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:** 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** Business Continuity & Disaster Recovery
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/security/benchmark/azure/baselines/azure-ai-foundry-security-baseline
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Prosjektdata-backup og replikering](#prosjektdata-backup-og-replikering)
|
||||
- [Modellversjonskontroll og gjenoppretting](#modellversjonskontroll-og-gjenoppretting)
|
||||
- [Configuration as Code for reproduserbarhet](#configuration-as-code-for-reproduserbarhet)
|
||||
- [RTO og RPO-definisjoner for AI-prosjekter](#rto-og-rpo-definisjoner-for-ai-prosjekter)
|
||||
- [Testing og validering av DR-prosedyrer](#testing-og-validering-av-dr-prosedyrer)
|
||||
- [Gjenopprettingsprosedyre ved regionalt utfall](#gjenopprettingsprosedyre-ved-regionalt-utfall)
|
||||
- [Referanser](#referanser)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Microsoft Foundry (tidligere Azure AI Studio / Azure AI Foundry) er Microsofts sentrale plattform for utvikling, evaluering og deployering av AI-modeller og agenter. Plattformen tilbyr imidlertid ikke automatisk failover eller disaster recovery ut av boksen -- dette er eksplisitt dokumentert av Microsoft. Det betyr at organisasjoner i norsk offentlig sektor som bygger forretningskritiske AI-loesninger pa AI Foundry, ma planlegge og implementere sin egen DR-strategi.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,24 @@
|
|||
**Last updated:** 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** Business Continuity & Disaster Recovery
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/backup/backup-overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Inkrementell versus full backup](#inkrementell-versus-full-backup)
|
||||
- [Point-in-time Recovery for datasett](#point-in-time-recovery-for-datasett)
|
||||
- [Snapshot-administrasjon og retensjon](#snapshot-administrasjon-og-retensjon)
|
||||
- [Off-region backup-lagring](#off-region-backup-lagring)
|
||||
- [Automatisering og planlegging av backups](#automatisering-og-planlegging-av-backups)
|
||||
- [Kostnadsstyring for backup](#kostnadsstyring-for-backup)
|
||||
- [Sjekkliste for backup-strategi](#sjekkliste-for-backup-strategi)
|
||||
- [Referanser](#referanser)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Backup- og gjenopprettingsstrategier for AI-arbeidsbelastninger skiller seg vesentlig fra tradisjonelle applikasjoner. En AI-loesning bestar ikke bare av applikasjonskode og databaser, men ogsaa av trenede modeller, datasett, fine-tuning-artefakter, embedding-indekser, agentdefinisjoner, samtalelogger og pipeline-konfigurasjoner. Hvert av disse elementene har ulike krav til backup-frekvens, retensjonstid og gjenopprettingsmetode. Et tap av treningsdata kan bety uker med tapt arbeid, mens et tap av embedding-indekser kan gjenopprettes ved reindeksering fra kildedata.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Business Continuity & Disaster Recovery
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/well-architected/design-guides/disaster-recovery
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Dimensjonering av DR-miljø for toppbelastning](#dimensjonering-av-dr-miljø-for-toppbelastning)
|
||||
- [Surge capacity og burst-håndtering](#surge-capacity-og-burst-håndtering)
|
||||
- [Kostnadsoptimalisering for standby-ressurser](#kostnadsoptimalisering-for-standby-ressurser)
|
||||
- [Skaleringsregler og auto-scaling](#skaleringsregler-og-auto-scaling)
|
||||
- [Kapasitetsreservasjonsstrategier](#kapasitetsreservasjonsstrategier)
|
||||
- [Referanser](#referanser)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Kapasitetsplanlegging for Disaster Recovery-konfigurasjoner handler om å dimensjonere reserveressurser riktig slik at AI-systemer kan gjenopprettes innenfor definerte RTO- og RPO-mål. For AI-arbeidsbelastninger er dette spesielt utfordrende fordi ressurskravene er høye (GPU-compute, store indekser, høy throughput) og kostnadene eskalerer raskt ved full duplisering.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Business Continuity & Disaster Recovery
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/chaos-studio/chaos-studio-overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Feilinjeksjonsstrategier for AI-tjenester](#feilinjeksjonsstrategier-for-ai-tjenester)
|
||||
- [Nettverkspartisjonssimulering](#nettverkspartisjonssimulering)
