feat(ms-ai-architect): Spor 1 — Port-1-substrat migrert på 4 ikke-advisor-skills (243 Source + 327 Type + 325 TOC + stale-verified poison fjernet) [skip-docs]

Steg 9 (R4): unified migrate-corpus.mjs --write over engineering/governance/ infrastructure/security. 327 filer mutert, verified=null, prosa byte-identisk (fra første ## seksjon), advisor urørt (0 endringer). To applier-fixes oppdaget under kjøring (TDD, RED→GREEN): - insertHeaderFields: anker faller nå tilbake når en meta-linje selv passerer 500B (2 filer pakket et avsnitt i **Status:** → Type/Source landet utenfor scan-vinduet, applierens post-write-assertion fanget + restaurerte). - normalizeStaleVerified: fjerner nå ALLE stale non-date **Verified:** i 500B-vinduet, inkl. stray body-dup rett under --- (9 mlops-genaiops-filer var ellers falskt "verified"/fresh, droppet fra worklist). Operatør-godkjent utvidelse av carve-out; kun stray metadata-linjer, aldri prosa. test-transform-criterion: precondition oppdatert til post-migrasjons-sannhet (fila bærer nå Source). Suite 728/728 grønn.
2026-07-04 10:19:11 +02:00 · 2026-07-04 10:19:11 +02:00 · ddce43d8b2
commit ddce43d8b2
parent ed92d65385
330 changed files with 4643 additions and 83 deletions
--- a/scripts/kb-update/lib/transform.mjs
+++ b/scripts/kb-update/lib/transform.mjs
@ -310,20 +310,25 @@ export function insertHeaderFields(content, meta) {
  if (needSource) toInsert.push(`**Source:** ${String(src).trim()}`);

  const lines = s.split('\n');
-  let anchorIdx = -1; // last line of the first contiguous meta run
+  let anchorIdx = -1; // last line of the first contiguous meta run that fits the window
  let titleIdx = -1; // fallback anchor for the "no meta line" dialect
  let cum = 0;
  for (let i = 0; i < lines.length; i++) {
    const line = lines[i];
    if (/^##\s/.test(line) || /^---\s*$/.test(line)) break; // reached body / rule
    if (titleIdx === -1 && /^#\s+\S/.test(line)) titleIdx = i;
+    const nextCum = cum + line.length + 1; // byte offset just AFTER this line (= the insertion point)
    if (RE_META_LINE.test(line)) {
+      // Anchor after this meta line ONLY if the insertion point still fits the scan window.
+      // A meta line whose own length pushes the offset past 500B (a corpus file that packs a
+      // paragraph into **Status:**) must NOT become the anchor — otherwise the inserted field
+      // lands past the window and parseTypeHeader/parseSourceHeader miss it. Back off here.
+      if (nextCum > HEADER_REGION_BYTES) break;
      anchorIdx = i; // extend the contiguous meta run
    } else if (anchorIdx !== -1) {
      break; // first non-meta line after the run — the run is over (contiguous only)
    }
-    cum += line.length + 1;
-    if (cum > HEADER_REGION_BYTES) break; // never place fields past the scan window
+    cum = nextCum;
  }
  // "None" dialect (no bold-label meta): anchor on the title line so the fields still
  // land in the header region, before the first section. (-1 → very top if no title.)
@ -333,52 +338,59 @@ export function insertHeaderFields(content, meta) {
 }

 /**
- * Surgically strip a STALE `**Verified:**` value from a legacy KB file's header — the
- * bounded Spor 1 carve-out for the 14 files carrying `**Verified:** MCP <date>`. That
- * non-date value is read by parseVerifiedHeader as a bogus "verified" stamp, which drops
- * the file out of the full-pass worklist AND marks it falsely verified; stripping it is
- * the OPPOSITE of stamping verified. Acts ONLY on the first header-region `**Verified:**`
- * (the exact occurrence parseVerifiedHeader reads) and ONLY when its value is not a clean
- * YYYY-MM(-DD) date. It never touches anything at or below the first `---` rule, so a
- * body-duplicate survives (removing body content is NOT part of the blessed byte-identity
- * carve-out). On a pipe-delimited meta row it removes only the `**Verified:** <value>`
+ * Surgically strip STALE `**Verified:**` value(s) from a legacy KB file — the bounded
+ * Spor 1 carve-out for the 14 files carrying `**Verified:** MCP <date>`. That non-date
+ * value is read by parseVerifiedHeader as a bogus "verified" stamp, which drops the file
+ * out of the full-pass worklist AND marks it falsely verified; stripping it is the OPPOSITE
+ * of stamping verified. Acts on EVERY stale `**Verified:**` inside the 500-byte scan window
+ * (the region parseVerifiedHeader actually reads) whose value is not a clean YYYY-MM(-DD)
+ * date — including a stray duplicate sitting just below the first `---` rule, a corpus
+ * artifact (9 mlops-genaiops files) that still poisons the read once the header copy is
+ * gone. A clean date at the first scanned position stops the pass (a legitimately verified
+ * file is left alone), and anything PAST the 500-byte window is genuine body content and is
+ * never touched. On a pipe-delimited meta row it removes only the `**Verified:** <value>`
 * token plus one adjacent ` | ` separator, preserving the sibling tokens
- * (**Sist oppdatert:** etc.); on a standalone line it drops the whole line. Idempotent.
+ * (**Sist oppdatert:** etc.); on a standalone line it drops the whole line. Idempotent
+ * (each pass removes one match; a re-run finds nothing to strip).
 *
 * @param {string} content — full existing file content
- * @returns {string} content with the stale header Verified removed, or unchanged
+ * @returns {string} content with the stale in-window Verified value(s) removed, or unchanged
 */
 export function normalizeStaleVerified(content) {
-  const s = String(content ?? '');
-  const head = s.slice(0, HEADER_REGION_BYTES);
-  const m = /\*\*Verified:\*\*\s*(\S+)/i.exec(head);
-  if (!m) return s; // no header Verified
-  if (DATE_RE.test(m[1])) return s; // clean date → leave untouched
-  const matchStart = m.index; // index of "**Verified:**" in s
-  // Guard: never act at or below the first `---` rule — body content is off-limits.
-  const rule = /^---\s*$/m.exec(s);
-  if (rule && matchStart >= rule.index) return s; // defensive (parser scans header, but be sure)
+  let s = String(content ?? '');
+  // Remove every stale (non-date) **Verified:** inside the scan window. Loop because a file
+  // can carry two (header copy + stray body-dup below ---); each pass drops one, so it
+  // terminates. A clean date at the first position ends the pass — parseVerifiedHeader reads
+  // that first occurrence, so a dated first Verified means the file is legitimately verified.
+  for (;;) {
+    const head = s.slice(0, HEADER_REGION_BYTES);
+    const m = /\*\*Verified:\*\*\s*(\S+)/i.exec(head);
+    if (!m) return s; // nothing stale left in the window
+    if (DATE_RE.test(m[1])) return s; // clean date at the read position → leave untouched
+    const matchStart = m.index; // index of "**Verified:**" in s

-  const lineStart = s.lastIndexOf('\n', matchStart - 1) + 1; // 0 if no preceding newline
-  let lineEnd = s.indexOf('\n', matchStart);
-  if (lineEnd === -1) lineEnd = s.length;
-  const line = s.slice(lineStart, lineEnd);
+    const lineStart = s.lastIndexOf('\n', matchStart - 1) + 1; // 0 if no preceding newline
+    let lineEnd = s.indexOf('\n', matchStart);
+    if (lineEnd === -1) lineEnd = s.length;
+    const line = s.slice(lineStart, lineEnd);

-  if (!line.includes(' | ')) {
-    // Standalone `**Verified:** …` line — drop the whole line, including its newline.
-    const cutEnd = lineEnd < s.length ? lineEnd + 1 : lineEnd;
-    return s.slice(0, lineStart) + s.slice(cutEnd);
+    if (!line.includes(' | ')) {
+      // Standalone `**Verified:** …` line — drop the whole line, including its newline.
+      const cutEnd = lineEnd < s.length ? lineEnd + 1 : lineEnd;
+      s = s.slice(0, lineStart) + s.slice(cutEnd);
+      continue;
+    }
+    // Pipe row: remove only the `**Verified:** <value>` token + one adjacent ` | `.
+    const nextSepRel = s.slice(matchStart, lineEnd).indexOf(' | ');
+    const tokenEnd = nextSepRel === -1 ? lineEnd : matchStart + nextSepRel;
+    if (s.slice(matchStart - 3, matchStart) === ' | ') {
+      s = s.slice(0, matchStart - 3) + s.slice(tokenEnd); // drop the preceding separator
+    } else if (nextSepRel !== -1) {
+      s = s.slice(0, matchStart) + s.slice(tokenEnd + 3); // drop the following separator
+    } else {
+      s = s.slice(0, matchStart) + s.slice(tokenEnd); // degenerate — token only
+    }
  }
-  // Pipe row: remove only the `**Verified:** <value>` token + one adjacent ` | `.
-  const nextSepRel = s.slice(matchStart, lineEnd).indexOf(' | ');
-  const tokenEnd = nextSepRel === -1 ? lineEnd : matchStart + nextSepRel;
-  if (s.slice(matchStart - 3, matchStart) === ' | ') {
-    return s.slice(0, matchStart - 3) + s.slice(tokenEnd); // drop the preceding separator
-  }
-  if (nextSepRel !== -1) {
-    return s.slice(0, matchStart) + s.slice(tokenEnd + 3); // drop the following separator
-  }
-  return s.slice(0, matchStart) + s.slice(tokenEnd); // degenerate — token only
 }

 const RE_TITLE = /^#\s+\S/m;
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-365-governance-and-deployment.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-365-governance-and-deployment.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-18
 **Status:** GA (1. mai 2026)
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/copilot/microsoft-365/agent-essentials/m365-agents-blueprint

