ms-ai-architect/skills/ms-ai-engineering/references/mlops-genaiops/mlops-teams-collaboration-tools.md

# MLOps Team Collaboration and Tools Integration

**Category:** MLOps & GenAIOps
**Last updated:** 2026-06-19
**Kilde:** Microsoft Learn, Azure Architecture Center
**Konfidensgradering:** ⭐⭐⭐⭐⭐ (Verifisert mot offisiell Microsoft-dokumentasjon)
**Type:** reference
**Source:** https://learn.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning
**Status:** Established Practice

## 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

Vellykkede MLOps-implementeringer krever samarbeid mellom flere teamroller med ulike verktøy, arbeidsflyter og ansvar. Denne referansen dekker hvordan ulike personas samarbeider gjennom machine learning-livssyklusen, hvilke verktøy som støtter samarbeid, og hvordan organisasjoner kan strukturere teamarbeid for maksimal effektivitet.

Machine learning operations (MLOps) skiller seg fra tradisjonell DevOps ved at det involverer:
- **Multi-team koordinering** mellom data scientists, machine learning engineers, data engineers og software engineers
- **Data- og modellversjonering** i tillegg til kodeversjonering
- **Reproduserbarhet på tvers av miljøer** med spesifikke data-, kode- og infrastrukturkombinasjoner
- **Kontinuerlig retraining og monitorering** for å håndtere model decay og data drift

**Konfidensmarkør:** Microsoft dokumenterer eksplisitt MLOps som "applying DevOps principles to machine learning projects" med utvidede krav for teamsamarbeid.

## Kjernekomponenter

### 1. Teamroller og Personas

MLOps-miljøer opererer med distinkte roller som hver har spesifikke ansvarsområder:

#### Data Scientist og ML Engineer
**Ansvar:**
- Exploratory data analysis (EDA)
- Data preprocessing
- Model training, evaluering og deployment
- Break-fix aktiviteter for ML-modeller, pakker og data

**Primær arbeidsflyt:** "Inner loop" – iterativ modellutvikling i dedikert ML-workspace
**Typisk brukte verktøy:** Azure Machine Learning studio, Python SDK, Jupyter notebooks
**Type:** Person | **Prosjektspesifik:** Ja

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ Rollene er definert i både MLOps maturity model og persona-baserte Azure RBAC-guider.

#### Machine Learning Engineer (MLOps Engineer)
**Ansvar:**
- Orkestrere deployments på tvers av miljøer
- Implementere CI/CD pipelines for ML
- Monitorere pipelines og infrastruktur
- Automatisere model promotion og testing

**Primær arbeidsflyt:** "Outer loop" – produksjonsutrulling og overvåkning
**Typisk brukte verktøy:** Azure DevOps/GitHub Actions, Azure ML CLI, Azure Pipelines
**Type:** Person | **Prosjektspesifik:** Ja

#### Data Engineer
**Ansvar:**
- Bygge ETL/ELT pipelines
- Enforce data quality og governance
- Data ingestion og feature engineering pipelines
- Administrere data stores og feature stores

**Primær arbeidsflyt:** Data estate management
**Typisk brukte verktøy:** Azure Data Factory, Azure Databricks, Azure Synapse Analytics
**Type:** Person | **Prosjektspesifik:** Ja

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ Databricks MLOps Stacks dokumenterer eksplisitt teamroller med eksempel bundle-komponenter.

#### Data Analyst
**Ansvar:**
- Business intelligence queries
- Data analyse og visualisering
- Støtte modellutvikling med innsikt
- Støtte deployment med forretningsvalidering

**Primær arbeidsflyt:** BI og reporting
**Typisk brukte verktøy:** Power BI, Azure Data Explorer, SQL
**Type:** Person | **Prosjektspesifik:** Ja

#### Model Tester
**Ansvar:**
- Utføre tester i test- og staging-miljøer
- Funksjonell segregering fra CI/CD-prosesser
- Responsible AI-sjekker
- Performance testing av endepunkter

**Primær arbeidsflyt:** Quality assurance i pre-production
**Typisk brukte verktøy:** Azure Pipelines test tasks, pytest, Azure ML metrics
**Type:** Person | **Prosjektspesifik:** Ja