|
||||
- [Last- og stresstesting](#last--og-stresstesting)
|
||||
- [Recovery time-måling og validering](#recovery-time-måling-og-validering)
|
||||
- [Verktøy og plattformer for chaos engineering](#verktøy-og-plattformer-for-chaos-engineering)
|
||||
- [Referanser](#referanser)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Chaos engineering er praksisen med å bevisst injisere feil i et system for å teste dets resiliens og avdekke svakheter før de forårsaker produksjonshendelser. For AI-systemer er dette spesielt verdifullt fordi AI-workloads har komplekse avhengighetskjeder (modell-endpoints, search-indekser, embedding-pipelines, datastores) der en feil i ett komponent kan kaskadere uforutsigbart.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** Business Continuity & Disaster Recovery
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/compliance
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Forvaltningslovens krav til kontinuitet](#forvaltningslovens-krav-til-kontinuitet)
|
||||
- [GDPR og data residency-krav](#gdpr-og-data-residency-krav)
|
||||
- [NSMs sikkerhetsveiledninger for kritisk infrastruktur](#nsms-sikkerhetsveiledninger-for-kritisk-infrastruktur)
|
||||
- [Sektorspesifikke reguleringer](#sektorspesifikke-reguleringer)
|
||||
- [Audit og dokumentasjonskrav](#audit-og-dokumentasjonskrav)
|
||||
- [Referanser](#referanser)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Norske offentlige organisasjoner som bruker AI-tjenester i Azure er underlagt et komplekst regulatorisk landskap for Business Continuity and Disaster Recovery. Kravene kommer fra nasjonale lover (Forvaltningsloven, Sikkerhetsloven), EU-forordninger (GDPR, AI Act), sektorkrav (NSM, Digdir) og internasjonale standarder (ISO 22301, ISO 27001).
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-04
|
||||
**Status:** GA
|
||||
**Category:** Business Continuity & Disaster Recovery
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/cost-management-billing/cost-management-billing-overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Total Cost of Ownership-beregning](#total-cost-of-ownership-beregning)
|
||||
- [RTO/RPO vs. kostnads trade-off analyse](#rtorpo-vs-kostnads-trade-off-analyse)
|
||||
- [Reserved Capacity vs. On-Demand prising](#reserved-capacity-vs-on-demand-prising)
|
||||
- [Cross-region bandwidth-kostnader](#cross-region-bandwidth-kostnader)
|
||||
- [Kostnadsoptimalisering og Reserved Instances](#kostnadsoptimalisering-og-reserved-instances)
|
||||
- [Referanser](#referanser)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Kostnadsanalyse av BCDR-løsninger for AI-systemer er avgjørende for å sikre at organisasjonen investerer riktig i resiliens. DR-kostnader kan utgjøre alt fra 2% til 100% av primære driftskostnader, avhengig av valgt strategi. For AI-workloads er kostnadene spesielt høye fordi tjenester som Azure OpenAI (Provisioned Throughput), AI Search og GPU-compute er dyre.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** Business Continuity & Disaster Recovery
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/reliability/concept-redundancy-replication-backup
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Synkron vs. asynkron replikering](#synkron-vs-asynkron-replikering)
|
||||
- [Active-Active og Active-Passive mønstre](#active-active-og-active-passive-mønstre)
|
||||
- [Konsistensmodeller og eventual consistency](#konsistensmodeller-og-eventual-consistency)
|
||||
- [Konfliktløsningsstrategier](#konfliktløsningsstrategier)
|
||||
- [Monitoring av replikasjonsforsinkelse og helse](#monitoring-av-replikasjonsforsinkelse-og-helse)
|
||||
- [Referanser](#referanser)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Datareplikering er fundamentet for Business Continuity i AI-systemer. AI-arbeidsbelastninger har spesielle krav til datakonsistens, latens og tilgjengelighet som gjør valg av replikasjonsmekanisme særlig viktig. En RAG-løsning må for eksempel replikere både search-indekser, embedding-vektorer, kildedokumenter og konversasjonshistorikk — hver med ulike konsistens- og latensbehov.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Business Continuity & Disaster Recovery
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/chaos-studio/chaos-studio-overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Planlagte failover-testscenarier](#planlagte-failover-testscenarier)
|
||||
