refactor(examples): replace sector-specific example material with generic, fictitious examples

Reference files, test fixtures, the playground demo project and one design
document now use generic, fictitious examples (buildings, energy, water,
grants, municipal services). The playground demo (17 fixtures plus the
embedded demo state) tells one consistent story: a municipal customer
chatbot that pre-screens housing-benefit applications, classified under
Annex III point 5(a). The embedded demo copies were edited in place rather
than regenerated, because they already carry newer AI Act dates than the
fixture files.

Legal text is unchanged. Test semantics are unchanged. Four dark-theme
onboarding screenshots with outdated placeholder text are removed.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

skills/ms-ai-engineering/references/data-engineering/data-cataloging-discovery.md

@@ -183,18 +183,18 @@ Unified Catalog tilbyr flere oppdagelsesmekanismer for å finne data:
 ```
 Eksempler på naturlig språk-søk (preview):
 
-Søk: "Jeg trenger tre år med trafikkdata fra Direktoratet for digital tjenesteutvikling
-       for å analysere rushtrafikk-mønstre"
-Resultat: Data products med trafikktelledata, reisehastighetsmålinger
+Søk: "Jeg trenger tre år med energidata fra Direktoratet for digital tjenesteutvikling
+       for å analysere forbruksmønstre i kontorbygg"
+Resultat: Data products med timeverdier fra energimålere, temperaturmålinger
 
 Søk: "Finn sertifiserte kundedata med kundeID, navn og adresse"
 Resultat: Data products med masterdata for kunder
 
-Søk: "Vis meg Power BI-rapporter om tilstandsdata for broer"
-Resultat: Rapporter og underliggende datasett for bro-tilstand
+Søk: "Vis meg Power BI-rapporter om tilstandsdata for skolebygg"
+Resultat: Rapporter og underliggende datasett for bygningstilstand
 
 Søk: "Jeg jobber med prediktiv vedlikehold.
-       Vis sensordata fra veisensorer"
+       Vis sensordata fra ventilasjonsanlegg"
 Resultat: IoT-sensordata, vedlikeholdshistorikk-datasett
 ```
 
@@ -335,25 +335,25 @@ Governance Domain: "AI og Maskinlæring"
 │       ├── Synonymer: "Model drift", "Concept drift"
 │       └── Tilknyttede assets: monitoring.drift_metrics
 
-Governance Domain: "Veiforvaltning"
+Governance Domain: "Eiendomsforvaltning"
 ├── Glossary Terms
-│   ├── "AADT"
-│   │   ├── Definisjon: "Årsdøgntrafikk - gjennomsnittlig daglig trafikk"
-│   │   ├── Synonym: "Annual Average Daily Traffic"
-│   │   └── Tilknyttede assets: traffic.aadt_measurements
+│   ├── "EUI"
+│   │   ├── Definisjon: "Energiintensitet - årlig energiforbruk per m² oppvarmet areal"
+│   │   ├── Synonym: "Energy Use Intensity"
+│   │   └── Tilknyttede assets: energy.eui_measurements
 │   │
-│   ├── "ÅDT"
-│   │   ├── Definisjon: "Døgntrafikk for et enkelt år"
-│   │   └── Relatert: "AADT"
+│   ├── "Energiintensitet"
+│   │   ├── Definisjon: "Energiforbruk per m² for et enkelt år"
+│   │   └── Relatert: "EUI"
 │   │
 │   └── "Tilstandsgrad"
-│       ├── Definisjon: "Skala 0-5 for tilstandsvurdering av veiobjekter"
+│       ├── Definisjon: "Skala 0-5 for tilstandsvurdering av bygningsdeler"
 │       ├── Sub-termer:
 │       │   ├── "TG0 - Ingen avvik"
 │       │   ├── "TG1 - Mindre avvik"
 │       │   ├── "TG2 - Moderate avvik"
 │       │   └── "TG3 - Alvorlige avvik"
-│       └── Tilknyttede assets: nvdb.condition_assessments
+│       └── Tilknyttede assets: asset_register.condition_assessments
 ```
 
 ### Opprette glossary terms programmatisk
@@ -394,7 +394,7 @@ ai_terms = [
                        "skal predikere på.",
         "abbreviation": "TD",
         "glossary_guid": ai_glossary_guid,
-        "owner": "ml-team@ddt.no",
+        "owner": "ml-team@ddt.example",
         "regulation": "GDPR Art. 6 - Lovlig behandlingsgrunnlag"
     },
     {
@@ -402,7 +402,7 @@ ai_terms = [
         "definition": "Sentralisert repository for beregning, lagring og "
                        "servering av ML-features med punkt-i-tid korrekthet.",
         "glossary_guid": ai_glossary_guid,
-        "owner": "data-engineering@ddt.no"
+        "owner": "data-engineering@ddt.example"
     },
     {
         "name": "Dataminimering",
@@ -531,9 +531,9 @@ def assign_data_owner(purview_endpoint, token, asset_guid, owner_info):
 
 # Eksempel: Tilordne eierskap for ML-datasett
 assign_data_owner(endpoint, token, gold_features_guid, {
-    "email": "ml-team@ddt.no",
+    "email": "ml-team@ddt.example",
     "aad_object_id": "abc-123-def",
-    "expert_email": "data-scientist@ddt.no",
+    "expert_email": "data-scientist@ddt.example",
     "expert_aad_id": "ghi-456-jkl"
 })
 ```
@@ -560,12 +560,12 @@ Oppsett av Governance Domain for AI-prosjekter:
 