#### Business Stakeholders og Project Owners
**Ansvar:**
- Eierskap til ML-workspace basert på data ownership
- Godkjenning av modellpromotion til produksjon
- Business requirements og success criteria
- Budsjett- og ressursallokering

**Primær arbeidsflyt:** Governance og human-in-the-loop approval
**Typisk brukte verktøy:** Azure Boards, dashboards, Azure Monitor
**Type:** Person | **Prosjektspesifik:** Ja

#### Platform Technical Support
**Ansvar:**
- Break-fix for infrastruktur og services
- IKKE ansvarlig for ML-modeller, pakker eller data (det er data scientist/ML engineer ansvar)

**Primær arbeidsflyt:** Infrastructure support
**Type:** Person | **Prosjektspesifik:** Nei

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ Persona-definisjoner er hentet direkte fra Microsoft's MLOps v2 architecture guide.

### 2. Samarbeidsverktøy og Integrasjoner

#### Azure Boards og Work Item Tracking
**Formål:** Agile planning, sprint tracking, og backlog management
**Nøkkelkapabiliteter:**
- Work item management (user stories, bugs, tasks, features)
- Custom queries og status charts
- Sprint planning med velocity metrics
- Kanban boards for workflow-visualisering
- Portfolio management (epics → features → tasks)

**Integrasjon med MLOps:**
- Koble work items til ML experiments via tags
- Track model development progress
- Link deployments til features/bugs
- Sprint-basert modelliterasjon

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ Azure Boards er core DevOps-plattform med native Azure DevOps-integrasjon.

#### Azure DevOps / GitHub Actions


### Azure DevOps — Integrated MLOps Platform (2026)

Azure DevOps provides end-to-end project management for ML teams:

| Service | ML Use Case |
|---------|-------------|
| **Azure Boards** | Sprint planning for model iterations, bug tracking, backlog management |
| **Azure Repos** | Git repositories for model code, notebooks, IaC; branch policies + PR reviews |
| **Azure Pipelines** | CI/CD for ML (build, test, train, deploy); integrates with Azure ML via `AzureMLJobWaitTask@1` |
| **Azure Test Plans** | Manual testing of model outputs, test case management |
| **Azure Artifacts** | Package feeds (NuGet, pip, conda) for ML libraries and shared components |

**Azure DevOps MCP Server**: Natural language queries for project management — `Summarize sprint status`, `List blocked work items`, `Show pipeline success rates` (2026 feature).

**GitHub Actions integration** (alternative to Azure Pipelines):
- OIDC authentication (recommended, no long-lived secrets)
- `azure/login@v2` + `az ml job create` pattern
- MLOps v2 solution accelerator: `Azure/mlops-v2-gha-demo`

**Databricks CI/CD best practices (Verified MCP 2026-06-19)**:
- Feature branching with short-lived branches (Gitflow aligned with dev/staging/prod environments)
- Automated notebook testing before merge (bundle validate + pytest/ScalaTest)
- MLflow experiment tracking integrated into PR workflows
- **Declarative Automation Bundles** (formerly Databricks Asset Bundles) recommended for unified code+infra deployment
- Workload identity federation (eliminates Databricks secrets) recommended for CI/CD auth

**Formål:** CI/CD automation for ML lifecycle
**Nøkkelkapabiliteter:**
- Pipeline-basert workflow automation
- Multi-stage pipelines (build, test, deploy)
- Environment-basert approval gates
- Integration med Azure Machine Learning CLI
- Secret management og service connections

**Typisk MLOps workflow:**
```yaml
# Eksempel fra Microsoft dokumentasjon
trigger:
  - main

stages:
  - stage: Build
    jobs:
      - job: TrainModel
        steps:
          - task: AzureCLI@2
            inputs:
              azureSubscription: 'Azure ML Connection'
              scriptType: 'bash'
              scriptLocation: 'inlineScript'
              inlineScript: 'az ml job create --file pipeline.yml'

  - stage: Deploy_Staging
    dependsOn: Build
    jobs:
      - deployment: DeployToStaging
        environment: 'Staging'
        strategy:
          runOnce:
            deploy:
              steps:
                - task: AzureMLModelDeploy@1

  - stage: Deploy_Production
    dependsOn: Deploy_Staging
    condition: succeeded()
    jobs:
      - deployment: DeployToProduction
        environment: 'Production'  # Requires manual approval
```

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ Eksempler er hentet fra offisiell Azure ML + Azure DevOps integrasjonsdokumentasjon.

