refactor(ms-ai-architect): R13 del 1 — nøytraliser Cosmo-personaen i ref-korpusets headinger, etter å ha rettet en gate som var målt usann to ganger

Ordre 20260912T193441Z-7358817909. Steg 1 var ikke transformen, men å rette
roadmapens R13-gate og få den ratifisert. Gaten `grep -rl "Cosmo"
skills/*/references -> 0` var usann på to uavhengige måter:

1. Ordren fanget den første: 451 av forekomstene er Azure Cosmos DB, ekte
   produktinnhold. Diskriminatoren er ikke bokstaven «s» — `Cosmos <norsk
   substantiv>` er genitiv av personaen (`### Cosmos tonalitet`), mens
   `Cosmos DB`/`CosmosClient`/`cosmos_ru` er produkt.
2. Denne økten fant den andre: 132 persona-forekomster ligger i prosa,
   tabeller, dialog-replikker og proveniens-linjer. Heading-nøytralisering
   kan ikke nå dem, så «0 persona» er uoppnåelig også under den ratifiserte
   formen. Operatøren ratifiserte alternativ A: gaten speiler formen, og de
   132 bokføres til R13b/R14.

Tre korreksjoner av premisser som sto i ordren og STATE:
  «ca 320 produkt»   -> 451 (case-sensitivt nett manglet 327 lowercase
                        TOC-ankre + 99 identifikatorer; sann nevner 1 638)
  «169 headinger»    -> 401. 169 var `^## For Cosmo`-prefikset (168) og var
                        internt inkonsistent med sin egen topp-variant (204)
  «417 matcher ingen
   populasjon»       -> 417 er cosmo-headinger utenfor kodefences; briefens
                        nevner var reell hele tiden

Fence-bevissthet er målt skadelig, ikke nødvendig: begge toggle-regler er
gale på dette korpuset (naiv toggle skjuler en ekte heading i
chain-of-thought-prompting.md, CommonMark-regelen ubalanserer
service-level-documentation-dr.md). Fence-agnostisk deteksjon finner 401
heading-linjer i nøyaktig de samme 40 variantene som fence-bevisst finner
400 i — ingen kodeblokk-linje er byte-identisk til en persona-heading. Derfor
nøkles transformen på 40 enumererte heading-tekster og ignorerer fences. En
ukjent variant kaster; en slug-kollisjon kaster. Ingenting auto-fikses.

TOC-en regenereres ikke, den rettes kirurgisk: alle 327 persona-lenker hadde
lenketekst lik én av de 40 heading-tekstene og anker lik slugify av den
(327/327, 0 avvik), så heading og TOC-entry skrives i samme operasjon og
ingen mellomtilstand etterlater en død lenke.

Ratifisert målform: `For Cosmo`, `For Cosmo Skyberg` og `For arkitekten
(Cosmo)` konvergerer på `For arkitekten`. To filer kolliderte og er adjudisert
ved å lese dem, ikke ved regel.

Verifisering (alle 7 kriterier fra ordren):
  G1 persona på heading-linjer   401 -> 0
  G2 døde fragmentlenker         1 -> 1 (pre-eksisterende, unntatt)
  G3 produkt-forekomster         451 -> 451; `Cosmos DB|Azure Cosmos` 308 = 308
  de 3 kun-produkt-filene        byte-identiske
  nettet validert begge veier    injisert persona feller G1; genitiv feller G1;
                                 produkt-heading og de 3 filene passerer
  hele diffen                    802 heading-linjer + 654 TOC-linjer, ANNET = 0
  linjeantall                    728 lagt til = 728 slettet
  suite                          1120/1120 (1097 + 23 nye)
  validate-plugin                250 PASS / 0 FAIL
  stikkprøve                     10 filer, alle 5 skills, inkl. de 3 mest
                                 produkt-tunge (26/20/19) — kun heading+TOC

Utenfor scope, urørt: de 4 SKILL.md, de 23 commands, CLAUDE.md, README.md,
NOTICE.md, docs/ (alt R14).