 4. Opprett data products:
    - "Customer 360 for Churn" -- Kundedatasett for churn-prediksjon
-   - "Traffic Sensor Features" -- Sensordata for trafikkanalyse
-   - "Bridge Condition ML Set" -- Bro-tilstandsdata for vedlikeholds-ML
+   - "Energy Sensor Features" -- Sensordata for energianalyse
+   - "Building Condition ML Set" -- Bygningstilstandsdata for vedlikeholds-ML
 
 5. Definer glossary terms:
    - AI-spesifikke termer (se seksjon over)
-   - Domenespesifikke termer (vei, trafikk, infrastruktur)
+   - Domenespesifikke termer (eiendom, energi, infrastruktur)
 
 6. Sett OKR-er:
    - "90% av AI-datasett har dokumentert eierskap innen Q2"
@@ -790,9 +790,9 @@ def calculate_discovery_metrics(purview_endpoint, token, domain_id):
 ## For arkitekten
 
 - **Bruk denne referansen** når brukeren trenger hjelp med å sette opp datakatalogisering, organisere data for AI-prosjekter, eller etablere informasjonsforvaltning med Purview Unified Catalog.
-- For norsk offentlig sektor: **Governance Domains** mapper naturlig til avdelinger/seksjoner i etaten. Anbefal å opprette domener som speiler organisasjonsstrukturen (f.eks. "AI og Maskinlæring", "Veiforvaltning", "Trafikkstyring").
+- For norsk offentlig sektor: **Governance Domains** mapper naturlig til avdelinger/seksjoner i etaten. Anbefal å opprette domener som speiler organisasjonsstrukturen (f.eks. "AI og Maskinlæring", "Eiendomsforvaltning", "Energistyring").
 - **Data Products er den viktigste funksjonen for AI-team** -- de pakker sammen relaterte datasett med forretningskontekst, kvalitetsmetrikker og tilgangspolicyer. Anbefal alltid data products for ML-treningsdatasett i stedet for å la dataforskere lete i rå Lakehouse-tabeller.
-- **Business Glossary** er undervurdert men kritisk. Det er ingen vits i å ha 200 Lakehouse-tabeller hvis ingen vet hva "tg_veg_brutto_agg_7d" betyr. Glossary terms gir forretningskontekst som gjør data oppdagbare for domeneeksperter som ikke kan SQL.
-- **Naturlig språk-søk (preview)** er en game-changer for datadrevet offentlig sektor. Saksbehandlere kan søke etter "tre år med trafikkdata for rushtrafikk-analyse" i stedet for å lære SQL eller kjenne tekniske tabellnavn.
+- **Business Glossary** er undervurdert men kritisk. Det er ingen vits i å ha 200 Lakehouse-tabeller hvis ingen vet hva "tg_bygg_brutto_agg_7d" betyr. Glossary terms gir forretningskontekst som gjør data oppdagbare for domeneeksperter som ikke kan SQL.
+- **Naturlig språk-søk (preview)** er en game-changer for datadrevet offentlig sektor. Saksbehandlere kan søke etter "tre år med energidata for forbruksanalyse" i stedet for å lære SQL eller kjenne tekniske tabellnavn.
 - Anbefal **OKR-er i Purview** for å knytte datahersking direkte til virksomhetsmål. Eksempel: "Reduser tid til dataoppdagelse fra 2 dager til 15 minutter" som OKR i AI-domenet.
 - Kombiner med **microsoft-purview-governance.md** for klassifisering/lineage og **data-versioning-lineage.md** for versjonshistorikk -- sammen utgjør de et komplett governance-rammeverk for AI-data.