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Microsoft Agent 365 er Microsofts enterprise control plane for AI-agenter på tvers av hele Microsoft 365-økosystemet. Plattformen gir IT-administratorer sentralisert kontroll over agent-identitet, livssyklusstyring, sikkerhet og compliance for agenter bygget med Copilot Studio, Agent Builder, SharePoint eller Microsoft Agent Framework.
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-autonomy-and-control-governance.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-autonomy-and-control-governance.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/guardrails/guardrails-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Autonome AI-agenter representerer et paradigmeskifte fra deterministisk programvarelogikk til probabilistisk beslutningstaking. Når agenter får tilgang til eksterne systemer, kan modifisere data, og tar selvstendige beslutninger, introduseres operasjonelle risikoer som krever nye styringsmekanismer. Et robust governance framework balanserer autonomi mot kontroll — det lar agenter operere effektivt innenfor definerte sikkerhetssoner samtidig som kritiske handlinger undergis menneskelig godkjenning.
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-compliance-and-audit-trails.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-compliance-and-audit-trails.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Action Audit Logging](#action-audit-logging)
+- [Decision Trail Documentation](#decision-trail-documentation)
+- [Retention Policies](#retention-policies)
+- [Regulatory Alignment](#regulatory-alignment)
+- [Compliance Reporting](#compliance-reporting)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Compliance og revisjonsspor for AI-agenter er ikke lenger en "nice-to-have" -- det er et regulatorisk krav under EU AI Act, GDPR, og nasjonale regelverk som den norske Forvaltningsloven. Organisasjoner må dokumentere hva agenter gjør, hvilke data de aksesserer, hvilke beslutninger de tar, og hvordan disse beslutningene kan etterprøves. Uten strukturerte revisjonsspor risikerer virksomheter regulatoriske sanksjoner og tap av tillit.
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-cost-optimization-strategies.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-cost-optimization-strategies.md
@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Model Selection per Task](#model-selection-per-task)
+- [Token Optimization for Agents](#token-optimization-for-agents)
+- [Request Deduplication](#request-deduplication)
+- [Resource Pooling](#resource-pooling)
+- [Cost Attribution per Agent](#cost-attribution-per-agent)
+- [Foundry Control Plane Kostnadsoptimalisering](#foundry-control-plane-kostnadsoptimalisering)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Kostnadsoptimalisering for agentsystemer er en strategisk nødvendighet ettersom organisasjoner skalerer fra pilot til produksjon. Agenter som involverer flere LLM-kall, RAG-retrievals og verktøyinvokasjoner kan generere betydelige kostnader -- en enkelt kompleks agentforespørsel kan involvere 3-5 modellkall med totalt 5000-20000 tokens. Uten bevisst kostnadsstyring eskalerer utgiftene raskt når brukervolum øker.
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-ecosystem-and-plugin-marketplace.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-ecosystem-and-plugin-marketplace.md
@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Plugin Discovery Mechanisms](#plugin-discovery-mechanisms)
+- [Capability Advertisement](#capability-advertisement)
+- [Dependency Management](#dependency-management)
+- [Version Compatibility](#version-compatibility)
+- [Distribution Patterns](#distribution-patterns)
+- [Governance for Agent Ecosystems](#governance-for-agent-ecosystems)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 AI-agentøkosystemer representerer en paradigme-endring fra isolerte AI-løsninger til sammenkoblede plattformer der agenter, plugins og tredjepartsintegrasjoner kan oppdages, distribueres og kombineres dynamisk. Microsoft 365 Copilot-økosystemet er det mest modne eksemplet, med en unified app-modell der agenter er apps som distribueres gjennom Microsoft 365 admin center, sideloades for testing, eller publiseres i Microsoft Commercial Marketplace.
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-evaluation-testing-frameworks.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-evaluation-testing-frameworks.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06
 **Status:** GA (Azure AI Evaluation SDK), Preview (Agent-specific evaluators)
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/observability

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Agent-baserte AI-systemer representerer en ny kompleksitet i testing og validering sammenlignet med tradisjonelle deterministic workflows. Der en enkel LLM-applikasjon kun har én inngangspunkt og ett svar, har agenter multippel tool-calling, dynamisk reasoning, multi-turn samtaler, og ikke-deterministisk oppførsel. Microsoft tilbyr et komprehensivt evalueringsrammeverk gjennom Azure AI Evaluation SDK og Microsoft Foundry som håndterer både pre-deployment testing (batch evaluation) og post-deployment monitoring (continuous evaluation).
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-feedback-and-learning-loops.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-feedback-and-learning-loops.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA / Preview (continuous evaluation)
 **Category:** Agent Orchestration & Automation
+**Type:** reference

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Human Feedback Collection](#human-feedback-collection)
+- [Continuous Evaluation med Microsoft Foundry](#continuous-evaluation-med-microsoft-foundry)
+- [Performance Monitoring og Drift-deteksjon](#performance-monitoring-og-drift-deteksjon)
+- [Retraining og Continuous Improvement](#retraining-og-continuous-improvement)
+- [Implementeringsmønstre](#implementeringsmønstre)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 AI-agenter i produksjon er ikke statiske systemer -- de krever kontinuerlig forbedring basert på reell brukerinteraksjon og ytelsesdata. Feedback-loops er mekanismene som fanger opp signaler fra brukere, evaluatorer og systemmetrikker, og kanaliserer disse tilbake til agentens konfigurasjon, prompts og underliggende modeller. Uten strukturerte feedback-loops degraderer agentytelse over tid ettersom brukerforventninger, datakilder og forretningsregler endres.
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-latency-optimization.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-latency-optimization.md
@ -3,9 +3,25 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Latency-anatomi for agentsystemer](#latency-anatomi-for-agentsystemer)
+- [Response Streaming](#response-streaming)
+- [Request Batching](#request-batching)
+- [Prefetching Strategies](#prefetching-strategies)
+- [Semantic Caching med APIM](#semantic-caching-med-apim)
+- [Async-Awaitable Patterns](#async-awaitable-patterns)
+- [Model Selection for Latency](#model-selection-for-latency)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Responstid er en kritisk kvalitetsfaktor for AI-agenter. Brukere forventer sub-sekund initial respons og fullstendige svar innen få sekunder. I multi-agent-systemer akkumuleres latency gjennom hver orkestreringsbeslutning, modellkall, verktøyinvokasjon og data-retrieval. Uten bevisst optimalisering kan en agent som involverer 3-4 LLM-kall raskt nå 15-30 sekunders total responstid, noe som er uakseptabelt for interaktive scenarier.
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-memory-and-context-management.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-memory-and-context-management.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24 | Verified: MCP 2026-06
 **Status:** GA (Managed Memory in Foundry Agent Service: Preview)
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/agents/concepts/what-is-memory

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Agent memory og context management er grunnleggende for å bygge AI-agenter som leverer personaliserte, kontekstbevisste opplevelser over tid. Uten minnehåndtering er alle Large Language Models (LLMs) stateless — hver interaksjon starter fra blanke ark, uten kjennskap til tidligere samtaler eller brukerpreferanser.
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-monitoring-observability.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-monitoring-observability.md
@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA / Preview (Agent 365)
 **Category:** Agent Orchestration & Automation
+**Type:** reference

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Distributed Tracing for Agents](#distributed-tracing-for-agents)
+- [Agent Event Logging](#agent-event-logging)
+- [Performance Profiling](#performance-profiling)
+- [Error Categorization](#error-categorization)
+- [Debugging Tools](#debugging-tools)
+- [Observability SDK Integration](#observability-sdk-integration)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Observability for agentsystemer går utover tradisjonell applikasjonsovervåking. Agenter opererer probabilistisk, tar dynamiske beslutninger, og produserer ulike outputs for identiske inputs. Denne ikke-deterministiske naturen krever spesialiserte overvåkingsverktøy som fanger ikke bare ytelsesmetrikker, men også beslutningsprosesser, verktøybruk, prompt-respons-par og evalueringskvalitet.
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-routing-and-specialization.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-routing-and-specialization.md
@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Intent Classification Routing](#intent-classification-routing)
+- [Agent Capability Matching](#agent-capability-matching)
+- [Semantic Kernel Handoff Pattern](#semantic-kernel-handoff-pattern)
+- [Load Balancing Strategies](#load-balancing-strategies)
+- [Fallback Routing](#fallback-routing)
+- [Specialization Hierarchies](#specialization-hierarchies)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Intelligent routing mellom spesialiserte agenter er en av de mest kritiske arkitekturbeslutningene i multi-agent-systemer. Istedenfor å bygge en "god nok til alt"-agent, deler man ansvarsområder mellom spesialiserte agenter som hver mestrer sitt domene. En router-agent eller orkestrator analyserer innkommende forespørsler og dirigerer dem til riktig spesialist basert på intent-klassifisering, kontekstuell matching og kapabilitets-deklarasjoner.
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-security-threat-modeling.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-security-threat-modeling.md
@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Agent Prompt Injection](#agent-prompt-injection)
+- [Tool Abuse Prevention](#tool-abuse-prevention)
+- [Credential Handling](#credential-handling)
+- [Data Exfiltration Risks](#data-exfiltration-risks)
+- [Agent Impersonation Attacks](#agent-impersonation-attacks)
+- [Red Teaming](#red-teaming)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 AI-agenter introduserer unike sikkerhetstrusler som ikke finnes i tradisjonelle applikasjoner. Agenter tar dynamiske beslutninger basert på brukerinput, har ofte brede tilganger til systemer og data, og deres probabilistiske natur gjør atferden vanskelig å forutsi fullstendig. Angrepsflaten utvides betydelig: prompt injection kan manipulere agentens oppførsel, verktøymisbruk kan utnyttes til uautoriserte handlinger, og agent-til-agent-kommunikasjon kan spre kompromittering gjennom systemet.
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-a2a-protocol.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-a2a-protocol.md
@ -3,9 +3,27 @@
 **Last updated:** 2026-06-18 | Verified: 2026-06-18
 **Status:** Stabil (protokollspesifikasjon v1.0) / Preview (Microsofts A2A-SDK + Agent Framework A2A-pakker)
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/agents/concepts/agent-to-agent-authentication

