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

MLOps Team Collaboration and Tools Integration

Kategori: MLOps & GenAIOps Sist oppdatert: 2026-04 Kilde: Microsoft Learn, Azure Architecture Center Konfidensgradering: ⭐⭐⭐⭐⭐ (Verifisert mot offisiell Microsoft-dokumentasjon)

Verified: MCP 2026-04

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 2026-04):

• 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:

# 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.

Azure AI 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: ⭐⭐⭐⭐ Azure AI 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: 2026-04-10 Relevans: Azure Boards capabilities, team collaboration features (Verified MCP 2026-04 — new: Azure DevOps MCP Server for natural language project management queries, AI-Enhanced management with Copilot integration)

4. Best Practices and Recommended CI/CD Workflows on Databricks URL: https://learn.microsoft.com/en-us/azure/databricks/dev-tools/ci-cd/best-practices Hentet: 2026-04-10 Relevans: MLOps Stacks team collaboration table (Verified MCP 2026-04 — now covers 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: 2026-04-10 Relevans: GitHub Actions integration patterns (Verified MCP 2026-04 — 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)