- [Validering og overvaking under failover](#validering-og-overvaking-under-failover)
|
||||
- [Suksesskriterier og akseptanseterskel](#suksesskriterier-og-akseptanseterskel)
|
||||
- [Dokumentasjon og laerdommer](#dokumentasjon-og-laerdommer)
|
||||
- [Regelmessig testplanlegging og frekvens](#regelmessig-testplanlegging-og-frekvens)
|
||||
- [Referanser](#referanser)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Failover-testing er en kritisk men ofte forsoemmt del av disaster recovery for AI-tjenester. En DR-plan som ikke er testet er i praksis ingen plan -- den gir en falsk trygghet som kan forsterke konsekvensene av et reelt utfall. Microsoft anbefaler eksplisitt a gjennomfoere regelmessige failover-drills for a validere at resiliens-mekanismer fungerer som forventet, og at teamet er i stand til a haandtere en krise effektivt.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** Business Continuity & Disaster Recovery
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/frontdoor/front-door-overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Indeksreplikering på tvers av regioner](#indeksreplikering-på-tvers-av-regioner)
|
||||
- [Replikatelling og dimensjonering for tilgjengelighet](#replikatelling-og-dimensjonering-for-tilgjengelighet)
|
||||
- [Failover- og routingstrategier](#failover--og-routingstrategier)
|
||||
- [Holde indekser synkroniserte](#holde-indekser-synkroniserte)
|
||||
- [Query-ytelse i multi-region oppsett](#query-ytelse-i-multi-region-oppsett)
|
||||
- [Referanser](#referanser)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Azure AI Search er en regional tjeneste uten innebygd geo-replikering eller automatisk failover. Hvis regionen blir utilgjengelig, blir også search-tjenesten utilgjengelig. For AI-løsninger med RAG-arkitektur (Retrieval-Augmented Generation) er dette en kritisk svakhet fordi search-indeksen er hjørnesteinen i hele kunnskapsgjenfinningen.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** Business Continuity & Disaster Recovery
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/azure-monitor/alerts/alerts-overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [AI-spesifikke hendelsesklassifiseringer](#ai-spesifikke-hendelsesklassifiseringer)
|
||||
- [Deteksjon og alerting-strategier](#deteksjon-og-alerting-strategier)
|
||||
- [Eskalerings-prosedyrer og runbooks](#eskalerings-prosedyrer-og-runbooks)
|
||||
- [Kommunikasjonsplaner for interessenter](#kommunikasjonsplaner-for-interessenter)
|
||||
- [Post-incident review og forbedring](#post-incident-review-og-forbedring)
|
||||
- [Referanser](#referanser)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Incident response for AI-systemer krever spesialiserte prosedyrer som adresserer unike feilmodi som ikke finnes i tradisjonelle IT-systemer. AI-spesifikke hendelser inkluderer modell-degradering, prompt injection-angrep, hallusinasjonsspikes, embedding-drift, og utilgjengelige inference-endepunkter. Disse hendelsene kan ha subtile symptomer som er vanskelige å oppdage med tradisjonell overvåking.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** Business Continuity & Disaster Recovery
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/azure-monitor/alerts/alerts-overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Health check-endepunkter og heartbeats](#health-check-endepunkter-og-heartbeats)
|
||||
- [Latens og feilrate-overvåking](#latens-og-feilrate-overvåking)
|
||||
- [Custom metrics for AI-tjenestehelse](#custom-metrics-for-ai-tjenestehelse)
|
||||
- [Alert-regler og eskaleringspolicyer](#alert-regler-og-eskaleringspolicyer)
|
||||
- [Integrasjon med incident management-systemer](#integrasjon-med-incident-management-systemer)
|
||||
- [Application Insights for AI-agenter i BCDR-kontekst *(Verified MCP 2026-06-19)*](#application-insights-for-ai-agenter-i-bcdr-kontekst-verified-mcp-2026-06-19)
|
||||
- [Referanser](#referanser)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Rask og pålitelig deteksjon av feil er avgjørende for å minimere nedetid i AI-systemer. Failover-deteksjon handler om å oppdage at en tjeneste eller region har feilet, og å initiere gjenopprettingsprosessen så raskt som mulig. For AI-workloads er dette spesielt viktig fordi forsinkede svar eller manglende tilgjengelighet direkte påvirker brukeropplevelsen.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** Business Continuity & Disaster Recovery