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Protokolldesign](#protokolldesign)
+- [Agent Cards — Discovery og Kapabilitetsannonsering](#agent-cards--discovery-og-kapabilitetsannonsering)
+- [Task-livssyklus](#task-livssyklus)
+- [A2A vs MCP — Komplementære Protokoller](#a2a-vs-mcp--komplementære-protokoller)
+- [Microsoft-implementasjoner](#microsoft-implementasjoner)
+- [Sikkerhet](#sikkerhet)
+- [Multi-vendor Interoperabilitet](#multi-vendor-interoperabilitet)
+- [Norsk Offentlig Sektor](#norsk-offentlig-sektor)
+- [For Cosmo — Beslutningsveiledning](#for-cosmo--beslutningsveiledning)
+- [Arkitekturmønster](#arkitekturmønster)
+- [Installasjon og SDK-er](#installasjon-og-sdk-er)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Agent2Agent (A2A) er en åpen standardprotokoll for kommunikasjon og samarbeid mellom autonome AI-agenter på tvers av rammeverk, leverandører og organisasjonsgrenser. Protokollen ble lansert av Google i april 2025 og donert til Linux Foundation i juni 2025, der den nå forvaltes som et nøytralt open source-prosjekt.
--- a/skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-communication.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/agent-to-agent-communication.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-04 | Verified: MCP 2026-04
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/semantic-kernel/frameworks/agent/agent-orchestration

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Agent-to-agent communication i Microsoft-økosystemet handler om å få autonome AI-agenter til å samarbeide på tvers av plattformer, rammeverk og organisasjonsgrenser. I stedet for å bygge én monolittisk agent som kan alt, kan du orkestrere flere spesialiserte agenter som kommuniserer strukturert og sikkert.
--- a/skills/ms-ai-engineering/references/agent-orchestration/autonomous-workflow-automation-patterns.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/autonomous-workflow-automation-patterns.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/azure-functions/durable/durable-functions-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Autonomous Workflow Automation representerer et paradigmeskift i hvordan organisasjoner bygger intelligente arbeidsprosesser. Der tradisjonelle workflows krever eksplisitt programmering av hvert steg, tillater autonome workflows at AI-agenter tar beslutninger, tilpasser seg kontekst, og orkestrerer komplekse oppgaver med minimal menneskelig intervensjon.
--- a/skills/ms-ai-engineering/references/agent-orchestration/computer-using-agents-cua.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/computer-using-agents-cua.md
@ -3,9 +3,29 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** Copilot Studio — GA (2026-05-07); Foundry Agent Service — Preview (sep 2025)
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/microsoft-copilot-studio/guidance/agent-tools

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Hva er CUA?](#hva-er-cua)
+- [Hvordan det fungerer](#hvordan-det-fungerer)
+- [Copilot Studio-integrasjon](#copilot-studio-integrasjon)
+- [Foundry Agent Service](#foundry-agent-service)
+- [Browser Automation (Playwright) — relatert kapabilitet](#browser-automation-playwright--relatert-kapabilitet)
+- [Bruksområder](#bruksområder)
+- [Begrensninger](#begrensninger)
+- [Sikkerhetsmodell](#sikkerhetsmodell)
+- [CUA vs RPA — Sammenligning](#cua-vs-rpa--sammenligning)
+- [Status og tilgjengelighet](#status-og-tilgjengelighet)
+- [Norsk offentlig sektor — Relevans](#norsk-offentlig-sektor--relevans)
+- [For Cosmo: Beslutningsveiledning](#for-cosmo-beslutningsveiledning)
+- [Kostnadsestimat](#kostnadsestimat)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Computer-Using Agents (CUA) er en ny klasse AI-agenter som automatiserer oppgaver ved å **se på skjermbilder og betjene mus og tastatur** — akkurat som et menneske. I motsetning til tradisjonell automatisering, der agenten kaller API-er eller bruker forhåndsskrevne skript, kan CUA operere på *ethvert* system med et grafisk grensesnitt (GUI), inkludert legacysystemer uten API-støtte.
--- a/skills/ms-ai-engineering/references/agent-orchestration/copilot-agent-integration-patterns.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/copilot-agent-integration-patterns.md
@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Copilot Studio Agent Binding](#copilot-studio-agent-binding)
+- [Message Format Adaptation](#message-format-adaptation)
+- [Capability Exposure](#capability-exposure)
+- [User Context Passing](#user-context-passing)
+- [Session Management](#session-management)
+- [Declarative vs Custom Engine Integration](#declarative-vs-custom-engine-integration)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Integrasjon av agenter med Microsoft Copilot-økosystemet -- Copilot Studio, Microsoft 365 Copilot og Copilot Chat -- gir agenter tilgang til millioner av brukere gjennom kjente grensesnitt i Teams, Outlook, Word og andre Microsoft 365-applikasjoner. Denne integrasjonen utnytter Copilots orkestrator, grunnmodeller og sikkerhetstjenester, slik at agenter arver enterprise-grade compliance, RAI-standarder og governance uten ekstra utviklingsarbeid.
--- a/skills/ms-ai-engineering/references/agent-orchestration/declarative-vs-imperative-agent-design.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/declarative-vs-imperative-agent-design.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Declarative Agent Benefits](#declarative-agent-benefits)
+- [Code-First Flexibility](#code-first-flexibility)
+- [Migration Paths](#migration-paths)
+- [Hybrid Approaches](#hybrid-approaches)
+- [Skill Abstraction Levels](#skill-abstraction-levels)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Valget mellom deklarativ og imperativ agentdesign er en av de mest grunnleggende arkitekturbeslutningene for AI-agenter i Microsoft-økosystemet. Deklarative agenter konfigurerer atferd gjennom manifest-filer, instruksjoner og kunnskapskilder -- orkestratoren håndterer resonnering og utførelse. Imperative (code-first) agenter gir full kontroll over prompt engineering, orkestrering, verktøybruk og feilhåndtering gjennom eksplisitt kode.
--- a/skills/ms-ai-engineering/references/agent-orchestration/foundry-agent-service-ga.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/foundry-agent-service-ga.md
@ -3,6 +3,8 @@
 **Last updated:** 2026-06-18 (currency-verifisert mot Learn)
 **Status:** GA — **ny agent-modell** (Prompt agents GA + Hosted agents preview)
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/agents/overview

 > **VIKTIG currency-korreksjon (verifisert 2026-06-18 mot learn.microsoft.com/azure/foundry/agents/overview):**
 > Dagens GA-modell for Foundry Agent Service har to agenttyper:
@ -15,6 +17,23 @@

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Hva er Foundry Agent Service?](#hva-er-foundry-agent-service)
+- [GA-modell og feature-status (per 2026-06)](#ga-modell-og-feature-status-per-2026-06)
+- [Kjernefunksjoner](#kjernefunksjoner)
+- [Agenttyper og verktøy](#agenttyper-og-verktøy)
+- [Multi-agent mønstre](#multi-agent-mønstre)
+- [Integrasjon med Semantic Kernel](#integrasjon-med-semantic-kernel)
+- [Prising](#prising)
+- [Regional tilgjengelighet](#regional-tilgjengelighet)
+- [Enterprise-sikkerhet og governance](#enterprise-sikkerhet-og-governance)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [For Cosmo: Beslutningsveiledning](#for-cosmo-beslutningsveiledning)
+- [Grenser og kvoter](#grenser-og-kvoter)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Foundry Agent Service er Microsofts fullt administrerte runtime for å bygge, deploye og skalere AI-agenter i produksjon. Tjenesten nådde General Availability (GA) 19. mai 2025 og er nå kjernen i Microsoft Foundry-plattformen.
--- a/skills/ms-ai-engineering/references/agent-orchestration/foundry-workflows-visual-orchestration.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/foundry-workflows-visual-orchestration.md
@ -3,9 +3,27 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** Public Preview (announced MS Ignite november 2025)
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/agents/concepts/workflow

