersikkerhet)
|
||||
- [Art. 16-27: Kvalitetsstyringssystem (QMS)](#art-16-27-kvalitetsstyringssystem-qms)
|
||||
- [Samsvarsvurdering-kalender](#samsvarsvurdering-kalender)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Oversikt
|
||||
|
||||
En provider er enhver juridisk eller fysisk person som utvikler et AI-system (eller får det utviklet) og markedsfører det under sitt navn eller varemerke, enten mot betaling eller gratis (Art. 3(3)). For høyrisiko-AI-systemer gjelder et omfattende sett med forpliktelser under Art. 9-27.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,21 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** regulatory
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [Art. 13: Bruksinstruksjoner for høyrisiko-systemer](#art-13-bruksinstruksjoner-for-høyrisiko-systemer)
|
||||
- [Art. 50(1): Informasjonsplikt ved AI-interaksjon](#art-501-informasjonsplikt-ved-ai-interaksjon)
|
||||
- [Art. 50(2): AI-generert innhold](#art-502-ai-generert-innhold)
|
||||
- [Art. 50(4): Deepfakes og syntetisk innhold](#art-504-deepfakes-og-syntetisk-innhold)
|
||||
- [Norske maler](#norske-maler)
|
||||
- [Oppdateringstriggers](#oppdateringstriggers)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Oversikt
|
||||
|
||||
EU AI Act stiller krav om transparens på to nivåer: detaljerte bruksinstruksjoner for høyrisiko-systemer (Art. 13), og kortfattede transparensnotiser ved direkte brukerinteraksjon (Art. 50). Norske offentlige virksomheter må oppfylle begge — og i tillegg forvaltningsloven § 11 om veiledningsplikt og § 25 om begrunnelsesplikt. Dette dokumentet gir operative maler og retningslinjer tilpasset norsk kontekst.
|
||||
|
|
|
|||
|
|
@ -1,8 +1,24 @@
|
|||
# AI Center of Excellence - Building Organizational Capability
|
||||
|
||||
**Kategori:** Responsible AI & Governance
|
||||
**Opprettet:** 2026-04 | **Sist oppdatert:** 2026-06-19 | **Verified:** MCP 2026-06-19
|
||||
**Opprettet:** 2026-04 | **Sist oppdatert:** 2026-06-19
|
||||
**Confidence:** HIGH (basert på Microsoft Cloud Adoption Framework og offisiell dokumentasjon)
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/cloud-adoption-framework/scenarios/ai/govern
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Oppdatert CAF-guidance for AI CoE (2026) *(Verified MCP 2026-04)*](#oppdatert-caf-guidance-for-ai-coe-2026-verified-mcp-2026-04)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
- [Oppdateringer 2026-05 — AI Agent-tilpasset CoE *(Verified MCP 2026-05)*](#oppdateringer-2026-05--ai-agent-tilpasset-coe-verified-mcp-2026-05)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai-dashboard
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
AI-etikk i offentlig sektor handler om mer enn teknisk compliance — det er grunnlaget for tilliten mellom stat og innbygger. Når norske offentlige virksomheter innfører AI-løsninger, må de balansere innovasjonspotensialet med juridiske, etiske og demokratiske prinsipper som er forankret i norsk forvaltningsrett.
|
||||
|
|
|
|||
|
|
@ -4,9 +4,22 @@
|
|||
**Kategori:** Responsible AI & Governance
|
||||
**Målgruppe:** Tekniske beslutningstakere, AI-arkitekter, governance-team
|
||||
**Oppdateringsfrekvens:** Kvartalsvis (Q1 2026)
|
||||
**Type:** methodology
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter i AI Governance Structure](#kjernekomponenter-i-ai-governance-structure)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
En solid AI-governancestruktur er ikke et byråkratisk lag oppå AI-utviklingen — det er fundamentet for skalerbar, trygg og etisk AI-implementering. Organisasjoner som prøver å rulle ut AI uten tydelige roller, policyer og prosesser ender med fragmenterte initiativer, inkonsistent sikkerhet og økt risiko for regulatoriske brudd.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-05
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** methodology
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Purview SDK-integrasjon for AI-applikasjonstesting *(Verified MCP 2026-04)*](#purview-sdk-integrasjon-for-ai-applikasjonstesting-verified-mcp-2026-04)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
AI Impact Assessment er en systematisk tilnærming for å evaluere potensielle konsekvenser av AI-systemer før, under og etter implementering. Microsoft har utviklet både en veiledning (AI Impact Assessment Guide) og et praktisk verktøy (AI Impact Assessment Template) som del av Responsible AI Standard v2.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
AI Risk Taxonomy er et strukturert rammeverk for å identifisere, klassifisere og prioritere risikoer i AI-systemer. Microsoft har utviklet en omfattende tilnærming som kombinerer teknisk sikkerhet, ansvarlig AI-praksis og regulatorisk compliance (spesielt EU AI Act). Taxonomien dekker hele AI-livssyklusen fra datainnsamling til produksjonsdrift.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Algorithmic accountability handler om å sikre at AI-systemer kan redegjøre for sine beslutninger, at beslutningsprosesser er transparente, og at organisasjoner kan dokumentere og ettergå AI-aktivitet gjennom hele livssyklusen. Dette er kritisk både for regulatorisk compliance, risikostyring, og tillit mellom mennesker og AI-systemer.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai-dashboard
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Bias detection og mitigation er kritiske komponenter i utviklingen av rettferdige AI-systemer. Microsoft tilbyr et helhetlig rammeverk for å identifisere, måle og redusere bias gjennom hele AI-livssyklusen – fra datainsamling til produksjonsovervåkning.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Azure AI Content Safety er Microsofts omfattende løsning for å oppdage og mitigere skadelig innhold i AI-drevne applikasjoner. Tjenesten tilbyr både standalone API-er og integrerte content filters som fungerer sammen med Azure OpenAI Service for å beskytte både brukerinndata og AI-genererte utdata.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai-dashboard