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

skills/ms-ai-infrastructure/references/hybrid-edge/azure-arc-ai-management.md

@@ -18,7 +18,7 @@
 - [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)
+- [For arkitekten](#for-arkitekten)
 
 ## Introduksjon
 
@@ -390,7 +390,7 @@ Nasjonal sikkerhetsmyndighet (NSM) sine grunnprinsipper for IKT-sikkerhet kan ma
 
 ---
 
-## For Cosmo
+## For arkitekten
 
 - **Azure Arc er brokken mellom lokale AI-klynger og Azures skybaserte administrasjon** — alle Kubernetes-klynger blir forsteklasses Azure-ressurser med policy, overvaking og ML-integrasjon.
 - **KAITO (Kubernetes AI Toolchain Operator) forenkler LLM-deployment** pa Arc-enabled klynger, spesielt pa Azure Local med GPU-stotte for Phi-4, Mistral og Qwen-modeller.

skills/ms-ai-infrastructure/references/hybrid-edge/azure-confidential-computing-ai.md

@@ -17,7 +17,7 @@
 - [Performance Trade-offs](#performance-trade-offs)
 - [Norsk offentlig sektor](#norsk-offentlig-sektor)
 - [Beslutningsrammeverk](#beslutningsrammeverk)
-- [For Cosmo](#for-cosmo)
+- [For arkitekten](#for-arkitekten)
 
 ## Introduksjon
 
@@ -370,7 +370,7 @@ class ConfidentialAIComplianceReport:
 
 ---
 
-## For Cosmo
+## For arkitekten
 
 - **Confidential Computing losner data-in-use-problemet for sky-AI** — anbefal Confidential VMs (AMD SEV-SNP) som forste steg for organisasjoner som noler med sky-AI pa grunn av datasikkerhetshensyn
 - **Ytelsesoverhead er typisk 10-20%** — dette er akseptabelt for de fleste arbeidsbelastninger og kan optimaliseres med batching og modell-caching innenfor TEE

skills/ms-ai-infrastructure/references/hybrid-edge/azure-iot-hub-ai-pipeline.md

@@ -17,7 +17,7 @@
 - [Scaling Hybrid Ingestion](#scaling-hybrid-ingestion)
 - [Norsk offentlig sektor](#norsk-offentlig-sektor)
 - [Beslutningsrammeverk](#beslutningsrammeverk)
-- [For Cosmo](#for-cosmo)
+- [For arkitekten](#for-arkitekten)
 
 ## Introduksjon
 
@@ -455,7 +455,7 @@ class HybridScalingConfig:
 
 ---
 
-## For Cosmo
+## For arkitekten
 
 - **IoT Hub + Stream Analytics + Azure ML er den kanoniske AI-pipeline for IoT** — anbefal denne treledds-arkitekturen som standard for alle IoT-AI-scenarier i offentlig sektor
 - **Edge-forbehandling reduserer skylast med 90%+** — la IoT Edge aggregere og filtrere data for sensordata sendes til sky, noe som dramatisk reduserer baade kostnader og bandbreddekrav

skills/ms-ai-infrastructure/references/hybrid-edge/azure-local-ai-workloads.md

@@ -18,7 +18,7 @@
 - [Hybrid Resilience Patterns](#hybrid-resilience-patterns)
 - [Nettverksarkitektur](#nettverksarkitektur)
 - [Sizing-guide for AI-arbeidsbelastninger](#sizing-guide-for-ai-arbeidsbelastninger)
-- [For Cosmo](#for-cosmo)
+- [For arkitekten](#for-arkitekten)
 
 ## Introduksjon
 
@@ -404,7 +404,7 @@ data:
 
 ---
 
-## For Cosmo
+## For arkitekten
 
 - **Azure Local er den primaere plattformen for on-premises AI i Microsoft-okosystemet** — fullt integrert med Azure Arc for sentralisert styring, men med all databehandling pa egen infrastruktur.
 - **GPU-stotten er bred med NVIDIA T4/A2/A16/L4/L40/L40S** — bade DDA (hel GPU) og GPU-P (delt GPU) er tilgjengelig, noe som gir fleksibilitet fra lette inferensoppgaver til tung trening.

skills/ms-ai-infrastructure/references/hybrid-edge/data-sovereignty-norway-public-sector.md

@@ -20,7 +20,7 @@
 - [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)
+- [For arkitekten](#for-arkitekten)
 
 ## Introduksjon
 
@@ -410,7 +410,7 @@ Er dataene sikkerhetsgraderte (Sikkerhetsloven)?
 