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/foundry/foundry-models/concepts/models-sold-directly-by-azure
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Regionvalg for Norge og EU](#regionvalg-for-norge-og-eu)
|
||||
- [Lastbalansering mellom OpenAI-endepunkter](#lastbalansering-mellom-openai-endepunkter)
|
||||
- [Latensoptimalisering og Proximity Routing](#latensoptimalisering-og-proximity-routing)
|
||||
- [Kvoteadministrasjon per region](#kvoteadministrasjon-per-region)
|
||||
- [Kostnadsmodell for multi-region](#kostnadsmodell-for-multi-region)
|
||||
- [Implementeringssjekkliste](#implementeringssjekkliste)
|
||||
- [Referanser](#referanser)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Azure OpenAI-tjenester er tilgjengelige i flere Azure-regioner, og når en ressurs opprettes, knyttes den permanent til den valgte regionen. For virksomhetskritiske AI-applikasjoner i norsk offentlig sektor er det avgjorende a planlegge for regional redundans. Et regionalt utfall -- selv om det er sjeldent -- kan lamme AI-drevne tjenester som chatboter, dokumentanalyse og beslutningsstotte dersom all trafikk er avhengig av et enkelt endepunkt. Multi-region-deployering loeser dette ved a spre arbeidsbelastningen over flere Azure-regioner med intelligent lastbalansering og automatisk failover.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** Business Continuity & Disaster Recovery
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/ddos-protection/ddos-protection-overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Redundante nettverksstier og tilkoblinger](#redundante-nettverksstier-og-tilkoblinger)
|
||||
- [Circuit Breaker-mønster for API-kall](#circuit-breaker-mønster-for-api-kall)
|
||||
- [Graceful degradation av AI-tjenester](#graceful-degradation-av-ai-tjenester)
|
||||
- [Private endepunkter og nettverksisolering](#private-endepunkter-og-nettverksisolering)
|
||||
- [DDoS-beskyttelse og trafikkfiltrering](#ddos-beskyttelse-og-trafikkfiltrering)
|
||||
- [Referanser](#referanser)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Nettverksresiliens er en kritisk komponent i BCDR for AI-arbeidsbelastninger. AI-systemer er avhengige av pålitelig nettverkskommunikasjon mellom flere tjenester: applikasjonslaget, Azure OpenAI-endepunkter, AI Search-tjenester, embeddings-APIer og datastores. En nettverksforstyrrelse i ett punkt kan kaskadere og ta ned hele AI-løsningen.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** Business Continuity & Disaster Recovery
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/reliability/concept-business-continuity-high-availability-disaster-recovery
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Business Impact Analysis for RTO-bestemmelse](#business-impact-analysis-for-rto-bestemmelse)
|
||||
- [Datatap-toleranse og RPO-beregning](#datatap-toleranse-og-rpo-beregning)
|
||||
- [Mapping av krav til Azure-kapabiliteter](#mapping-av-krav-til-azure-kapabiliteter)
|
||||
- [Norske regulatoriske krav](#norske-regulatoriske-krav)
|
||||
- [Dokumentasjons-maler og governance](#dokumentasjons-maler-og-governance)
|
||||
- [Referanser](#referanser)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Recovery Time Objective (RTO) og Recovery Point Objective (RPO) er de to mest kritiske metrikkene i enhver BCDR-strategi for AI-systemer. RTO definerer hvor raskt et system må gjenopprettes etter en forstyrrelse, mens RPO definerer hvor mye datatap som er akseptabelt. For AI-tjenester som Azure OpenAI, Azure AI Search og Azure Machine Learning er disse metrikkene spesielt viktige fordi nedetid direkte påvirker brukeropplevelsen og forretningsbeslutninger.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Business Continuity & Disaster Recovery
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/reliability/reliability-ai-search
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Service Level Agreement-maler](#service-level-agreement-maler)
|
||||
- [RTO og RPO dokumentasjonsstandarder](#rto-og-rpo-dokumentasjonsstandarder)
|
||||
- [Disaster Recovery Runbooks og Playbooks](#disaster-recovery-runbooks-og-playbooks)
|
||||
- [Trinn-for-trinn gjenopprettingsprosedyrer](#trinn-for-trinn-gjenopprettingsprosedyrer)
|
||||
- [Eierskap og eskaleringsmatrise](#eierskap-og-eskaleringsmatrise)
|
||||