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Visuell Designer](#visuell-designer)
+- [Node-typer](#node-typer)
+- [Orkestreringsmønstre (Maler)](#orkestreringsmønstre-maler)
+- [Feilhåndtering](#feilhåndtering)
+- [Power Fx for Betingelser og Datatransformasjon](#power-fx-for-betingelser-og-datatransformasjon)
+- [Integrasjon med Foundry Agent Service og MCP](#integrasjon-med-foundry-agent-service-og-mcp)
+- [Foundry Workflows vs. Logic Apps vs. Power Automate](#foundry-workflows-vs-logic-apps-vs-power-automate)
+- [Deployment: API-endepunkter, Versjonering og A/B-testing](#deployment-api-endepunkter-versjonering-og-ab-testing)
+- [Overvåking: Tracing, Tokenbruk og Latensmetrikker](#overvåking-tracing-tokenbruk-og-latensmetrikker)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [For Cosmo: Beslutningsveiledning](#for-cosmo-beslutningsveiledning)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Foundry Workflows er den visuelle orkestreringsdesigneren i Microsoft Foundry (Microsoft Foundry) for å bygge, teste og deploye multi-agent-prosesser uten å skrive orkestreringslogikk for hånd. Annonsert i Public Preview på Microsoft Ignite november 2025, er Workflows bygget på toppen av **Microsoft Agent Framework** og tilbyr en drag-and-drop-kanvas kombinert med YAML-definisjon for team som vil ha en visuell designopplevelse med pro-code-flukt.
--- a/skills/ms-ai-engineering/references/agent-orchestration/multi-agent-orchestration-patterns.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/multi-agent-orchestration-patterns.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/agent-framework/user-guide/workflows/orchestrations/overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Multi-agent orchestration representerer en fundamental arkitektonisk tilnærming for å håndtere komplekse AI-oppgaver gjennom koordinering av flere spesialiserte agenter. I stedet for å bygge én monolittisk agent med mange verktøy og kunnskapsbaser, deler multi-agent-systemer problemet i mindre, spesialiserte enheter som kan samarbeide, parallellisere eller sekvensielt prosessere oppgaver.
--- a/skills/ms-ai-engineering/references/agent-orchestration/multi-tenant-agent-isolation.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/multi-tenant-agent-isolation.md
@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Isolasjonsmodeller for Azure OpenAI](#isolasjonsmodeller-for-azure-openai)
+- [Tenant Data Isolation](#tenant-data-isolation)
+- [Permission Enforcement](#permission-enforcement)
+- [Audit Segregation](#audit-segregation)
+- [Cross-Tenant Attack Prevention](#cross-tenant-attack-prevention)
+- [Resource Quotas](#resource-quotas)
+- [Norsk offentlig sektor](#norsk-offentlig-sektor)
+- [Beslutningsrammeverk](#beslutningsrammeverk)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Multi-tenant agentarkitektur er en fundamental utfordring for organisasjoner som tilbyr AI-agenter til flere kunder, avdelinger eller forretningsenheter. Korrekt isolasjon sikrer at data, konfigurasjoner og agentoppførsel ikke lekker mellom tenants, samtidig som man opprettholder kostnadseffektivitet og skalerbarhet.
--- a/skills/ms-ai-engineering/references/agent-orchestration/semantic-kernel-agents-implementation.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/semantic-kernel-agents-implementation.md
@ -3,11 +3,25 @@
 **Last updated:** 2026-06-18 | Verified: 2026-06-18
 **Status:** GA — Microsoft Agent Framework 1.0 (3. apr 2026), orchestration patterns GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/agent-framework/overview/agent-framework-overview

 > **Produksjonsklart rammeverk (juni 2026):** Microsoft Agent Framework (MAF) 1.0 nådde GA 3. april 2026 og er det produksjonsklare, open-source rammeverket (.NET + Python) som Semantic Kernel og AutoGen har konvergert inn i. SK og AutoGen er nå i vedlikeholds-/migrasjonsmodus (migration guides finnes); ny utvikling bør bygge på MAF. De fem orkestreringsmønstrene — Sequential, Concurrent, Handoff, Group Chat og Magentic — er **stabile (GA)** i MAF 1.0 med streaming, checkpointing, human-in-the-loop og pause/resume.

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stacken](#integrasjon-med-microsoft-stacken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og Lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Semantic Kernel Agent Framework og Microsoft Agent Framework representerer neste generasjon av agentic AI-utvikling på Microsoft-stacken. Semantic Kernel Agent Framework bygger på det etablerte Semantic Kernel-økosystemet og utvider det med multi-agent orchestration patterns, mens Microsoft Agent Framework forener kapabilitetene fra Semantic Kernel og AutoGen i ett unified framework.
--- a/skills/ms-ai-engineering/references/agent-orchestration/tool-use-and-function-calling-patterns.md
+++ b/skills/ms-ai-engineering/references/agent-orchestration/tool-use-and-function-calling-patterns.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** Agent Orchestration & Automation
+**Type:** reference
+**Source:** https://learn.microsoft.com/semantic-kernel/frameworks/agent/agent-functions

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Function calling og tool use er fundamentale mekanismer som lar AI-agenter utvide sine kapabiliteter utover ren språkgenerering. Ved å kalle predefinerte funksjoner kan agenter hente data fra eksterne kilder, utføre beregninger, oppdatere databaser, og samhandle med andre systemer — alt på en kontrollert og sikker måte.
--- a/skills/ms-ai-engineering/references/api-management/apim-ai-gateway-overview.md
+++ b/skills/ms-ai-engineering/references/api-management/apim-ai-gateway-overview.md
@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekonsepter i Azure API Management](#kjernekonsepter-i-azure-api-management)
+- [AI Gateway-kapabiliteter](#ai-gateway-kapabiliteter)
+- [Arkitekturmønstre for AI Gateway](#arkitekturmønstre-for-ai-gateway)
+- [Governance og organisatorisk styring](#governance-og-organisatorisk-styring)
+- [Bicep-deployment: AI Gateway](#bicep-deployment-ai-gateway)
+- [Policy-pipeline for AI Gateway](#policy-pipeline-for-ai-gateway)
+- [Relevante referansearkitekturer](#relevante-referansearkitekturer)
+- [Hensyn for norsk offentlig sektor](#hensyn-for-norsk-offentlig-sektor)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Azure API Management (APIM) har utviklet seg fra en tradisjonell API-gateway til en fullverdig AI-gateway som gir organisasjoner sentral kontroll over alle generative AI-tjenester. For norsk offentlig sektor, der mange etater deler Azure OpenAI-instanser på tvers av avdelinger og prosjekter, er APIM den anbefalte tilnærmingen for å sikre styring, kostnadsfordeling og sikkerhet.
--- a/skills/ms-ai-engineering/references/api-management/apim-authentication-oauth-managed-identity.md
+++ b/skills/ms-ai-engineering/references/api-management/apim-authentication-oauth-managed-identity.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/backends

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Azure AD Integration](#azure-ad-integration)
+- [OAuth 2.0 Flows](#oauth-20-flows)
+- [Managed Identity](#managed-identity)
+- [Client Certificate Authentication](#client-certificate-authentication)
+- [API Key Rotation](#api-key-rotation)
+- [Defense-in-Depth Mønster](#defense-in-depth-mønster)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Autentisering og autorisering er grunnleggende for å sikre AI-tjenester som eksponeres gjennom Azure API Management. Når organisasjoner bygger ut sin AI-plattform med Azure OpenAI, er det kritisk at kun autoriserte applikasjoner og brukere får tilgang, at API-nøkler ikke lekker, og at tilgang kan spores og revideres. APIM tilbyr flere autentiseringsmekanismer som kan kombineres for defense-in-depth.
--- a/skills/ms-ai-engineering/references/api-management/apim-azure-front-door-ai.md
+++ b/skills/ms-ai-engineering/references/api-management/apim-azure-front-door-ai.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/frontdoor/front-door-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Global lastdistribusjon](#global-lastdistribusjon)
+- [DDoS-beskyttelse](#ddos-beskyttelse)
+- [Web Application Firewall](#web-application-firewall)
+- [Edge Caching](#edge-caching)
+- [Geografisk ruting](#geografisk-ruting)
+- [Kostnadsestimat for Front Door + APIM](#kostnadsestimat-for-front-door--apim)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Nar organisasjoner ruller ut AI-tjenester globalt eller trenger ekstra beskyttelse og ytelsesoptimalisering, er kombinasjonen av Azure Front Door og Azure API Management en kraftig arkitektur. Azure Front Door gir global HTTP(S)-lastbalansering, DDoS-beskyttelse, Web Application Firewall (WAF), edge caching og TLS-offloading -- alt foran APIM som haandterer AI-spesifikk policy-haaandheving, token-ratebegrensning og backend-lastbalansering.
--- a/skills/ms-ai-engineering/references/api-management/apim-vs-direct-access-comparison.md
+++ b/skills/ms-ai-engineering/references/api-management/apim-vs-direct-access-comparison.md
@ -3,9 +3,25 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Gateway Overhead Analysis](#gateway-overhead-analysis)
+- [Security Posture Comparison](#security-posture-comparison)
+- [Governance Requirements](#governance-requirements)
+- [Cost per Request](#cost-per-request)
+- [Organizational Scale Factors](#organizational-scale-factors)
+- [Migrasjonsvei: Direkte → APIM](#migrasjonsvei-direkte--apim)
+- [Hybrid-tilnærminger](#hybrid-tilnærminger)
+- [Well-Architected Framework Perspektiv](#well-architected-framework-perspektiv)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 En av de første arkitekturbeslutningene ved implementering av Azure OpenAI er om applikasjoner skal koble seg direkte til Azure OpenAI-endepunktene, eller om trafikken skal gå gjennom en gateway som Azure API Management. Svaret avhenger av organisasjonens størrelse, sikkerhetskrav, antall applikasjoner og modelldeployments, samt behovet for sentral styring og observerbarhet.
--- a/skills/ms-ai-engineering/references/api-management/backend-pool-management.md
+++ b/skills/ms-ai-engineering/references/api-management/backend-pool-management.md
@ -3,9 +3,24 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Backend Configuration](#backend-configuration)
+- [Load-Balanced Backend Pools](#load-balanced-backend-pools)
+- [Health Probe Policies](#health-probe-policies)
+- [Custom Health Checks](#custom-health-checks)
+- [Timeout and Retry Logic](#timeout-and-retry-logic)
+- [Pool Metrics](#pool-metrics)
+- [Best Practices](#best-practices)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Backend pool management i Azure API Management er fundamentalt for å bygge robuste AI-gateways. Når organisasjoner skalerer sin bruk av Azure OpenAI og andre LLM-tjenester, trenger de en mekanisme for å distribuere trafikk på tvers av flere backend-instanser, håndtere throttling gracefully, og sikre at feilende backends ikke påvirker sluttbrukere. APIM backend pools gir nettopp denne kapabiliteten med støtte for round-robin, vektet, prioritetsbasert og session-aware load balancing.
--- a/skills/ms-ai-engineering/references/api-management/caching-strategies-apim-ai.md
+++ b/skills/ms-ai-engineering/references/api-management/caching-strategies-apim-ai.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/caching-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Prompt-baserte caching-nokler](#prompt-baserte-caching-nokler)
+- [Semantisk deduplisering](#semantisk-deduplisering)
+- [TTL-konfigurasjon](#ttl-konfigurasjon)
+- [Cache-invalidering](#cache-invalidering)
+- [Kostnadsbesparelsesanalyse](#kostnadsbesparelsesanalyse)
+- [Caching-tjenester: Intern vs. Ekstern](#caching-tjenester-intern-vs-ekstern)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Caching er en av de mest effektive strategiene for a redusere kostnader og forbedre ytelse i AI-applikasjoner. Azure API Management tilbyr bade tradisjonell HTTP-caching og semantisk caching spesielt designet for LLM-API-er. Semantisk caching bruker embedding-vektorer for a identifisere prompts som er semantisk like -- ikke bare identiske -- og returnere cachede svar uten a kalle backend-modellen.
--- a/skills/ms-ai-engineering/references/api-management/circuit-breaker-ai-resilience.md
+++ b/skills/ms-ai-engineering/references/api-management/circuit-breaker-ai-resilience.md
@ -3,9 +3,24 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Circuit Breaker State Machine](#circuit-breaker-state-machine)
+- [Konfigurasjon](#konfigurasjon)
+- [Failure Threshold Tuning](#failure-threshold-tuning)
+- [Fallback-policies](#fallback-policies)
+- [Recovery-mekanismer](#recovery-mekanismer)
+- [Timeout-konfigurasjon](#timeout-konfigurasjon)
+- [Avanserte mønstre](#avanserte-mønstre)
+- [Anti-mønstre](#anti-mønstre)
+- [Komplett resiliens-policy](#komplett-resiliens-policy)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Circuit breaker-mønsteret er en grunnleggende resiliensmekanisme for AI-applikasjoner som kommuniserer med Azure OpenAI og andre LLM-backends. Når en backend-tjeneste blir overbelastet eller utilgjengelig, forhindrer circuit breaker at applikasjonen fortsetter å sende forespørsler som uansett vil feile. I stedet "bryter kretsen" og returnerer en feilmelding umiddelbart, slik at backend-tjenesten får tid til å gjenopprette seg.
--- a/skills/ms-ai-engineering/references/api-management/cost-tracking-apim-policies.md
+++ b/skills/ms-ai-engineering/references/api-management/cost-tracking-apim-policies.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/cost-management-billing/costs/overview-cost-management