 ---
 
-## For Cosmo
+## For arkitekten
 
 - **Schrems II er ikke lenger den eneste utfordringen** — EU-US Data Privacy Framework (2023), EU Data Boundary, og Sovereign Landing Zone gir et nyansert verktoyskrin for lovlig bruk av Azure AI fra Norge.
 - **Norway East-regionen er forstevalg for norsk offentlig sektor** — de fleste AI-tjenester (Azure OpenAI GPT-4o, AI Services, ML) er tilgjengelig der, men noen nyere modeller krever Sweden Central eller West Europe.

skills/ms-ai-infrastructure/references/hybrid-edge/edge-ai-inferencing-patterns.md

@@ -16,7 +16,7 @@
 - [Batching vs. Streaming Inference](#batching-vs-streaming-inference)
 - [IoT Edge ML Inference Pattern](#iot-edge-ml-inference-pattern)
 - [Ytelsesreferanser](#ytelsesreferanser)
-- [For Cosmo](#for-cosmo)
+- [For arkitekten](#for-arkitekten)
 
 ## Introduksjon
 
@@ -485,7 +485,7 @@ async def twin_update_handler(patch):
 
 ---
 
-## For Cosmo
+## For arkitekten
 
 - **ONNX Runtime er universalmotoren for edge-inferens** — stotter CPU, GPU, NPU via Execution Providers, med TensorRT for NVIDIA og OpenVINO for Intel som de viktigste akseleratorene.
 - **Kvantisering (INT8/INT4) er den enkleste og mest effektive optimaliseringen** — reduserer modellstorrelse 2-8x med minimalt noyaktighetstap, spesielt viktig for edge-enheter med begrenset minne.

skills/ms-ai-infrastructure/references/hybrid-edge/edge-to-cloud-data-synchronization.md

@@ -17,7 +17,7 @@
 - [Data Deduplication at Scale](#data-deduplication-at-scale)
 - [Norsk offentlig sektor](#norsk-offentlig-sektor)
 - [Beslutningsrammeverk](#beslutningsrammeverk)
-- [For Cosmo](#for-cosmo)
+- [For arkitekten](#for-arkitekten)
 
 ## Introduksjon
 
@@ -447,7 +447,7 @@ class EdgeDeduplication:
 
 ---
 
-## For Cosmo
+## For arkitekten
 
 - **Event sourcing med idempotens er gullstandarden** for edge-sky-synkronisering — alle dataelementer faar en unik ID og kan trygt re-sendes uten duplikater
 - **Delta-synkronisering reduserer datavolum med 80-95%** sammenlignet med full sync — beregn kun endringer og komprimer med gzip for minimal bandbreddebruk

skills/ms-ai-infrastructure/references/hybrid-edge/hybrid-rag-architecture.md

@@ -17,7 +17,7 @@
 - [Context Optimization Across Tiers](#context-optimization-across-tiers)
 - [Norsk offentlig sektor](#norsk-offentlig-sektor)
 - [Beslutningsrammeverk](#beslutningsrammeverk)
-- [For Cosmo](#for-cosmo)
+- [For arkitekten](#for-arkitekten)
 
 ## Introduksjon
 
@@ -452,7 +452,7 @@ class ContextOptimizer:
 
 ---
 
-## For Cosmo
+## For arkitekten
 
 - **Hybrid RAG er den riktige arkitekturen nar data har ulik sensitivitet** — bruk federated search med Reciprocal Rank Fusion for a kombinere resultater fra lokale og skybaserte vektordatabaser uten a flytte sensitive data
 - **Edge RAG (Azure Arc) er Microsofts foretrukne losning** for on-premises RAG med sky-administrasjon — anbefal dette for organisasjoner som onsker hybrid RAG med sentral management

skills/ms-ai-infrastructure/references/hybrid-edge/iot-operations-ai-integration.md

@@ -17,7 +17,7 @@
 - [Device-to-Cloud AI Pipelines](#device-to-cloud-ai-pipelines)
 - [Norsk offentlig sektor](#norsk-offentlig-sektor)
 - [Beslutningsrammeverk](#beslutningsrammeverk)
-- [For Cosmo](#for-cosmo)
+- [For arkitekten](#for-arkitekten)
 
 ## Introduksjon
 
@@ -382,7 +382,7 @@ class AIEdgePipeline:
 
