docs(architect): weekly KB update — 66 files refreshed (2026-04)

Updated 66 stale knowledge base reference files (10 critical, 56 high)
across all 5 skills using Microsoft Learn MCP research.

Key factual updates:
- Groundedness Detection API: `correction` → `mitigating` param,
  `correctedText` → `correctionText` (breaking change)
- Copilot Studio: GPT-4.1 mini now default (was GPT-4o mini);
  Claude Sonnet 4.5 + Opus 4.5 added (experimental, 200K ctx)
- Agentic Retrieval: still public preview; 50M free tokens/month
- Azure security baselines: "Cognitive Services" → "Foundry Tools"
- Databricks: Delta Live Tables → Lakeflow Spark Declarative Pipelines
- MLflow 3 GenAI: new Feedback/Expectation data model
- Token tracking doc: "Azure OpenAI in Foundry Models through a gateway"
- Agent Registry: Risks column (M365 E7), Graph API (preview)
- Copilot DLP: new Entra AI Admin + Purview Data Security AI Admin roles
- ISO/IEC 42001: scope expanded to M365 Copilot, Foundry, Security Copilot
- Zero Trust: CAE now via Conditional Access, Strict Location Enforcement
- Purview: new Fabric Copilots/agents governance section
- AG-UI HITL: ApprovalRequiredAIFunction (C#), @tool approval_mode (Python)

All files: Last updated → 2026-04, *(Verified MCP 2026-04)* markers added.
Build registry: 1341 URLs from 387 files (+2 new URLs).

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

plugins/ms-ai-architect/skills/ms-ai-engineering/references/mlops-genaiops/cost-optimization-mlops-pipelines.md

@@ -1,6 +1,6 @@
 # Kostnadsoptimalisering i MLOps-pipelines
 
-**Dato:** 2026-02-04
+**Dato:** 2026-04
 **Kategori:** MLOps & GenAIOps
 **Relevans:** Azure Machine Learning, MLOps-implementering, FinOps for AI
 
@@ -49,7 +49,7 @@ ml_client.compute.begin_create_or_update(cluster).result()
 
 ### 2. Compute instance-schedulering
 
-Compute instances forblir på som standard, og akkumulerer kostnad kontinuerlig. To strategier (begge i preview per jan 2025):
+Compute instances forblir på som standard, og akkumulerer kostnad kontinuerlig. To strategier (begge nå GA): Verified (MCP 2026-04)
 
 - **Idle shutdown:** Automatisk avslutning når VM har vært idle i spesifisert periode
 - **Scheduled start/stop:** Planlegg start/stopp basert på kjente arbeidstider
@@ -123,7 +123,7 @@ Azure ML pipelines gjenbruker automatisk output fra uendrede komponenter:
 
 **Kostnadsbesparelse:** Kan redusere pipeline-kjøretid og -kostnad med 50-90% i iterative utviklingsfaser.
 
-**Debugging reuse-problemer:** Bruk `how-to-debug-pipeline-reuse-issues` guide fra Microsoft Learn for å identifisere hvorfor gjenbruk ikke skjer (typisk: endringer i data, kode, miljø eller compute-konfigurasjon).
+**Debugging reuse-problemer:** Bruk pipeline graph comparison-funksjonen i Azure ML Studio for å sammenligne to pipeline-kjøringer og identifisere hvilke steg som endret seg. Se også `how-to-debug-pipeline-reuse-issues` guide fra Microsoft Learn. Typiske årsaker til at gjenbruk ikke skjer: endringer i data, kode, miljø eller compute-konfigurasjon. Verified (MCP 2026-04).
 
 ### 7. Data retention og sletting
 
@@ -525,7 +525,7 @@ Compute-ressurser er verdier — ukontrollert forbruk er et sikkerhetsrisiko (de
 
 ### Relevante ressurser for dypere dive
 
-**Microsoft Learn-artikler (verifisert jan 2026):**
+**Microsoft Learn-artikler (verifisert apr 2026):**
 
 - [Manage and optimize Azure Machine Learning costs](https://learn.microsoft.com/en-us/azure/machine-learning/how-to-manage-optimize-cost)
 - [Plan to manage costs for Azure Machine Learning](https://learn.microsoft.com/en-us/azure/machine-learning/concept-plan-manage-cost)
@@ -555,7 +555,7 @@ Compute-ressurser er verdier — ukontrollert forbruk er et sikkerhetsrisiko (de
 - **Medium konfidensgrad:** Kostnadsestimater (± 30%), besparelsesprosenter (varierer per organisasjon), regional pricing
 - **Lav konfidensgrad:** ROI-beregninger (avhenger av business context), comparative TCO on-prem vs. cloud (mange variabler)
 
-**Sist verifisert:** 2026-02-04
+**Sist verifisert:** 2026-04-09
 
 ---
 

plugins/ms-ai-architect/skills/ms-ai-engineering/references/mlops-genaiops/governance-audit-ml-operations.md

@@ -1,7 +1,7 @@
 # Governance and Audit Trails in MLOps
 
 **Kategori:** MLOps & GenAIOps
-**Dato:** 2026-02-04
+**Dato:** 2026-04
 **Confidence:** 95% (High — bygger på offisiell Microsoft-dokumentasjon og Azure-referansearkitekturer)
 
 ## Introduksjon
@@ -487,6 +487,8 @@ Hvert steg logges, hver hendelse spores. Ved en audit kan du vise:
 
 ---
 
+*(Verified MCP 2026-04)* — Databricks Lakehouse best practices bekreftet. Merk: Delta Live Tables er nå omdøpt til **Lakeflow Spark Declarative Pipelines** i Databricks-dokumentasjonen.
+
 ## Kilder og verifisering
 
 ### Microsoft Learn (offisiell dokumentasjon)
@@ -517,5 +519,5 @@ Hvert steg logges, hver hendelse spores. Ved en audit kan du vise:
 
 ---
 
-**Sist oppdatert:** 2026-02-04
+**Sist oppdatert:** 2026-04
 **Neste review:** Q2 2026 (ved nye Unity Catalog-features eller Azure Policy-oppdateringer)

plugins/ms-ai-architect/skills/ms-ai-engineering/references/mlops-genaiops/responsible-ai-mlops-integration.md

@@ -1,7 +1,7 @@
 # Responsible AI Integration in MLOps
 
 **Kategori:** MLOps & GenAIOps
-**Sist oppdatert:** 2026-02-04
+**Sist oppdatert:** 2026-04
 **Confidence:** 95% (basert på offisiell Microsoft-dokumentasjon og Azure Machine Learning-referanser)
 
 ---
@@ -45,7 +45,9 @@ Dashbordet genereres som del av en **Azure ML pipeline job** ved hjelp av kompon
 
 ---
 
-### 2. Responsible AI Scorecard
+### 2. Responsible AI Scorecard *(Public Preview)*
+
+*(Verified MCP 2026-04)* — RAI Scorecard er i public preview. Bruker Azure SDK v2 og CLI v2.
 
 **Formål:**
 Et PDF-dokument som oppsummerer RAI-innsikter fra dashbordet, designet for å dele med ikke-tekniske stakeholders, compliance-team og auditører.