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Token Counting from Responses](#token-counting-from-responses)
+- [Model Routing Tracking](#model-routing-tracking)
+- [Chargeback Tagging](#chargeback-tagging)
+- [Azure Cost Management Integration](#azure-cost-management-integration)
+- [Custom Metrics](#custom-metrics)
+- [FinOps Integrasjon](#finops-integrasjon)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Når organisasjoner skalerer sin bruk av Azure OpenAI og andre AI-tjenester, blir kostnadssynlighet og tildeling av kostnader til riktig avdeling, prosjekt eller team en kritisk utfordring. Azure API Management (APIM) fungerer som et naturlig punkt for å samle inn kostnadsdata fra AI-modeller gjennom policyer som fanger token-bruk, modell-informasjon og forbruker-identitet. Denne informasjonen kan deretter brukes for intern fakturering (chargeback) og kostnadsoptimalisering.
--- a/skills/ms-ai-engineering/references/api-management/developer-portal-ai-apis.md
+++ b/skills/ms-ai-engineering/references/api-management/developer-portal-ai-apis.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/developer-portal-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Portaltilpasning](#portaltilpasning)
+- [API-dokumentasjon](#api-dokumentasjon)
+- [Interaktiv testkonsoll](#interaktiv-testkonsoll)
+- [API-nokkelhondtering](#api-nokkelhondtering)
+- [Selvbetjeningsarbeidsflyt for brukere](#selvbetjeningsarbeidsflyt-for-brukere)
+- [Azure API Center: Komplementaer katalog](#azure-api-center-komplementaer-katalog)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Azure API Managements Developer Portal er en automatisk generert, fullt tilpassbar nettside for API-dokumentasjon og selvbetjening. Nar organisasjoner eksponerer AI-modeller som API-er gjennom APIM, blir Developer Portal den sentrale plattformen der utviklere oppdager tilgjengelige AI-kapabiliteter, tester modeller interaktivt, administrerer API-nokler og overvaker eget forbruk. I tillegg tilbyr Azure API Center et komplementaert API-katalogverktoy.
--- a/skills/ms-ai-engineering/references/api-management/genai-gateway-policies.md
+++ b/skills/ms-ai-engineering/references/api-management/genai-gateway-policies.md
@ -3,9 +3,24 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/concepts/jailbreak-detection

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Content Safety Integration](#content-safety-integration)
+- [Prompt Validation Policies](#prompt-validation-policies)
+- [Response Filtering](#response-filtering)
+- [Rate Limiting per Model](#rate-limiting-per-model)
+- [Audit Logging for Prompts](#audit-logging-for-prompts)
+- [Komplett GenAI Policy Stack](#komplett-genai-policy-stack)
+- [GenAI Policy Referanse](#genai-policy-referanse)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Azure API Management (APIM) inkluderer et sett med policyer spesifikt designet for generativ AI (GenAI). Disse policyene går utover tradisjonell API-gateway-funksjonalitet og adresserer unike utfordringer ved AI-workloads: content safety-modererering, prompt-validering, token-basert rate limiting, semantic caching, og audit-logging av prompts og completions. Samlet utgjør de kjernen i APIM sin AI gateway-kapabilitet.
--- a/skills/ms-ai-engineering/references/api-management/load-balancing-openai-instances.md
+++ b/skills/ms-ai-engineering/references/api-management/load-balancing-openai-instances.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Backend Pool-konsepter](#backend-pool-konsepter)
+- [Load Balancing-strategier](#load-balancing-strategier)
+- [Individual Backend-konfigurasjon](#individual-backend-konfigurasjon)
+- [Deployment Slot Selection](#deployment-slot-selection)
+- [Regional Distribution](#regional-distribution)
+- [Throttling og Retry-håndtering](#throttling-og-retry-håndtering)
+- [Komplett Bicep-eksempel](#komplett-bicep-eksempel)
+- [Overvåking og feilsøking](#overvåking-og-feilsøking)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Lastbalansering på tvers av flere Azure OpenAI-instanser er en kritisk kapabilitet for enterprise AI-arkitekturer. Azure OpenAI har begrensninger på tokens per minutt (TPM) og requests per minutt (RPM) per deployment, og én enkelt instans vil sjelden dekke behovene til en hel organisasjon. Ved å distribuere trafikk over flere instanser -- gjerne i ulike regioner -- kan organisasjoner øke total kapasitet, forbedre tilgjengelighet og optimalisere kostnader.
--- a/skills/ms-ai-engineering/references/api-management/logging-analytics-ai-traffic.md
+++ b/skills/ms-ai-engineering/references/api-management/logging-analytics-ai-traffic.md
@ -3,9 +3,24 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Application Insights-integrasjon](#application-insights-integrasjon)
+- [Custom Metrics med Token-sporring](#custom-metrics-med-token-sporring)
+- [Token Tracking](#token-tracking)
+- [Latency-overvaking](#latency-overvaking)
+- [Brukeratferdsanalyse](#brukeratferdsanalyse)
+- [Eksport til Microsoft Foundry for modellevaluering](#eksport-til-microsoft-foundry-for-modellevaluering)
+- [Personvern og compliance](#personvern-og-compliance)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Observability er fundamentalt for a drifte AI-applikasjoner i produksjon. Azure API Management tilbyr omfattende logging- og analysekapabiliteter spesielt tilpasset AI-trafikk, inkludert token-sporring, prompt/completion-logging og innebygde dashboards for LLM-bruk. Disse verktoyene lar organisasjoner spore kostnader, overvake ytelse, sikre compliance og feilsoke problemer med AI-API-er.
--- a/skills/ms-ai-engineering/references/api-management/multi-region-ai-gateway-design.md
+++ b/skills/ms-ai-engineering/references/api-management/multi-region-ai-gateway-design.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/foundry-models/concepts/deployment-types