#### Azure Machine Learning Workspace
**Formål:** Sentralisert collaboration hub for ML-utvikling
**Nøkkelkapabiliteter:**
- Delte notebooks og compute resources
- Serverless compute for team medlemmer
- Managed environments og datasets
- Model registry for deling av modeller
- Experiment tracking med MLflow
- Role-based access control (RBAC)

**Team collaboration patterns:**
- **Dev workspace:** Full read-write access for data scientists
- **Staging workspace:** Restricted – model testers og ML engineers
- **Production workspace:** Highly restricted – kun automated processes og platform support

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ Workspace-basert team collaboration er core Azure ML capability.

#### Microsoft Teams / Slack Integration
**Formål:** Real-time kommunikasjon om ML workflows
**Integrasjon:**
- Azure Boards notifications til Teams/Slack channels
- Pipeline status updates
- Model deployment alerts
- Experiment completion notifications

**Konfidensmarkør:** ⭐⭐⭐⭐ Dokumentert som supported integration i Azure Boards documentation.

#### Azure Repos / GitHub
**Formål:** Version control for ML code, configurations, og pipelines
**Nøkkelkapabiliteter:**
- Git-based source control
- Pull request workflows for code review
- Branch policies for governance
- Integration med CI/CD pipelines

**ML-spesifikke branching strategies:**
- **main/master:** Production-ready code
- **develop:** Integration branch
- **feature/*:** Individual data scientist work
- **release/*:** Staging candidates

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ Source control er fundamental DevOps practice for MLOps.

#### Azure Artifacts
**Formål:** Package management for ML dependencies
**Nøkkelkapabiliteter:**
- Private Python package feeds
- Conda package hosting
- Docker image registry (Azure Container Registry)
- Dependency security scanning

**Konfidensmarkør:** ⭐⭐⭐⭐ Azure Artifacts er del av recommended MLOps package management pattern.

#### MLflow
**Formål:** Experiment tracking og model lifecycle management
**Nøkkelkapabiliteter:**
- Experiment tracking (metrics, parameters, artifacts)
- Model registry for versjonering
- Model lineage tracking
- Integration med Azure Machine Learning

**Team collaboration via MLflow:**
- Dele experiments på tvers av team medlemmer
- Compare runs for model selection
- Promote models fra development til production registry

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ MLflow er integrated i Azure ML og Databricks som core capability.

#### Azure Monitor og Application Insights
**Formål:** Observability for modeller, data, og infrastruktur
**Nøkkelkapabiliteter:**
- Model performance metrics
- Data drift detection
- Infrastructure health monitoring
- Custom dashboards for stakeholders
- Alert rules og action groups

**Multi-team visibility:**
- Data scientists: Model performance dashboards
- ML Engineers: Pipeline health metrics
- Business stakeholders: Business metrics og SLA tracking
- Platform support: Infrastructure alerts

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ Azure Monitor er standard observability platform for Azure ML.

### 3. MLOps Maturity Model og Team Evolution

Microsoft's MLOps maturity model definerer hvordan teamsamarbeid utvikler seg gjennom fem nivåer:

#### Level 0: No MLOps
**Team pattern:**
- Data scientists, data engineers, og software engineers jobber i **isolasjon**
- Ingen regelmessig kommunikasjon mellom team
- Manuell håndtering av modeller mellom roller

**Utfordringer:**
- Full ML model lifecycle er vanskelig å styre
- Teams er fragmenterte
- Releases er utfordrende

#### Level 1: DevOps but no MLOps
**Team pattern:**
- Data scientists og data engineers jobber fortsatt i isolasjon
- Software engineers mottar modeller eksternt
- Basic integration tests finnes

**Forbedringer:**
- Application code har automated tests
- Builds er automatisert
- Code er version controlled

#### Level 2: Automated Training
**Team pattern:**
- Data scientists jobber **direkte med data engineers** for å konvertere experimentation code til repeterende scripts
- Software engineers jobber fortsatt i isolasjon

**Forbedringer:**
- Compute er managed
- Experiment results er tracked
- Training code og modeller er version controlled

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ Dette er første nivå med cross-functional collaboration.

