docs(architect): weekly KB update — 106 files refreshed (2026-04)

Updates across all 5 skills: ms-ai-advisor, ms-ai-engineering,
ms-ai-governance, ms-ai-security, ms-ai-infrastructure.

Key changes:
- Language Services (Custom Text Classification, Text Analytics, QnA):
  retirement warning 2029-03-31, migration guides to Foundry/GPT-4o
- Agentic Retrieval: 50M free reasoning tokens/month (Public Preview)
- Computer Use: Claude Sonnet 4.5 (preview) + OpenAI CUA models
- Agent Registry: Risks column (M365 E7), user-shared/org-published types
- Declarative agents: schema v1.5 → v1.6, Store validation requirements
- MLflow 3: 13 built-in LLM judges, production monitoring, Genie Code
- AG-UI HITL: ApprovalRequiredAIFunction (C#) + @tool(approval_mode) (Python)
- Entra ID Ignite 2025: Agent ID Admin/Developer RBAC roles, Conditional Access
- Security Copilot: 400 SCU/month per 1000 M365 E5 licenses, auto-provisioned
- Fast Transcription API: phrase lists, 14-language multi-lingual transcription
- Azure Monitor Workbooks: Bicep support, RBAC specifics
- Power Platform Copilot: data residency (Norway/Europe → EU DB, Bing → USA)
- RAG security-rbac: 4-approach table (GA + 3 preview access control methods)
- IaC MLOps: Well-Architected OE:05 principles, Bicep/Terraform patterns
- Translator: image file batch translation Preview (JPEG/PNG/BMP/WebP)

All 106 files: Last updated 2026-04 | Verified: MCP 2026-04

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

skills/ms-ai-advisor/references/prompt-engineering/few-shot-learning-techniques.md

@@ -1,6 +1,6 @@
 # Few-Shot and Zero-Shot Learning Techniques
 
-**Last updated:** 2026-02
+**Last updated:** 2026-04 | Verified: MCP 2026-04
 **Status:** GA
 **Category:** Prompt Engineering & LLM Optimization
 
@@ -10,7 +10,7 @@
 
 Few-shot og zero-shot learning er grunnleggende teknikker i prompt engineering som endrer hvordan språkmodeller tilpasser seg nye oppgaver uten permanent modelltrening. Zero-shot learning utfører oppgaver basert kun på instruksjoner, mens few-shot learning bruker eksempler (input-output par) for å "prime" modellen til ønsket oppførsel. Begge teknikkene opererer via in-context learning — modellen endres ikke permanent, men eksemplene påvirker kun gjeldende inference. Disse metodene er sentrale for Azure OpenAI Service, Copilot Studio og Microsoft Agent Framework.
 
-**Verifikasjonsgrad:** Verified (MCP microsoft-learn, januar 2026)
+**Verifikasjonsgrad:** Verified (MCP microsoft-learn, januar 2026, re-verified april 2026)
 
 ---
 
@@ -40,6 +40,10 @@ messages = [
 - Modellen "gjetter" ønsket format
 - Mindre pålitelig for domene-spesifikke oppgaver
 
+**To primære bruksområder for zero-shot (Verified .NET AI docs, MCP 2026-04):**
+1. **Fine-tunede LLM-er**: Fungerer godt med modeller som allerede er trent på instruksjonsdatasett
+2. **Etablere performance baselines**: Simuler reell brukeratferd → evaluer accuracy/precision → eksperimenter deretter med few-shot
+
 ### One-Shot Learning
 
 **Definisjon:** Én eksempel-par (input + output) i promptet.
@@ -92,6 +96,15 @@ response = client.chat.completions.create(
 - Eksemplene "konditionerer" modellen for gjeldende inference
 - Demonstrerer edge cases og ønsket tone
 
+**To primære bruksområder for few-shot (Verified .NET AI docs, MCP 2026-04):**
+1. **Tuning av LLM**: Legger til kunnskap og kan forbedre performance. Produserer flere tokens enn zero-shot — kan bli kostbart.
+2. **Fikse performance-problemer**: Bruk zero-shot for baseline → eksperimenter med few-shot basert på svake punkter → iterer
+
+**Caveats (Verified .NET AI docs):**
+- Fungerer dårlig for komplekse resonneringsoppgaver — legg til instruksjoner for å motvirke dette
+- Lange few-shot prompts øker latency og kostnad; det er en grense for prompt-lengde
+- Med mange eksempler kan modellen lære falske mønstre (f.eks. "sentiment er dobbelt så ofte positivt som negativt")
+
 ---
 
 ## Arkitekturmønstre
@@ -504,9 +517,9 @@ User Query
    - https://learn.microsoft.com/en-us/azure/ai-foundry/openai/how-to/chatgpt
    - Seksjon: Few-shot learning with chat completion
 
-3. **Zero-shot and few-shot learning** (.NET)
+3. **Zero-shot and few-shot learning** (.NET AI conceptual) (Re-verified MCP 2026-04)
    - https://learn.microsoft.com/en-us/dotnet/ai/conceptual/zero-shot-learning
-   - Primære use cases, performance baselines
+   - Primære use cases, performance baselines, caveats (false patterns, token limits, reasoning gaps)
 
 4. **Chat Markup Language ChatML**
    - https://learn.microsoft.com/en-us/azure/ai-foundry/openai/how-to/chat-markup-language