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Global APIM Distribution](#global-apim-distribution)
+- [Region-Aware Routing](#region-aware-routing)
+- [Latency Optimization](#latency-optimization)
+- [Data Residency Compliance](#data-residency-compliance)
+- [Cross-Region Failover](#cross-region-failover)
+- [Nettverksarkitektur](#nettverksarkitektur)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Organisasjoner som bygger AI-drevne tjenester med Azure OpenAI og andre LLM-tjenester trenger en gateway-arkitektur som tåler regionale feil, minimerer latens for geografisk distribuerte brukere, og overholder krav til dataresidency. Azure API Management (APIM) med multi-region deployment gir nettopp denne kapabiliteten, og er den anbefalte tilnærmingen for enterprise AI-workloads.
--- a/skills/ms-ai-engineering/references/api-management/request-response-transformation-ai.md
+++ b/skills/ms-ai-engineering/references/api-management/request-response-transformation-ai.md
@ -3,9 +3,24 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Model-agnostiske API-schemaer](#model-agnostiske-api-schemaer)
+- [Header Rewriting](#header-rewriting)
+- [Payload-transformasjon](#payload-transformasjon)
+- [Error Response Normalization](#error-response-normalization)
+- [Versjonstranslasjon](#versjonstranslasjon)
+- [Policy Fragments for Reuse](#policy-fragments-for-reuse)
+- [Bicep: Oppsett av transformasjons-API](#bicep-oppsett-av-transformasjons-api)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Azure API Management (APIM) tilbyr over 75 innebygde policies for transformasjon av foresporsler og svar. Nar organisasjoner eksponerer AI-modeller gjennom APIM som AI gateway, blir transformasjon av request og response kritisk for a standardisere grensesnittet mellom ulike AI-backends (Azure OpenAI, Microsoft Foundry, tredjeparts LLM-er) og konsumerende applikasjoner. Ved a implementere model-agnostiske API-schemaer kan man bytte ut underliggende modeller uten a bryte klientkontrakter.
--- a/skills/ms-ai-engineering/references/api-management/security-hardening-ai-gateway.md
+++ b/skills/ms-ai-engineering/references/api-management/security-hardening-ai-gateway.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [IP-hvitelisting og -filtrering](#ip-hvitelisting-og--filtrering)
+- [Prompt Injection-forebygging](#prompt-injection-forebygging)
+- [PII-deteksjon og -maskering](#pii-deteksjon-og--maskering)
+- [Mutual TLS (mTLS)](#mutual-tls-mtls)
+- [Revisjonssporing og audit trail](#revisjonssporing-og-audit-trail)
+- [Sikkerhetssjekksliste for AI Gateway](#sikkerhetssjekksliste-for-ai-gateway)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Sikkerhet for AI-gateways krever en flerlagstilnaerming som dekker bade tradisjonelle API-sikkerhetstrusler og AI-spesifikke angrepsoverflater. Azure API Management som AI gateway tilbyr over 20 sikkerhetspolicies, fra IP-filtrering og sertifikatvalidering til AI-spesifikk innholdsmoderasjon og prompt injection-forebygging. En godt herdet AI gateway beskytter mot uautorisert tilgang, datalekkasje, prompt injection og misbruk av kostbare AI-ressurser.
--- a/skills/ms-ai-engineering/references/api-management/semantic-caching-apim.md
+++ b/skills/ms-ai-engineering/references/api-management/semantic-caching-apim.md
@ -3,9 +3,26 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Arkitektur](#arkitektur)
+- [Forutsetninger](#forutsetninger)
+- [Cache-lookup og Cache-store Policies](#cache-lookup-og-cache-store-policies)
+- [Embedding-Based Similarity](#embedding-based-similarity)
+- [Cache Invalidation Strategies](#cache-invalidation-strategies)
+- [Cost Savings Analysis](#cost-savings-analysis)
+- [Privacy Considerations](#privacy-considerations)
+- [Rate Limiting etter Cache Lookup](#rate-limiting-etter-cache-lookup)
+- [Verifisering og feilsøking](#verifisering-og-feilsøking)
+- [Komplett policy for semantic caching](#komplett-policy-for-semantic-caching)
+- [Tier-kompatibilitet](#tier-kompatibilitet)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Semantic caching i Azure API Management er en teknikk som reduserer kostnader og latens for LLM-baserte applikasjoner ved å gjenbruke tidligere genererte completions. I motsetning til tradisjonell nøkkelbasert caching, bruker semantic caching embeddings og vektorlikhet til å identifisere semantisk like prompts -- selv når ordlyden er forskjellig. "Hva er hovedstaden i Norge?" og "Hvilken by er Norges hovedstad?" gir samme cachede svar.
--- a/skills/ms-ai-engineering/references/api-management/streaming-support-apim.md
+++ b/skills/ms-ai-engineering/references/api-management/streaming-support-apim.md
@ -3,9 +3,25 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [SSE Forwarding](#sse-forwarding)
+- [Buffering Policies](#buffering-policies)
+- [Chunked Responses](#chunked-responses)
+- [Timeout Management for Streams](#timeout-management-for-streams)
+- [Client Compatibility](#client-compatibility)
+- [Logging av Streaming-requests](#logging-av-streaming-requests)
+- [Token-telling for Streaming](#token-telling-for-streaming)
+- [Komplett Streaming-policy](#komplett-streaming-policy)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Streaming av AI-responser er en nøkkelfunksjon for å levere god brukeropplevelse i chat-applikasjoner. Azure OpenAI støtter Server-Sent Events (SSE) for å streame chat completions token-for-token til klienten, noe som gir umiddelbar feedback i stedet for å vente på en komplett respons. Når Azure API Management (APIM) sitter mellom klient og Azure OpenAI, krever denne streaming-arkitekturen spesifikk konfigurasjon for å fungere korrekt.
--- a/skills/ms-ai-engineering/references/api-management/token-rate-limiting-policies.md
+++ b/skills/ms-ai-engineering/references/api-management/token-rate-limiting-policies.md
@ -3,9 +3,26 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Token-telling i APIM](#token-telling-i-apim)
+- [Policy-referanse](#policy-referanse)
+- [Counter-key-strategier](#counter-key-strategier)
+- [Rate Limit-algoritmer](#rate-limit-algoritmer)
+- [Kvoter over lengre perioder](#kvoter-over-lengre-perioder)
+- [Multi-region-hensyn](#multi-region-hensyn)
+- [Feilhåndtering og respons-headers](#feilhåndtering-og-respons-headers)
+- [Burst Allowances og Concurrency Control](#burst-allowances-og-concurrency-control)
+- [Monitorering av token-forbruk](#monitorering-av-token-forbruk)
+- [Tier-kompatibilitet](#tier-kompatibilitet)
+- [Best Practices](#best-practices)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Token-basert rate limiting er den viktigste mekanismen for å kontrollere forbruk av AI-tjenester i Azure API Management. I motsetning til tradisjonell request-basert throttling, teller APIM faktisk antall tokens som konsumeres av hver LLM-forespørsel og håndhever grenser basert på dette. Dette er essensielt for norsk offentlig sektor der flere etater og prosjekter deler Azure OpenAI-ressurser og trenger presis kostnadskontroll.
--- a/skills/ms-ai-engineering/references/api-management/versioning-ai-api-endpoints.md
+++ b/skills/ms-ai-engineering/references/api-management/versioning-ai-api-endpoints.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** API Management & AI Gateway
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/api-management/genai-gateway-capabilities

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Versjoneringsstrategier i APIM](#versjoneringsstrategier-i-apim)
+- [Avviklingsfrister (Deprecation Timelines)](#avviklingsfrister-deprecation-timelines)
+- [Modellversjonsmapping](#modellversjonsmapping)
+- [Migreringsstrategier](#migreringsstrategier)
+- [Revisjonsstyring for ikke-brytende endringer](#revisjonsstyring-for-ikke-brytende-endringer)
+- [Handtering av brytende endringer](#handtering-av-brytende-endringer)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 API-versjonering er kritisk for AI-tjenester der underliggende modeller endres hyppig, nye kapabiliteter legges til og eldre versjoner fases ut. Azure API Management tilbyr tre versjoneringsstrategier (URL-path, header og query string) samt revisjonsstyring for ikke-brytende endringer. For AI-API-er er dette spesielt utfordrende fordi modellversjoner, API-schemaer og responsformater kan endres uavhengig av hverandre.
--- a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-api-best-practices.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-api-best-practices.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/architecture/patterns/rate-limiting-pattern

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Når du bygger produksjonsklare applikasjoner med Azure AI Services (Azure OpenAI, Content Safety, Translator, Document Intelligence, Computer Vision, etc.), er robust API-design og feilhåndtering kritisk. Distribuerte skytjenester krever at applikasjoner håndterer midlertidige feil, throttling, nettverksproblemer og uventede responser på en strukturert måte.
--- a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-cost-optimization.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-cost-optimization.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/manage-costs

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Azure AI Services (tidligere Cognitive Services) tilbyr flere prismodeller for å balansere fleksibilitet, forutsigbarhet og kostnadskontroll. Valg av riktig prismodell er kritisk for både teknisk ytelse og økonomisk bærekraft. Denne referansen dekker de tre hovedprismodellene – Pay-as-you-go, Commitment Tier og Provisioned Throughput (PTU) – samt beste praksiser for kostnadsovervåking, budsjettering og optimalisering.
--- a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-enterprise-architecture.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-enterprise-architecture.md
@ -2,9 +2,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/foundry-models/concepts/deployment-types

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Azure AI Services (tidligere Cognitive Services) krever robuste enterprise-arkitekturmønstre for å sikre høy tilgjengelighet, disaster recovery og effektiv skalering i produksjonsmiljøer. Dette dokumentet dekker arkitekturmønstre for multi-region deployment, load balancing, failover og infrastrukturdesign for AI-tjenester i Microsoft-stakken.
--- a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-governance-compliance.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-governance-compliance.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/cloud-adoption-framework/scenarios/ai/platform/governance

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Data governance og compliance for Azure AI Services handler om å etablere tekniske kontroller som oversetter regulatoriske krav og organisasjonspolicyer til konkrete mekanismer for datahåndtering. Dette omfatter styring av dataaksess, prosessering, lagring, residency, retention og auditlogging.
--- a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-monitoring-logging.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-monitoring-logging.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/cost-management-billing/costs/overview-cost-management

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Monitoring, logging og diagnostikk er kritiske komponenter for å drive Azure AI-løsninger i produksjon. Azure Monitor-plattformen gir omfattende innsikt i ytelse, tilgjengelighet, kostnader og feilsituasjoner for alle Azure AI Services (tidligere Cognitive Services).
--- a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-networking-security.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-networking-security.md
@ -2,6 +2,8 @@

 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
+**Type:** reference
+**Source:** https://learn.microsoft.com/security/benchmark/azure/baselines/cognitive-services-security-baseline

 > **Navngivning 2026-04:** Microsoft har omdøpt "Azure Cognitive Services" til **"Microsoft Foundry Tools"** (eller kortform "Foundry Tools") i dokumentasjonen. API-endepunkter, RBAC-roller og ARM-ressurstyper beholder "CognitiveServices" i identifikatoren. Alle nye dokumentasjonsreferanser bruker "Foundry Tools".