#### Level 3: Automated Model Deployment
**Team pattern:**
- Data scientists jobber med data engineers OG software engineers
- Software engineers automatiserer model integration
- Data engineers manager inputs/outputs på tvers av teams

**Forbedringer:**
- Release process er automatisk
- CI/CD pipeline styrer releases
- Implementation er mindre avhengig av data scientist expertise

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ Dette nivået representerer mature cross-functional collaboration.

#### Level 4: Full MLOps Automated Operations
**Team pattern:**
- Data scientists, data engineers, OG software engineers jobber sammen for å:
  - Konvertere experimentation code til production-ready scripts
  - Identifisere data markers
  - Automatisere model integration
  - Implementere post-deployment metrics gathering

**Forbedringer:**
- Full system automation
- Production metrics trigger automatic retraining
- Zero downtime er målet

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ Maturity model er core Microsoft MLOps framework.

## Arkitekturmønstre

### Inner Loop vs. Outer Loop Collaboration

#### Inner Loop (Model Development)
**Primære personas:** Data scientists, ML engineers
**Samarbeidsverktøy:**
- Azure ML workspace (delte notebooks, compute)
- Git (feature branches, pull requests)
- MLflow (experiment sharing)

**Workflow:**
1. Data scientist utvikler modell i development workspace
2. Deler experiment results via MLflow
3. Code review via pull request
4. Model registrering i workspace registry

#### Outer Loop (Model Deployment)
**Primære personas:** ML engineers, platform technical support, model testers
**Samarbeidsverktøy:**
- Azure DevOps pipelines
- Azure ML registry (model promotion)
- Azure Monitor (shared dashboards)

**Workflow:**
1. CI pipeline trigger ved model registration
2. Automated tests i staging environment
3. Model tester approves for production
4. CD pipeline deployer til production
5. Monitoring dashboards for alle stakeholders

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ Inner/outer loop er core MLOps architectural pattern i Microsoft dokumentasjon.

### Databricks MLOps Stacks Team Collaboration

Databricks MLOps Stacks demonstrerer best practice for multi-team collaboration:

| Team | Responsibilities | Bundle Components | Artifacts |
|------|-----------------|-------------------|-----------|
| **Data Engineers** | Build ETL pipelines, enforce data quality | Lakeflow Pipelines YAML, cluster policies | `etl_pipeline.yml`, `feature_store_job.yml` |
| **Data Scientists** | Develop model training logic, validate metrics | MLflow Projects, notebook workflows | `train_model.yml`, `batch_inference_job.yml` |
| **MLOps Engineers** | Orchestrate deployments, monitor pipelines | Environment variables, monitoring dashboards | `databricks.yml`, `lakehouse_monitoring.yml` |

**Collaboration workflow:**
1. Data engineers commit ETL pipeline changes → automated schema validation → staging deployment
2. Data scientists submit ML code → unit tests → deploy to staging workspace
3. MLOps engineers orchestrate production deployment → monitoring setup

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ Hentet direkte fra Azure Databricks MLOps Stacks dokumentasjon.

### Workspace-Based Team Segregation

**Anbefalt pattern:**
- **Development workspaces:** Én per team eller prosjekt
- **Staging/Test workspace:** Delt for pre-production validation
- **Production workspace:** Isolert, restricted access

**RBAC for collaboration:**
- **Dev workspace:** Data scientists har Contributor, data analysts har Reader
- **Staging workspace:** Model testers har Contributor, data scientists har Reader
- **Production workspace:** Kun CI/CD processes og platform support har Owner

**Konfidensmarkør:** ⭐⭐⭐⭐ Workspace-basert segregation er recommended best practice i Azure ML.

## Beslutningsveiledning

### Når Velge Azure DevOps vs. GitHub Actions

**Azure DevOps:**
- Enterprise governance requirements
- Azure Boards integration for work tracking
- Built-in test management
- On-premises integration (Azure DevOps Server)

**GitHub Actions:**
- Open source collaboration
- Developer-centric workflows
- Larger ecosystem av community actions
- Native GitHub integration