- [Referanser](#referanser)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Service Level Agreements (SLA), runbooks og operasjonelle prosedyrer er bindeleddet mellom BCDR-strategi og faktisk gjenopprettingsevne. Uten presis dokumentasjon av SLA-mål, detaljerte trinn-for-trinn runbooks og tydelig ansvarsfordeling, vil selv den best designede DR-arkitekturen feile under en reell hendelse.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** Business Continuity & Disaster Recovery
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/architecture/patterns/retry
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Distribuerte state management-mønstre](#distribuerte-state-management-mønstre)
|
||||
- [Sesjonsstilstandsreplikering og synkronisering](#sesjonsstilstandsreplikering-og-synkronisering)
|
||||
- [Håndtering av in-flight requests under failover](#håndtering-av-in-flight-requests-under-failover)
|
||||
- [Idempotens og request retry-strategier](#idempotens-og-request-retry-strategier)
|
||||
- [State validering og verifikasjonsprosedyrer](#state-validering-og-verifikasjonsprosedyrer)
|
||||
- [Referanser](#referanser)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Håndtering av applikasjonstilstand (state) under failover-scenarioer er en av de mest utfordrende aspektene ved BCDR for AI-systemer. AI-applikasjoner har typisk flere typer state som må ivaretas: brukersesjoner, konversasjonshistorikk, mellomresultater fra langvarige operasjoner (fine-tuning, batch-indeksering), og applikasjonskonfigurasjon.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Arkitekturoversikt](#arkitekturoversikt)
|
||||
- [Arc-enabled Kubernetes for AI](#arc-enabled-kubernetes-for-ai)
|
||||
- [Sentralisert ML-modellforvaltning](#sentralisert-ml-modellforvaltning)
|
||||
- [Policy og Compliance Enforcement](#policy-og-compliance-enforcement)
|
||||
- [Multi-cluster AI Governance](#multi-cluster-ai-governance)
|
||||
- [Sikkerhetsarkitektur for Arc AI](#sikkerhetsarkitektur-for-arc-ai)
|
||||
- [Relevans for norsk offentlig sektor](#relevans-for-norsk-offentlig-sektor)
|
||||
- [Begrensninger og hensyn](#begrensninger-og-hensyn)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Azure Arc er Microsofts svar på utfordringen med å administrere AI-arbeidsbelastninger på tvers av hybride og multicloud-miljøer. For norsk offentlig sektor, der data kan befinne seg i egne datasentre, på Azure Local-klynger eller hos tredjeparts skyleverandorer, gir Arc en sentralisert kontrollflate som gjor det mulig å behandle alle Kubernetes-klynger som forsteklasses Azure-ressurser.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [TEE-Enabled Model Execution](#tee-enabled-model-execution)
|
||||
- [Encrypted Inference Pipelines](#encrypted-inference-pipelines)
|
||||
- [Attestation for Compliance](#attestation-for-compliance)
|
||||
- [Performance Trade-offs](#performance-trade-offs)
|
||||
- [Norsk offentlig sektor](#norsk-offentlig-sektor)
|
||||
- [Beslutningsrammeverk](#beslutningsrammeverk)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Azure Confidential Computing (ACC) beskytter data under prosessering (data-in-use) ved hjelp av hardware-baserte Trusted Execution Environments (TEE). For AI-arbeidsbelastninger betyr dette at modeller og inferensdata kan beskyttes mot uautorisert tilgang — inkludert fra skyoperatoren selv. Dette er en gamechanger for organisasjoner som prosesserer sensitive data med AI.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Device-to-Hub Data Flow](#device-to-hub-data-flow)
|
||||
- [Stream Processing for AI](#stream-processing-for-ai)
|
||||
- [Real-Time Model Scoring](#real-time-model-scoring)
|
||||
- [Scaling Hybrid Ingestion](#scaling-hybrid-ingestion)
|
||||
- [Norsk offentlig sektor](#norsk-offentlig-sektor)
|
||||
- [Beslutningsrammeverk](#beslutningsrammeverk)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Azure IoT Hub er Microsofts sentrale PaaS-tjeneste for toveiskommunikasjon mellom IoT-enheter og skyen. Kombinert med Azure Stream Analytics for sanntidsanalyse og Azure Machine Learning for modelltrening og -scoring, danner IoT Hub kjernen i en enhetlig AI-pipeline fra enhet til innsikt.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Arkitekturoversikt](#arkitekturoversikt)
|
||||
- [GPU-stotte i Azure Local](#gpu-stotte-i-azure-local)
|
||||
- [Cluster-felles ML Stack](#cluster-felles-ml-stack)
|
||||
- [Local Azure Services](#local-azure-services)
|
||||
- [Storage-optimalisert inferens](#storage-optimalisert-inferens)
|
||||
- [Hybrid Resilience Patterns](#hybrid-resilience-patterns)
|
||||
- [Nettverksarkitektur](#nettverksarkitektur)