@ -9,6 +11,18 @@

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Azure AI Services (tidligere Cognitive Services) tilbyr et lagdelt sikkerhetsrammeverk for nettverksisolasjon som beskytter AI-modeller, data og tjenester mot uautorisert tilgang. Private endpoints, virtual networks og service endpoints gir fleksible sikkerhetskonfigurasjoner som passer både skytilkoblede og hybrid-scenarier.
--- a/skills/ms-ai-engineering/references/azure-ai-services/ai-services-vs-foundry-tools-selection.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/ai-services-vs-foundry-tools-selection.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/manage-costs

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Microsoft tilbyr flere nivåer av AI-tjenester under paraplynavnet "Azure AI Services" (tidligere Cognitive Services). Denne guiden klargjør forskjellen mellom de tre hovedplattformene: **Foundry Tools** (individuelle AI-tjenester), **Microsoft Foundry** (plattform), og **Azure OpenAI** (generativ AI-tjeneste).
--- a/skills/ms-ai-engineering/references/azure-ai-services/azure-ai-vision-image-analysis.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/azure-ai-vision-image-analysis.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-04 | Verified: MCP 2026-04
 **Status:** GA (Generally Available)
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/python/api/overview/azure/ai-vision-imageanalysis-readme

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Azure AI Vision Image Analysis er en del av Azure AI Services og gir omfattende muligheter for å analysere visuelt innhold i bilder. Tjenesten kan ekstrahere objekter, generere bildetekster, gjenkjenne ansikter og personer, lese tekst (OCR), samt taggge bildeinnhold basert på tusenvis av gjenkjennbare objekter, vesener, scener og handlinger.
--- a/skills/ms-ai-engineering/references/azure-ai-services/azure-ai-vision-ocr-processing.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/azure-ai-vision-ocr-processing.md
@ -2,6 +2,8 @@

 **Last updated:** 2026-04 | Verified: MCP 2026-04
 **Status:** GA
+**Type:** reference
+**Source:** https://learn.microsoft.com/python/api/overview/azure/ai-vision-imageanalysis-readme

 > **Oppdatering 2026-04:** For OCR kombinert med semantisk analyse, bruk **Azure AI Content Understanding** (GA). Azure AI Vision OCR (Read API) er fortsatt det beste valget for ren tekst-ekstraksjon, men Content Understanding gir overlegent resultat for dokumenter der layout, tabeller og kontekstuell forståelse er viktig.

@ -9,6 +11,18 @@

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Azure AI Vision tilbyr optisk tegngjenkjenning (OCR) som gjør det mulig å ekstraherne synlig tekst fra bilder og dokumenter og konvertere den til strukturerte tekststrenger. OCR-tjenesten kan lese både trykt og håndskrevet tekst fra et bredt spekter av kilder – fra produktetiketter, skilt og screenshots til fakturaer, rapporter og forretningsdokumenter. Dette gjøres ved hjelp av avanserte maskinlæringsmodeller som støtter flere språk og skriftsystemer, inkludert latinske, kyrilliske, arabiske og devanagari-tegnsett.
--- a/skills/ms-ai-engineering/references/azure-ai-services/content-understanding-multimodal-analysis.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/content-understanding-multimodal-analysis.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** Preview (GA for core features, Limited Access for face description)
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/search/multimodal-search-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Azure AI Content Understanding er en generativ AI-tjeneste designet for å transformere ustrukturert multimodalt innhold – dokumenter, bilder, video og audio – til strukturert, maskinlesbar informasjon. Tjenesten kombinerer avansert innholdsekstraksjon med generative modeller for å skape skreddersydd metadata og innsikter på tvers av modaliteter.
--- a/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-custom-models.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-custom-models.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/document-intelligence/train/custom-model

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Azure AI Document Intelligence tilbyr custom models som gjør det mulig å trene egne modeller på spesifikke dokumenttyper og forretningsprosesser. Custom models kommer i to varianter: **custom template** (strukturerte skjemaer med konsistent layout) og **custom neural** (strukturerte, semi-strukturerte og ustrukturerte dokumenter med varierende layout). Med v4.0 (GA) API-en har custom neural models fått støtte for signaturdeteksjon, overlappende felter, og tabell-/celle-konfidensscoring.
--- a/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-prebuilt-models.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/document-intelligence-prebuilt-models.md
@ -2,6 +2,8 @@

 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/document-intelligence/model-overview

 > **Oppdatering 2026-04:** Azure AI Content Understanding er nå **fullt GA** og er anbefalt startpunkt for de fleste IDP-scenarier. Content Understanding dekker og utvider Document Intelligence-funksjonalitet med multimodal analyse. Velg Document Intelligence for spesifikke prebuilt-skjemaer (regnskap, ID-dokumenter, kvitteringer) der disse gir direkte verdi uten tilpasning. For generell dokumentanalyse og semantisk chunking — start med Content Understanding.

@ -9,6 +11,18 @@

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Azure AI Document Intelligence tilbyr forhåndsbyggede (prebuilt) modeller som bruker maskinlæring og Optical Character Recognition (OCR) til å ekstrakere strukturerte data fra dokumenter uten behov for trening. Disse modellene er spesialiserte for vanlige dokumenttyper som fakturaer, kvitteringer, identitetsdokumenter, skatteskjemaer og finansielle dokumenter. Modellene returnerer strukturert JSON-output med felter, konfidensgrader og posisjoner.
--- a/skills/ms-ai-engineering/references/azure-ai-services/language-services-custom-text-classification.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/language-services-custom-text-classification.md
@ -2,12 +2,26 @@

 **Last updated:** 2026-04 | Verified: MCP 2026-04
 **Status:** GA — avvikles 31. mars 2029
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/language-service/custom-text-classification/overview

 > **ADVARSEL — TJENESTE AVVIKLES:** Custom Text Classification og Custom Named Entity Recognition (NER) avvikles **31. mars 2029**. Migrer til Microsoft Foundry-modeller (prompt-basert klassifisering og NER med GPT-4o eller GPT-4.1). Se [migrasjonsveiledning](https://learn.microsoft.com/azure/ai-services/language-service/custom-text-classification/how-to/migrate-azure-openai) for detaljer.
 **Category:** Azure AI Services (Foundry Tools)

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Custom Text Classification og Custom Named Entity Recognition (NER) er to spesialiserte funksjoner i Azure Language in Foundry Tools som gjør det mulig å bygge skreddersydde maskinlæringsmodeller for tekstanalyse. Tjenestene bruker machine learning-intelligens for å klassifisere dokumenter i egendefinerte kategorier eller for å trekke ut domene-spesifikke entities fra ustrukturert tekst.
--- a/skills/ms-ai-engineering/references/azure-ai-services/language-services-question-answering.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/language-services-question-answering.md
@ -2,12 +2,27 @@

 **Last updated:** 2026-04 | Verified: MCP 2026-04
 **Status:** GA — avvikles 31. mars 2029
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/language-service/question-answering/overview

 > **ADVARSEL — TJENESTE AVVIKLES:** Custom Question Answering (CQA) avvikles **31. mars 2029**. Migrer til Microsoft Foundry-baserte løsninger: Agentic Retrieval, Azure AI Search + GPT-4o RAG-pipeline, eller AI Foundry Knowledge Retrieval. Se [migrasjonsveiledning](https://learn.microsoft.com/azure/ai-services/language-service/question-answering/how-to/migrate-qnamaker-to-question-answering) for detaljer.
 **Category:** Azure AI Services (Foundry Tools)

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Nøkkelegenskaper](#nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Custom Question Answering (CQA) er en cloud-basert Natural Language Processing (NLP)-tjeneste innenfor Azure AI Language som gjør det enkelt å bygge kunnskapsbaser for conversational AI-applikasjoner. Tjenesten lar deg automatisk ekstrahere spørsmål-og-svar-par fra FAQer, manualer, PDF-dokumenter og nettsider, og gjøre dem tilgjengelige gjennom REST APIs for chatboter, virtuelle assistenter og kundeserviceløsninger.
--- a/skills/ms-ai-engineering/references/azure-ai-services/language-services-text-analytics.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/language-services-text-analytics.md
@ -2,12 +2,26 @@

 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA (deler avvikles 2029-03-31)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/language-service/personally-identifiable-information/overview

 > **ADVARSEL — TJENESTER AVVIKLES (2029-03-31):** Sentiment Analysis, Opinion Mining og Custom Text Classification avvikles 31. mars 2029. Migrer til Microsoft Foundry-modeller. PII Detection, Key Phrase Extraction og Language Detection er ikke berørt.
 **Category:** Azure AI Services (Foundry Tools)