**Konfidensmarkør:** ⭐⭐⭐⭐ Begge er officially supported for Azure ML MLOps.

### Når Implementere Multi-Team Workspaces

**Separate workspaces per team når:**
- Teams jobber på uavhengige use cases
- Streng kostnadsallokering per team
- Ulike data governance requirements

**Shared workspace når:**
- Tett samarbeid mellom teams
- Delte datasett og modeller
- Unified cost management

**Konfidensmarkør:** ⭐⭐⭐ Anbefaling basert på documented patterns, ikke eksplisitte guidelines.

### Communication Patterns

**Synchronous collaboration:**
- Microsoft Teams/Slack for real-time spørsmål
- Pair programming sessions (VS Code Live Share)
- Sprint planning meetings via Azure Boards

**Asynchronous collaboration:**
- Pull request comments for code review
- Work item comments for decisions
- MLflow experiment notes
- Pipeline approval gates

**Konfidensmarkør:** ⭐⭐⭐⭐ Standard DevOps best practices applied til MLOps.

## Integrasjon med Microsoft-stakken

### Azure Machine Learning Native Integrations

**Built-in integrations:**
- **Azure DevOps:** Via Azure ML extension tasks
- **GitHub:** Via GitHub Actions for Azure ML
- **MLflow:** Native tracking server
- **Azure Monitor:** Automatic metrics collection
- **Azure Key Vault:** Secrets management for teams

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ Native integrations er core Azure ML platform capabilities.

### Microsoft Foundry Collaboration

**Prompt flow team collaboration:**
- Shared prompt flows i Azure AI Studio
- Version control for prompts
- Evaluation metrics sharing
- GenAIOps CI/CD via Azure DevOps

**Konfidensmarkør:** ⭐⭐⭐⭐ Microsoft Foundry støtter GenAIOps workflows med Azure DevOps integration.

### Power Platform Integration

**Citizen developer collaboration:**
- Power BI dashboards for business stakeholders
- Power Automate for workflow automation
- Integration via Azure ML endpoints

**Konfidensmarkør:** ⭐⭐⭐ Power Platform integration er mulig via API endpoints, ikke native MLOps integration.

## Offentlig sektor (Norge)

### Samarbeid med eksterne parter

**Utfordringer:**
- Datadeling mellom offentlige etater
- Compliance med personvernforordninger
- On-premises vs. cloud collaboration

**Løsninger:**
- **Azure Confidential Clean Rooms:** Secure multi-party data collaboration
- **Delta Sharing:** Open protocol for data sharing
- **Azure Private Link:** Secure connectivity mellom organisasjoner

**Konfidensmarkør:** ⭐⭐⭐⭐ Azure Confidential Clean Rooms er dokumentert løsning for secure multi-party ML.

### Roller i offentlig sektor

**Typiske tilpasninger:**
- **Dataansvarlig:** Tilsvarer project owner/business owner
- **Fagekspert:** Tilsvarer data analyst/business stakeholder
- **IT-drift:** Tilsvarer platform technical support
- **Utvikler:** Tilsvarer data scientist/ML engineer

**Konfidensmarkør:** ⭐⭐ Rollekartlegging basert på generell kunnskap, ikke norsk-spesifikk dokumentasjon.

## Kostnad og lisensiering

### Azure DevOps Pricing for MLOps Teams

**Gratis tier:**
- Opp til 5 brukere med Basic access
- Unlimited stakeholders (read-only)
- 1800 minutter/måned pipeline execution (Microsoft-hosted agents)

**Paid tiers:**
- Basic: $6/bruker/måned (additional users)
- Additional parallel jobs: $40/måned per parallel job

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ Pricing er offentlig tilgjengelig på Azure DevOps pricing page.

### GitHub Actions for MLOps

**Gratis tier (Public repos):**
- Unlimited minutes for public repositories

**Gratis tier (Private repos):**
- 2000 minutter/måned for private repos
- 500 MB storage for artifacts

**Paid tier:**
- GitHub Team: $4/bruker/måned
- GitHub Enterprise: $21/bruker/måned

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ Pricing er offentlig tilgjengelig på GitHub pricing page.