|
||||
- [Sizing-guide for AI-arbeidsbelastninger](#sizing-guide-for-ai-arbeidsbelastninger)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Azure Local (tidligere Azure Stack HCI) er Microsofts hyperkonvergerte infrastrukturlosning for a kjore Azure-tjenester lokalt. For AI-arbeidsbelastninger tilbyr Azure Local GPU-akselerasjon, Kubernetes-stotte via AKS enabled by Arc, og lokal tilgang til Azure-tjenester — alt administrert fra Azure Portal.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,25 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Regulatorisk landskap](#regulatorisk-landskap)
|
||||
- [Norske krav til data residency](#norske-krav-til-data-residency)
|
||||
- [Azure Data Residency for Norge](#azure-data-residency-for-norge)
|
||||
- [EU Data Boundary (EUDB)](#eu-data-boundary-eudb)
|
||||
- [Microsoft Sovereign Cloud](#microsoft-sovereign-cloud)
|
||||
- [Azure Data Classification for AI](#azure-data-classification-for-ai)
|
||||
- [Praktiske arkitekturmoenstre](#praktiske-arkitekturmoenstre)
|
||||
- [Beslutningstre for datasuverenitet](#beslutningstre-for-datasuverenitet)
|
||||
- [Compliance-sjekkliste for AI-prosjekter](#compliance-sjekkliste-for-ai-prosjekter)
|
||||
- [Sammenligning: Sovereign Cloud-alternativer](#sammenligning-sovereign-cloud-alternativer)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Datasuverenitet er et av de viktigste temaene nar norsk offentlig sektor vurderer skybaserte AI-losninger. Etter Schrems II-dommen (2020), EUs AI Act (2024), og okt fokus pa digital autonomi i Europa, ma organisasjoner navigere et komplekst landskap av juridiske krav, tekniske kontroller og politiske forventninger.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,24 @@
|
|||
**Last updated:** 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/azure-sovereign-clouds/private/foundry-local/disconnected-operations/concept-overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Spekter av tilkobling](#spekter-av-tilkobling)
|
||||
- [Offline Model Deployment](#offline-model-deployment)
|
||||
- [Azure Stack Edge i disconnected modus](#azure-stack-edge-i-disconnected-modus)
|
||||
- [Data Reconciliation Strategies](#data-reconciliation-strategies)
|
||||
- [Local Cache and Sync](#local-cache-and-sync)
|
||||
- [Fallback Inference Patterns](#fallback-inference-patterns)
|
||||
- [Scenarioer for norsk offentlig sektor](#scenarioer-for-norsk-offentlig-sektor)
|
||||
- [Lisens- og kostnadshensyn](#lisens--og-kostnadshensyn)
|
||||
- [Oppsummering](#oppsummering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Frakoblede (disconnected) AI-scenarioer er situasjoner der AI-arbeidsbelastninger ma kjore uten internettilkobling — enten permanent, periodisk eller i beredskapssituasjoner. For norsk offentlig sektor er dette svart relevant: Forsvaret opererer i omrader uten nettdekning, helsesektoren trenger AI-stotte i ambulanser og utposter, og kritisk infrastruktur (energi, transport) ma fungere uavhengig av skytjenester.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,21 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Model Quantization og Compression](#model-quantization-og-compression)
|
||||
- [Real-time Inference Acceleration](#real-time-inference-acceleration)
|
||||
- [Caching Patterns for Edge](#caching-patterns-for-edge)
|
||||
- [Batching vs. Streaming Inference](#batching-vs-streaming-inference)
|
||||
- [IoT Edge ML Inference Pattern](#iot-edge-ml-inference-pattern)
|
||||
- [Ytelsesreferanser](#ytelsesreferanser)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Edge AI-inferens handler om a kjore maskinlaeringsmodeller naermest mulig der data oppstar — pa enheter, gateways, lokale servere eller Azure Local-klynger. For norsk offentlig sektor er dette relevant i scenarioer som sanntids videoanalyse, dokumentbehandling i felt, naturspraakbehandling offline, og autonome systemer i omrader med begrenset nettverkstilkobling.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Eventual Consistency Patterns](#eventual-consistency-patterns)
|
||||
- [Delta Sync Optimization](#delta-sync-optimization)
|
||||
- [Conflict Resolution Strategies](#conflict-resolution-strategies)
|
||||
- [Data Deduplication at Scale](#data-deduplication-at-scale)
|
||||
- [Norsk offentlig sektor](#norsk-offentlig-sektor)
|
||||