 ---
 
-## For Cosmo
+## For arkitekten
 
 - **Azure IoT Operations er den foretrukne plattformen** for industrielle IoT-AI-scenarier pa edge, med MQTT-basert kommunikasjon og Data Flows for datatransformasjon — anbefal dette fremfor eldre IoT Edge-moenstre
 - **Sensor data normalization er fundamentalt** — uten standardisert datakvalitet og enhetskonvertering vil AI-modeller gi upanalitelige resultater, sa invester i Data Flow-transformasjoner for normalisering

skills/ms-ai-infrastructure/references/hybrid-edge/kubernetes-edge-aks-edge.md

@@ -17,7 +17,7 @@
 - [Service Mesh for Edge](#service-mesh-for-edge)
 - [Norsk offentlig sektor](#norsk-offentlig-sektor)
 - [Beslutningsrammeverk](#beslutningsrammeverk)
-- [For Cosmo](#for-cosmo)
+- [For arkitekten](#for-arkitekten)
 
 ## Introduksjon
 
@@ -411,7 +411,7 @@ spec:
 
 ---
 
-## For Cosmo
+## For arkitekten
 
 - **AKS Edge Essentials er den foretrukne loesningen for container-basert AI pa edge** — det gir Kubernetes-standarder pa PC-klasse hardware med minimal fotavtrykk (4 GB RAM for K3s)
 - **Azure Arc + GitOps gir sentralisert forvaltning** — anbefal dette for organisasjoner med mange edge-stasjoner som trenger sporbar, automatisert deployment av AI-modeller

skills/ms-ai-infrastructure/references/hybrid-edge/network-constrained-ai-deployment.md

@@ -17,7 +17,7 @@
 - [Latency Compensation Patterns](#latency-compensation-patterns)
 - [Norsk offentlig sektor](#norsk-offentlig-sektor)
 - [Beslutningsrammeverk](#beslutningsrammeverk)
-- [For Cosmo](#for-cosmo)
+- [For arkitekten](#for-arkitekten)
 
 ## Introduksjon
 
@@ -474,7 +474,7 @@ class LatencyCompensatingProxy:
 
 ---
 
-## For Cosmo
+## For arkitekten
 
 - **Modellstoerrelse er den viktigste faktoren for nettverksbegrensede deployments** — bruk INT4-kvantisering som standard, og vurder destillasjon for ultralette modeller under 500 MB
 - **Bandwidth-bevisst batching er pabudt** — maal tilgjengelig bandwidth kontinuerlig og tilpass batchstoerrelser og kompresjonsformat dynamisk

skills/ms-ai-infrastructure/references/hybrid-edge/offline-first-ai-applications.md

@@ -17,7 +17,7 @@
 - [Offline Capability Testing](#offline-capability-testing)
 - [Norsk offentlig sektor](#norsk-offentlig-sektor)
 - [Beslutningsrammeverk](#beslutningsrammeverk)
-- [For Cosmo](#for-cosmo)
+- [For arkitekten](#for-arkitekten)
 
 ## Introduksjon
 
@@ -495,7 +495,7 @@ class TestOfflineAI:
 
 ---
 
-## For Cosmo
+## For arkitekten
 
 - **Offline-first er et designprinsipp, ikke en feilhaandterings-strategi** — applikasjonen MA designes for a fungere lokalt foerst, med sky som en berikelse nar tilgjengelig
 - **Event sourcing er det foretrukne datamoensteeret** for offline-first AI — alle hendelser og AI-resultater lagres lokalt som uforanderlige events og synkroniseres inkrementelt

skills/ms-ai-infrastructure/references/hybrid-edge/on-premises-slm-phi-deployment.md

@@ -17,7 +17,7 @@
 - [Fine-Tuning at Edge](#fine-tuning-at-edge)
 - [Norsk offentlig sektor](#norsk-offentlig-sektor)
 - [Beslutningsrammeverk](#beslutningsrammeverk)
-- [For Cosmo](#for-cosmo)
+- [For arkitekten](#for-arkitekten)
 
 ## Introduksjon
 
@@ -457,7 +457,7 @@ python -m olive run \
 
 ---
 
-## For Cosmo
+## For arkitekten
 
 - **Phi-3 Mini INT4 er det naturlige startpunktet** for de fleste offentlige sektors SLM-bruk — 3.8B parametere gir overraskende god kvalitet for klassifisering, uttrekking og enkel Q&A, og krever kun 8 GB RAM uten GPU
 - **Fine-tuning med LoRA er nodvendig for doenmespesifikke oppgaver** — en LoRA-adapter pa 20-50 MB er mye enklere a distribuere til edge enn en full modell, og gir dramatisk forbedring for norsk fagsprak

skills/ms-ai-infrastructure/references/hybrid-edge/onnx-runtime-edge-deployment.md