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Continuous improvement through feedback loops er et kjernekonsept i moderne AI-governance. Dette handler om systematisk innsamling, analyse og anvendelse av tilbakemeldinger fra produksjonssystemer, brukere og domeneksperter for å forbedre AI-kvalitet, sikkerhet og alignment over tid.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Datakvalitet er grunnmuren for ansvarlig AI. Machine learning-modeller lærer fra historiske beslutninger og handlinger fanget i treningsdata, og deres ytelse i produksjon er direkte avhengig av kvaliteten på disse dataene. Dårlig datakvalitet fører til bias, unfairness, feilprediksjoner og tap av tillit.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-04
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai-dashboard
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Fairness testing og measurement er kritiske disipliner for å kvantifisere og redusere bias i AI-systemer. Når AI-modeller tar beslutninger som påvirker mennesker — fra låneinnvilgelser til sykdomsdiagnostikk — må vi kunne måle om disse systemene behandler alle grupper rettferdig.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-06-18
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** regulatory
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
General Data Protection Regulation (GDPR) er EU-forordningen som setter globale standarder for databeskyttelse og personvern. For AI-systemer er GDPR-compliance kritisk fordi AI-applikasjoner behandler personopplysninger på måter som krever ekstra oppmerksomhet: treningsdata, inferens-input, loggføring, og lagring av modellutdata.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-05
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/security/benchmark/azure/mcsb-v2-artificial-intelligence-security
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Human-in-the-Loop (HITL) er et fundamentalt prinsipp for ansvarlig AI som sikrer at mennesker beholder kontroll og beslutningsmyndighet i AI-drevne systemer. Tross den økende autonomiteten til AI-agenter og generative modeller, er menneskelig oversyn kritisk for å håndtere høyrisikobeslutninger, validere outputkvalitet og beskytte mot feilaktige eller skadelige AI-handlinger.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Model explainability og interpretability (XAI - Explainable AI) handler om å gjøre machine learning-modellers beslutninger forståelige og transparent for mennesker. I en tid hvor AI-systemer påvirker kritiske beslutninger i offentlig sektor, helsevesen og finansbransjen, er det avgjørende å kunne forklare hvorfor en modell gjorde en spesifikk prediksjon.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-04
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-monitoring
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Model monitoring er siste steg i machine learning-livssyklusen og sporer modellytelse i produksjon fra både datavitenskapelige og operasjonelle perspektiver. I motsetning til tradisjonelle programvaresystemer, avhenger ML-systemers oppførsel ikke bare av regler i kode, men også av data. Endringer i datadistribusjon, training-serving skew, datakvalitetsproblemer og miljøendringer kan alle føre til at modeller blir utdaterte.
|
||||
|
|
|
|||
|
|
@ -4,6 +4,21 @@
|
|||
**Kategori:** Responsible AI & Governance
|
||||
**Målgruppe:** Arkitekter, sikkerhetsteam, AI-utviklere
|
||||
**Konfidensgrad:** ⚠️ HIGH — Basert på offisiell Microsoft-dokumentasjon (jun 2026)
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/concepts/jailbreak-detection
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
- [For Cosmo: Quick Reference Card](#for-cosmo-quick-reference-card)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-04
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Microsoft Responsible AI Framework er et omfattende rammeverk for å utvikle, vurdere og deploye AI-systemer på en trygg, etisk og tillitsskapende måte. Rammeverket bygger på seks kjerneprinsippers: **fairness, reliability and safety, privacy and security, inclusiveness, transparency og accountability**.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-management-and-deployment
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Responsible AI-policyer er fundamentet for etisk, transparent og ansvarlig AI-implementering på tvers av organisasjoner. Disse policyene oversetter abstrakte prinsipper til konkrete krav som utviklingsteam kan implementere, og sikrer at AI-systemer opererer i tråd med organisasjonens verdier, regulatoriske krav og etiske standarder.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/cloud-adoption-framework/scenarios/ai/plan
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Responsible AI training og awareness er en kritisk organisasjonskapabilitet som muliggjør trygg og etisk implementering av AI-løsninger. I en tid hvor AI-adopsjonen akselererer raskt, representerer opplæring og bevisstgjøring forskjellen mellom organisasjoner som høster gevinster av AI og de som møter etiske, regulatoriske eller omdømmemessige problemer.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Effektiv kommunikasjon av AI-beslutninger til ikke-tekniske interessenter er kritisk for tillit, compliance og vellykket AI-adopsjon. Når AI-systemer påvirker menneskers liv — enten det gjelder kredittbeslutninger, jobbsøknader, eller offentlige tjenester — må både tekniske og ikke-tekniske interessenter forstå hvordan beslutningene tas.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** Responsible AI & Governance
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Transparency and documentation er sentrale prinsipper i Microsofts Responsible AI Standard og krav i emerging regulations som EU AI Act. Dokumentasjon av AI-systemer omfatter både interne governance-verktøy og brukervendte disclosure-mekanismer. Microsoft tilbyr standardiserte rammeverk for å dokumentere AI-kapabiliteter, begrensninger og sikkerhetstiltak gjennom Transparency Notes, model cards, datasheets og Responsible AI scorecards.
|
||||
|
|
|
|||
Loading…
Add table
Add a link
Reference in a new issue