### Azure ML Collaboration Costs

**Workspace-relaterte kostnader:**
- Ingen direkte kostnad for workspace selv
- Kostnader for compute, storage, og networking
- Shared compute resources kan redusere kostnader

**Konfidensmarkør:** ⭐⭐⭐⭐⭐ Azure ML pricing model er dokumentert på pricing page.

## For arkitekten (Cosmo)

### Anbefalinger for Team Collaboration Setup

**1. Start med MLOps Maturity Assessment**
- Kartlegg nåværende teamstruktur og samarbeidsmønstre
- Identifiser gaps mellom nåværende og ønsket maturity level
- Planlegg inkrementell forbedring (ikke hopp direkte til Level 4)

**2. Etabler Persona-Basert RBAC Tidlig**
- Definer tydelige roller og ansvar
- Implementer Azure RBAC basert på personas
- Bruk Microsoft Entra groups for team-basert access management
- **Kritisk:** Separate production og preproduction access

**3. Velg Riktig Workspace Struktur**
- **Anbefalt pattern:** Separate workspaces per environment (dev/staging/prod)
- **Alternativt pattern:** Separate workspaces per team + shared staging/prod
- Unity Catalog (Databricks) eller Azure ML Registry for model promotion

**4. Implementer CI/CD Early**
- Ikke vent til Level 3/4 maturity
- Start med basic automated testing i Level 1
- Gradvis ekspander til full automated deployment

**5. Etabler Communication Protocols**
- **Sync kanaler:** Microsoft Teams/Slack for daily standups
- **Async kanaler:** Azure Boards comments, PR reviews, ADO wikis
- **Decision tracking:** Work items for traceability

**6. Monitoring Dashboards for Alle Personas**
- **Data scientists:** Model performance, experiment metrics
- **ML engineers:** Pipeline health, deployment status
- **Business stakeholders:** Business KPIs, cost tracking
- **Platform support:** Infrastructure health, security alerts

**7. Package Management Strategy**
- Implementer secure, self-serve package management (Quarantine pattern)
- Safe-list standard ML repos (PyPI, Conda, Microsoft Artifact Registry)
- Automated vulnerability scanning med Defender for Containers
- Exception process for non-standard packages

**8. Documentation as Code**
- Store team runbooks i Git
- Maintain RBAC policies as code (Terraform/Bicep)
- Document workflows i Azure DevOps wikis
- Keep architecture decision records (ADRs)

### Red Flags å Unngå

❌ **Isolerte teams uten cross-functional collaboration** → Fører til handoff delays og knowledge silos
❌ **Alle data scientists har production access** → Security risk og compliance issue
❌ **Manuell model deployment** → Error-prone og ikke-auditable
❌ **Ingen versjonering av data** → Model reproducibility er umulig
❌ **Stakeholders kun involvert ved deployment** → Late discovery av business misalignment
❌ **En-size-fits-all workspace** → Mangler miljø-segregation for testing
❌ **Ingen monitoring av team collaboration metrics** → Kan ikke identifisere bottlenecks

### Spørsmål å Stille Kunder

1. **Team struktur:**
   - Hvor mange data scientists, ML engineers, data engineers har dere?
   - Jobber teams på separate eller overlappende use cases?
   - Har dere dedikert MLOps-rolle eller er det en del-time ansvar?

2. **Nåværende workflow:**
   - Hvordan håndteres model handoff i dag mellom development og production?
   - Hvor lang tid tar det fra model er trent til den er i produksjon?
   - Hvor mange manuelle steg er involvert?

3. **Samarbeidsverktøy:**
   - Bruker dere Azure DevOps eller GitHub?
   - Har dere allerede Azure Boards for work tracking?
   - Hvilke kommunikasjonskanaler brukes (Teams, Slack, email)?

4. **Governance:**
   - Hvem godkjenner production deployments?
   - Hvordan trackes business requirements til modeller?
   - Har dere audit requirements for model decisions?

5. **Maturity assessment:**
   - Har dere automatisert training pipelines?
   - Er model deployment automatisert eller manuell?
   - Overvåkes modeller i produksjon systematisk?