@@ -17,7 +17,7 @@
 - [Performance Profiling](#performance-profiling)
 - [Norsk offentlig sektor](#norsk-offentlig-sektor)
 - [Beslutningsrammeverk](#beslutningsrammeverk)
-- [For Cosmo](#for-cosmo)
+- [For arkitekten](#for-arkitekten)
 
 ## Introduksjon
 
@@ -416,7 +416,7 @@ class ONNXProfiler:
 
 ---
 
-## For Cosmo
+## For arkitekten
 
 - **ONNX Runtime er den universelle inferensmotoren** for Microsoft-okosystemet — anbefal det som standard for alle edge AI-deployments pa grunn av cross-platform-stoette og hardware-akselerasjon
 - **Olive er det foretrukne verktoeyet for modelloptimalisering** — det automatiserer konvertering, kvantisering og optimalisering i en pipeline og sikrer at modellen er optimalisert for spesifikk target-hardware

skills/ms-ai-infrastructure/references/hybrid-edge/regulatory-compliance-edge-ai.md

@@ -17,7 +17,7 @@
 - [Transparency and Explainability](#transparency-and-explainability)
 - [Norsk offentlig sektor](#norsk-offentlig-sektor)
 - [Beslutningsrammeverk](#beslutningsrammeverk)
-- [For Cosmo](#for-cosmo)
+- [For arkitekten](#for-arkitekten)
 
 ## Introduksjon
 
@@ -555,7 +555,7 @@ class EdgeAIExplainer:
 
 ---
 
-## For Cosmo
+## For arkitekten
 
 - **DPIA er pakrevd for de fleste edge AI-systemer** i offentlig sektor som prosesserer persondata — bruk den strukturerte malen og implementer automatiserte kontrollsjekker
 - **Audit logging pa edge ma synkroniseres sentralt** — bruk Azure Monitor Agent (OMS) pa alle edge-noder og lagre logger i Log Analytics Workspace i Norway East med 7 ars retention

skills/ms-ai-infrastructure/references/hybrid-edge/sovereign-cloud-norway.md

@@ -17,7 +17,7 @@
 - [Vendor Lock-in Mitigation](#vendor-lock-in-mitigation)
 - [Norsk offentlig sektor](#norsk-offentlig-sektor)
 - [Beslutningsrammeverk](#beslutningsrammeverk)
-- [For Cosmo](#for-cosmo)
+- [For arkitekten](#for-arkitekten)
 
 ## Introduksjon
 
@@ -379,7 +379,7 @@ class SovereignAuditConfiguration:
 
 ---
 
-## For Cosmo
+## For arkitekten
 
 - **Sovereign Landing Zone er den korrekte startarkitekturen** for alle AI-prosjekter i norsk offentlig sektor — deploy SLZ med Sovereignty Baseline Policies som forste steg
 - **Norway East er primary-regionen for AI** — alle Azure AI-tjenester inkludert OpenAI og Confidential VMs er tilgjengelig der, med Norway West for DR

skills/ms-ai-infrastructure/references/hybrid-edge/windows-ai-apc-capabilities.md

@@ -17,7 +17,7 @@
 - [Local LLM Inference on Device](#local-llm-inference-on-device)
 - [Norsk offentlig sektor](#norsk-offentlig-sektor)
 - [Beslutningsrammeverk](#beslutningsrammeverk)
-- [For Cosmo](#for-cosmo)
+- [For arkitekten](#for-arkitekten)
 
 ## Introduksjon
 
@@ -360,7 +360,7 @@ curl http://localhost:11434/v1/chat/completions \
 
 ---
 
-## For Cosmo
+## For arkitekten
 
 - **Windows ML er den anbefalte veien for lokal AI pa Windows** — det erstatter DirectML og gir automatisk hardware-deteksjon og EP-nedlasting, noe som forenkler deployment dramatisk
 - **Copilot+ PC-er med NPU muliggjor always-on AI** med lavt energiforbruk — anbefal dette for klientbaserte AI-oppgaver som dokumentklassifisering og oppsummering