- [Beslutningsrammeverk](#beslutningsrammeverk)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Palitelig datasynkronisering mellom edge og sky er en av de mest komplekse utfordringene i hybrid AI-arkitekturer. Data ma flyte i begge retninger — sensordata og inferensresultater fra edge til sky for langsiktig analyse og modelltrening, og oppdaterte modeller og konfigurasjoner fra sky tilbake til edge. Alt dette ma handtere nettverksavbrudd, konflikter og dataintegritet.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Local Embedding og Retrieval](#local-embedding-og-retrieval)
|
||||
- [Federated Vector Search](#federated-vector-search)
|
||||
- [Chunking Strategies for Split Data](#chunking-strategies-for-split-data)
|
||||
- [Context Optimization Across Tiers](#context-optimization-across-tiers)
|
||||
- [Norsk offentlig sektor](#norsk-offentlig-sektor)
|
||||
- [Beslutningsrammeverk](#beslutningsrammeverk)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Hybrid RAG (Retrieval-Augmented Generation) refererer til RAG-arkitekturer der retrieval og generering fordeles mellom lokale (on-premises/edge) og sky-baserte ressurser. Dette moensteret er relevant nar organisasjoner har data som ikke kan eller bor forlate det lokale miljoet, men onsker a kombinere lokale dokumenter med sky-basert kunnskap for bedre svar.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Sensor Data Normalization](#sensor-data-normalization)
|
||||
- [Edge Gateway AI Preprocessing](#edge-gateway-ai-preprocessing)
|
||||
- [Time-Series Analytics at Edge](#time-series-analytics-at-edge)
|
||||
- [Device-to-Cloud AI Pipelines](#device-to-cloud-ai-pipelines)
|
||||
- [Norsk offentlig sektor](#norsk-offentlig-sektor)
|
||||
- [Beslutningsrammeverk](#beslutningsrammeverk)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Azure IoT Operations er Microsofts edge runtime-plattform for industrielle IoT-scenarier, bygget pa Azure Arc-enabled Kubernetes. Den kombinerer datainnsamling fra sensorer og utstyr med AI-inferens direkte pa edge, noe som muliggjor sanntidsanalyse uten avhengighet av skytilkobling for tidskritiske beslutninger.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [AKS Edge Essentials Deployment](#aks-edge-essentials-deployment)
|
||||
- [Container Orchestration at Edge](#container-orchestration-at-edge)
|
||||
- [Multi-Node Edge Clusters](#multi-node-edge-clusters)
|
||||
- [Service Mesh for Edge](#service-mesh-for-edge)
|
||||
- [Norsk offentlig sektor](#norsk-offentlig-sektor)
|
||||
- [Beslutningsrammeverk](#beslutningsrammeverk)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
AKS Edge Essentials er Microsofts lettvekts Kubernetes-distribusjon for edge-scenarier, designet for a kjore containeriserte arbeidsbelastninger pa PC-klasse hardware. I motsetning til AKS i skyen eller AKS pa Azure Local, er AKS Edge Essentials optimalisert for statiske, forhands-definerte konfigurasjoner pa enheter med begrenset kapasitet — fra industrielle PC-er til gateway-enheter.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Model Size Reduction](#model-size-reduction)
|
||||
- [Partial Model Loading](#partial-model-loading)
|
||||
- [Bandwidth-Aware Batching](#bandwidth-aware-batching)
|
||||
- [Latency Compensation Patterns](#latency-compensation-patterns)
|
||||
- [Norsk offentlig sektor](#norsk-offentlig-sektor)
|
||||
- [Beslutningsrammeverk](#beslutningsrammeverk)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Nettverksbegrensede miljoer — med lav bandwidth, hoey latens, eller intermitterende tilkobling — krever spesialtilpassede AI-deployments. Standard sky-baserte AI-arkitekturer som sender data frem og tilbake til cloud endpoints feiler i slike miljoer, enten pa grunn av uakseptabel latens eller fordi tilkoblingen simpelthen ikke er palitelig nok.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Local-First Data Models](#local-first-data-models)
|
||||
- [Conflict Resolution on Sync](#conflict-resolution-on-sync)
|
||||
- [Progressive Enhancement](#progressive-enhancement)
|
||||
- [Offline Capability Testing](#offline-capability-testing)
|
||||
- [Norsk offentlig sektor](#norsk-offentlig-sektor)
|
||||
- [Beslutningsrammeverk](#beslutningsrammeverk)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Offline-first AI-applikasjoner er designet for a fungere primaert lokalt og synkronisere med skyen nar tilkobling er tilgjengelig. Dette monsteret snur den tradisjonelle sky-forst-tilnaermingen pa hodet: i stedet for a feile nar nettverket er nede, er applikasjonen designet for a operere uavhengig med lokal AI-inferens og datalagring.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Phi-3/Phi-4 Deployment](#phi-3phi-4-deployment)
