fix(ms-ai-architect): G7 idx 26 lukket — scorecard-segmenter rettet, dashboard-komponenter merket

Error analysis og Counterfactual analysis sto som item 4/5 i 'Komponenter i
Scorecard'. Begge kilder hentet live denne okten og bekrefter malingen
uavhengig av 9.6: how-to-responsible-ai-scorecard enumererer summary/model
overview, data analysis, model performance, cohorts, top important factors,
fairness insights og causal insights; concept-responsible-ai-dashboard lister
Error analysis og Counterfactual what-if som *dashboard*-komponenter.

Form (b), operatorratifisert: relabel framfor fjerning. Lista renummererer
rent til 1-5 — 1,2,3,4,6,7-artefakten var tvungen kun inne i delete-only-
konvolutten, ikke for en ordinaer Edit. De to kapabilitetene beholdes i et
sitatblokk eksplisitt merket som dashboard-komponenter, sa kildebekreftet
informasjon overlever og leseren advares mot nettopp den forvekslingen som
skapte defekten. Lokator 2: Risk assessment-raden leser na 'fairness insights'.

Confidence-stempelet tolv linjer under vouchet for den falske lista og la
utenfor enhver maskinsjekk (V1/V2/V2b/V3 er strenginvarianter; check-g7-queue
tester kun ankere). Beholdt, men datert 2026-08-03 for a fore re-verifiseringen.
Dokument-koherens lest etter editen (c569bdc-laerdommen).

Nabodefekt funnet av filsveipet bokfort separat som idx-26b, ikke foldet inn:
'Quantitative analyses' attribueres til Scorecard, men er en Model Card-seksjon
(samme fil, linje 77) — kryss-attribuering mellom to standarder.

Suite 1047/1047.

[skip-docs]

skills/ms-ai-governance/references/responsible-ai/transparency-documentation-standards.md

@@ -114,10 +114,10 @@ PDF-rapport designet for å dele model- og data-innsikter mellom tekniske og ikk
 1. **Model overview**: Architecture, training data, intended use
 2. **Fairness assessment**: Performance disparities across sensitive groups (gender, ethnicity, age)
 3. **Model interpretability**: Feature importance (global/local explanations)
-4. **Error analysis**: Error rates per cohort, confusion matrices
-5. **Counterfactual analysis**: What-if scenarios (e.g., "loan approved if income +10k")
-6. **Causal inference**: Causal vs correlational relationships i features
-7. **Data quality**: Dataset statistics, missing values, outlier analysis
+4. **Causal inference**: Causal vs correlational relationships i features
+5. **Data quality**: Dataset statistics, missing values, outlier analysis
+
+> **Ikke scorecard-segmenter:** Error analysis og Counterfactual analysis er komponenter i Responsible AI *dashboard*, ikke segmenter i scorecard-PDF-en. Scorecard-en eksporterer innsikter fra dashboard-et, men de to komponentene har ingen egne segmenter i PDF-rapporten.
 
 **Customization:**
 - Target values: Akseptabel accuracy, max error rate per subgroup
@@ -126,7 +126,7 @@ PDF-rapport designet for å dele model- og data-innsikter mellom tekniske og ikk
 
 **Status:** Public preview (Azure ML) — anbefalt for production use med awareness om SLA-limitations.
 
-**Confidence:** Verified (MCP: microsoft-learn)
+**Confidence:** Verified (MCP: microsoft-learn, 2026-08-03)
 
 ---
 
@@ -297,7 +297,7 @@ Trenger du auditability for compliance?
 |----------------|----------------|
 | **Documentation av intended purpose** | Transparency Note: "Capabilities" + "Evaluating and integrating" |
 | **Description of system architecture** | Transparency Note: "The basics of [system]" |
-| **Risk assessment** | Responsible AI Scorecard: Error analysis, fairness assessment |
+| **Risk assessment** | Responsible AI Scorecard: fairness insights |
 | **Human oversight measures** | Transparency Note: "System performance" (review interventions) |
 | **Accuracy metrics** | Responsible AI Scorecard: Quantitative analyses |
 | **Data governance** | Datasheet + Azure Purview lineage tracking |