### Typiske Scenarioer og Løsninger

**Scenario 1: Startup med 2-3 data scientists**
- **Anbefaling:** Single development workspace, GitHub Actions for CI/CD, manual approval gates
- **Kostnadsoptimalisering:** GitHub Free tier + serverless compute
- **Konfidensmarkør:** ⭐⭐⭐⭐

**Scenario 2: Enterprise med 10+ ML teams**
- **Anbefaling:** Workspace per team, Azure DevOps for enterprise governance, ML Registry for model sharing
- **Skalering:** Hub-spoke topology med shared services
- **Konfidensmarkør:** ⭐⭐⭐⭐

**Scenario 3: Offentlig etat med strict compliance**
- **Anbefaling:** On-premises Azure DevOps Server, private Azure ML workspaces med Private Link
- **Security:** Microsoft Entra Privileged Identity Management for admin access
- **Konfidensmarkør:** ⭐⭐⭐

## Kilder og verifisering

### Primærkilder (Microsoft Learn)

1. **MLOps Maturity Model**
   URL: https://learn.microsoft.com/en-us/azure/architecture/ai-ml/guide/mlops-maturity-model
   Hentet: 2026-02-04
   Relevans: Team collaboration patterns per maturity level

2. **Machine Learning Operations (MLOps v2)**
   URL: https://learn.microsoft.com/en-us/azure/architecture/ai-ml/guide/machine-learning-operations-v2
   Hentet: 2026-02-04
   Relevans: Persona definitions, RBAC tables, workflow architecture

3. **What is Azure DevOps?**
   URL: https://learn.microsoft.com/en-us/azure/devops/user-guide/what-is-azure-devops
   Hentet: 2026-06-19
   Relevans: Azure Boards capabilities, team collaboration features (Verified MCP 2026-06-19 — new: Azure DevOps MCP Server for natural language project management queries, AI-Enhanced management with Copilot integration)

4. **CI/CD workflows on Databricks**
   URL: https://learn.microsoft.com/en-us/azure/databricks/dev-tools/ci-cd/flows
   Hentet: 2026-06-19
   Relevans: MLOps Stacks team collaboration table (Verified MCP 2026-06-19 — `dev-tools/ci-cd/best-practices` ble flyttet til `dev-tools/ci-cd/flows`; siden dekker Declarative Automation Bundles, workload identity federation for auth, SQL and dashboard CI/CD workflows)

5. **Set up MLOps with Azure DevOps**
   URL: https://learn.microsoft.com/en-us/azure/machine-learning/how-to-setup-mlops-azureml
   Hentet: 2026-02-04
   Relevans: Practical MLOps pipeline examples

6. **Use GitHub Actions with Azure Machine Learning**
   URL: https://learn.microsoft.com/en-us/azure/machine-learning/how-to-github-actions-machine-learning
   Hentet: 2026-06-19
   Relevans: GitHub Actions integration patterns (Verified MCP 2026-06-19 — OIDC recommended with Entra app or user-assigned managed identity)

7. **MLOps Workflows on Azure Databricks**
   URL: https://learn.microsoft.com/en-us/azure/databricks/machine-learning/mlops/mlops-workflow
   Hentet: 2026-02-04
   Relevans: Development, staging, production team workflows

8. **What is Azure Machine Learning?**
   URL: https://learn.microsoft.com/en-us/azure/machine-learning/overview-what-is-azure-machine-learning
   Hentet: 2026-02-04
   Relevans: Cross-compatible platform tools, productivity features

### Code Samples

9. **Azure DevOps Pipeline YAML Examples**
   URL: https://learn.microsoft.com/en-us/azure/devops/pipelines/process/templates
   Hentet: 2026-02-04
   Relevans: Multi-stage pipeline templates for MLOps

### Verifiserte fakta via MCP

- ✅ MLOps maturity levels 0-4 team patterns
- ✅ Persona-based Azure RBAC role assignments
- ✅ Databricks MLOps Stacks team responsibilities table
- ✅ Azure Boards integration capabilities
- ✅ GitHub Actions + Azure ML workflow examples
- ✅ Inner loop vs. outer loop architectural pattern
- ✅ Azure Monitor integration for multi-team observability

**Totalt antall MCP-kall:** 6 (3x search, 2x fetch, 1x code samples)
**Totalt antall kilder:** 9 primærkilder
**Dokumentkvalitet:** ⭐⭐⭐⭐⭐ (Komplett dekning basert på offisiell dokumentasjon)