|
||||
- [Resource-Constrained Sizing](#resource-constrained-sizing)
|
||||
- [Prompt Optimization for SLM](#prompt-optimization-for-slm)
|
||||
- [Fine-Tuning at Edge](#fine-tuning-at-edge)
|
||||
- [Norsk offentlig sektor](#norsk-offentlig-sektor)
|
||||
- [Beslutningsrammeverk](#beslutningsrammeverk)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Small Language Models (SLM) er kompakte AI-modeller med faerre enn 10 milliarder parametere som kan kjores effektivt pa lokal hardware uten skyavhengighet. Microsofts Phi-modellserie — fra Phi-2 (2.7B) til Phi-4 (14B) — representerer state-of-the-art for SLM, med ytelse som konkurrerer med modeller mange ganger storre.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [ONNX Model Conversion](#onnx-model-conversion)
|
||||
- [Hardware Acceleration (GPU/NPU)](#hardware-acceleration-gpunpu)
|
||||
- [Cross-Platform Compatibility](#cross-platform-compatibility)
|
||||
- [Performance Profiling](#performance-profiling)
|
||||
- [Norsk offentlig sektor](#norsk-offentlig-sektor)
|
||||
- [Beslutningsrammeverk](#beslutningsrammeverk)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
ONNX Runtime er Microsofts open-source, hoyytelses inferensmotor for kjoring av maskinlaeringsmodeller i ONNX-format (Open Neural Network Exchange). Den er optimalisert for bade sky og edge, og stotter Linux, Windows og macOS pa tvers av CPU, GPU og NPU-akseleratorer. ONNX Runtime er innebygd i Windows som del av Windows ML og driver inferens i hoyskala Microsoft-tjenester som Bing, Office og Azure AI.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Data Protection Impact Assessment (DPIA)](#data-protection-impact-assessment-dpia)
|
||||
- [Risk Assessment Frameworks](#risk-assessment-frameworks)
|
||||
- [Audit Logging at Edge](#audit-logging-at-edge)
|
||||
- [Transparency and Explainability](#transparency-and-explainability)
|
||||
- [Norsk offentlig sektor](#norsk-offentlig-sektor)
|
||||
- [Beslutningsrammeverk](#beslutningsrammeverk)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
AI-systemer deployed pa edge — pa lokale servere, gateways, enheter eller on-premises Kubernetes-klynger — ma oppfylle de samme regulatoriske kravene som skybaserte AI-systemer, men med tilleggsutfordringer knyttet til fysisk tilgangskontroll, distribuert logging, og vedlikehold av mange enheter. Norsk offentlig sektor opererer under et komplekst regulatorisk landskap: GDPR, EU AI Act, NSM Grunnprinsipper, Utredningsinstruksen, og sektorspesifikke krav.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Data Sovereignty Architecture](#data-sovereignty-architecture)
|
||||
- [Regional Deployment Constraints](#regional-deployment-constraints)
|
||||
- [Compliance Audit Trails](#compliance-audit-trails)
|
||||
- [Vendor Lock-in Mitigation](#vendor-lock-in-mitigation)
|
||||
- [Norsk offentlig sektor](#norsk-offentlig-sektor)
|
||||
- [Beslutningsrammeverk](#beslutningsrammeverk)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Microsoft Sovereign Cloud er en suite av kapabiliteter og deploymentmodeller designet for a hjelpe myndigheter og regulerte industrier med a oppfylle krav til dataresidency, compliance og operasjonell suverenitet — uten a gi avkall pa fordelene ved hyperscale sky-innovasjon. For norsk offentlig sektor er dette sarlig relevant gitt strenge krav fra NSM, Datatilsynet, og EU-regulering.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Hybrid Cloud & Edge AI
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Windows ML og ONNX Runtime](#windows-ml-og-onnx-runtime)
|
||||
- [Neural Processing Unit (NPU)](#neural-processing-unit-npu)
|
||||
- [Copilot+ PC Specifications](#copilot-pc-specifications)
|
||||
- [Local LLM Inference on Device](#local-llm-inference-on-device)
|
||||
- [Norsk offentlig sektor](#norsk-offentlig-sektor)
|
||||
- [Beslutningsrammeverk](#beslutningsrammeverk)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Windows AI-plattformen representerer Microsofts satsing pa lokal AI-inferens direkte pa klientenheter. Med Windows ML (Machine Learning), ONNX Runtime integrert i OS, og Neural Processing Units (NPU) i Copilot+ PC-er, kan AI-modeller kjores lokalt med full datakontroll, ingen nettverkslatens, og forutsigbar ytelse.
|
||||
|
|
|
|||
Loading…
Add table
Add a link
Reference in a new issue