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Azure AI Language er en samling av forhåndsopplærte språkmodeller som gjør det mulig å utføre avansert tekstanalyse uten å bygge egne maskinlæringsmodeller. Tjenesten tilbyr flere kjernekapabiliteter for text analytics: **Sentiment Analysis** (med opinion mining), **Key Phrase Extraction**, **Named Entity Recognition (NER)**, og **Language Detection**.
--- a/skills/ms-ai-engineering/references/azure-ai-services/speech-services-speaker-recognition.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/speech-services-speaker-recognition.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA (Limited Access — registrering kreves; kun Microsoft-managed customers)
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/speech-service/speaker-recognition-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Azure Speech Services Speaker Recognition gir biometriske algorithmer som verifiserer og identifiserer talere basert på deres unike stemmesignaturer. Tjenesten besvarer spørsmålet "hvem snakker?" gjennom voice biometry som ekstraherer stemmekarakteristikker fra lydopptak.
--- a/skills/ms-ai-engineering/references/azure-ai-services/speech-services-speech-to-text.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/speech-services-speech-to-text.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/speech-service/custom-speech-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Azure Speech Services tilbyr avansert tale-til-tekst-funksjonalitet som konverterer talte ord til maskinlesbar tekst. Tjenesten støtter tre hovedmodi: **real-time transcription** for live-lyd fra mikrofon eller streaming, **fast transcription** for rask synkron transkripsjon med forutsigbar latens, og **batch transcription** for asynkron prosessering av store lydvolumer i lagring.
--- a/skills/ms-ai-engineering/references/azure-ai-services/speech-services-text-to-speech.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/speech-services-text-to-speech.md
@ -2,6 +2,8 @@

 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/speech-service/personal-voice-overview

 > **Status 2026-04:** Azure Neural TTS og Custom Neural Voice er begge bekreftet GA og aktivt vedlikeholdt. `nb-NO-PernilleNeural` og `nb-NO-FinnNeural` er de primære norske stemmene. Custom Neural Voice Pro tilbyr ytterligere tilpasning for enterprise-bruk.

@ -9,6 +11,18 @@

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Azure Speech Services sitt Text-to-Speech (TTS) API konverterer tekst til naturlig syntetisk tale ved hjelp av deep neural networks. Tjenesten er en del av Microsoft Foundry Tools og tilbyr over 400 stemmer på 140+ språk og dialekter. TTS gjør det mulig å lage applikasjoner som leser opp tekst, generere lydbøker, bygge chatbots med naturlig tale, og forbedre tilgjengelighet.
--- a/skills/ms-ai-engineering/references/azure-ai-services/translator-custom-neural-models.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/translator-custom-neural-models.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/translator/custom-translator/overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Custom Translator er en feature i Azure Translator som lar organisasjoner bygge skreddersydde Neural Machine Translation (NMT)-systemer med egne data og terminologi. Tjenesten adresserer et kjerneproblem: generelle oversettelsesmodeller håndterer ikke domene-spesifikk terminologi, bransjespråk eller organisasjonens tone-of-voice tilstrekkelig. Med Custom Translator kan bedrifter trene egne NMT-modeller som forstår deres unike ordforråd, stil og kontekst.
--- a/skills/ms-ai-engineering/references/azure-ai-services/translator-document-translation.md
+++ b/skills/ms-ai-engineering/references/azure-ai-services/translator-document-translation.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19 | Verified: MCP 2026-06-19
 **Status:** GA (General Availability) + Preview features
 **Category:** Azure AI Services (Foundry Tools)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/ai-services/translator/document-translation/overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Azure Translator er en sky-basert neural maskinoversettelsestjeneste som tilbyr både tekst- og dokumentoversettelse på tvers av over 135 språk og dialekter. Tjenesten kombinerer sanntids tekstoversettelse med avansert dokumentoversettelse som bevarer opprinnelig formatering, layout og struktur.
--- a/skills/ms-ai-engineering/references/data-engineering/cross-cloud-data-integration.md
+++ b/skills/ms-ai-engineering/references/data-engineering/cross-cloud-data-integration.md
@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/governance/external-data-sharing-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Multi-Cloud Connector Strategies](#multi-cloud-connector-strategies)
+- [Data Egress Cost Optimization](#data-egress-cost-optimization)
+- [Consistency and Synchronization Patterns](#consistency-and-synchronization-patterns)
+- [Hybrid Cloud Fallback Mechanisms](#hybrid-cloud-fallback-mechanisms)
+- [Data Residency and Sovereignty Compliance](#data-residency-and-sovereignty-compliance)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Mange organisasjoner opererer i multi-cloud-miljoer der data er spredt mellom Azure, AWS, Google Cloud og on-premises systemer. For AI-losninger som krever data fra flere kilder er det kritisk a ha en effektiv strategi for krysssky-dataintegrasjon. Microsoft Fabric sin OneLake og shortcuts-arkitektur gjor det mulig a virtuelt samle data fra ulike skyplattformer uten fysisk kopiering, noe som reduserer bade egress-kostnader og kompleksitet.
--- a/skills/ms-ai-engineering/references/data-engineering/data-anonymization-privacy.md
+++ b/skills/ms-ai-engineering/references/data-engineering/data-anonymization-privacy.md
@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Differential Privacy Techniques](#differential-privacy-techniques)
+- [K-Anonymity and L-Diversity](#k-anonymity-and-l-diversity)
+- [PII Detection and Masking](#pii-detection-and-masking)
+- [Right-to-Be-Forgotten Implementation](#right-to-be-forgotten-implementation)
+- [Privacy Impact Assessments](#privacy-impact-assessments)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Personvern og databeskyttelse er fundamentale krav for enhver AI-losning som behandler personopplysninger. GDPR (og den norske Personopplysningsloven) stiller strenge krav til hvordan persondata samles inn, behandles og beskyttes. For AI-systemer er dette spesielt utfordrende: ML-modeller kan utilsiktet memorere persondata fra treningsdatasettet, og RAG-systemer kan eksponere sensitiv informasjon i svar.
--- a/skills/ms-ai-engineering/references/data-engineering/data-cataloging-discovery.md
+++ b/skills/ms-ai-engineering/references/data-engineering/data-cataloging-discovery.md
@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/purview/data-governance-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Asset Registration and Metadata Enrichment](#asset-registration-and-metadata-enrichment)
+- [Search and Discovery Interfaces](#search-and-discovery-interfaces)
+- [Business Glossaries and Taxonomies](#business-glossaries-and-taxonomies)
+- [Data Owner and Steward Assignments](#data-owner-and-steward-assignments)
+- [Usage Analytics and Popularity Metrics](#usage-analytics-and-popularity-metrics)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Datakatalogisering og oppdagelse er fundamentale kapabiliteter for organisasjoner som bygger AI-løsninger. Uten en systematisk tilnærming til å registrere, beskrive og finne data, risikerer AI-team å bruke uforholdsmessig mye tid på å lete etter relevante datasett, duplisere eksisterende arbeid, eller trene modeller på data av ukjent kvalitet og opprinnelse. Microsoft Purview Unified Catalog er Microsofts svar på denne utfordringen -- en sentral plattform for å organisere, oppdage og forstå data på tvers av hele dataeiendommen.
--- a/skills/ms-ai-engineering/references/data-engineering/data-factory-ai-pipelines.md
+++ b/skills/ms-ai-engineering/references/data-engineering/data-factory-ai-pipelines.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA (Azure Data Factory), GA (Fabric Data Factory)
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/data-factory/data-factory-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Azure Data Factory og Fabric Data Factory er Microsofts orkestreringsteknologier for data engineering-arbeidsflyter som understøtter AI-scenarioer. Teknologien lar deg automatisere dataprosessering, transformasjon, og orkestrering av machine learning-pipelines i storskalerte miljøer.
--- a/skills/ms-ai-engineering/references/data-engineering/data-mesh-patterns.md
+++ b/skills/ms-ai-engineering/references/data-engineering/data-mesh-patterns.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/governance/onelake-catalog-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Domain-Oriented Data Ownership](#domain-oriented-data-ownership)
+- [Data Product Versioning and Contracts](#data-product-versioning-and-contracts)
+- [Cross-Domain Data Sharing via Shortcuts](#cross-domain-data-sharing-via-shortcuts)
+- [Federated Governance and Shared Platform](#federated-governance-and-shared-platform)
+- [Scaling to 50+ Domains with OneLake](#scaling-to-50-domains-with-onelake)
+- [Anti-patterns og fallgruver](#anti-patterns-og-fallgruver)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Data mesh er en desentralisert dataarkitektur som organiserer data etter forretningsdomener i stedet for sentraliserte datateam. Prinsippene -- domeneeierskap, data som produkt, selvbetjeningsplattform og foderert styring -- er spesielt relevante for store organisasjoner som bygger AI-losninger pa tvers av avdelinger. Microsoft Fabric stotter data mesh-arkitektur gjennom domener, OneLake shortcuts og foderert governance.
--- a/skills/ms-ai-engineering/references/data-engineering/data-pipeline-orchestration.md
+++ b/skills/ms-ai-engineering/references/data-engineering/data-pipeline-orchestration.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/data-factory/data-factory-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Pipeline Scheduling and Triggers](#pipeline-scheduling-and-triggers)
+- [Dependency Chains and Critical Paths](#dependency-chains-and-critical-paths)
+- [Retry Policies and Error Handling](#retry-policies-and-error-handling)
+- [Monitoring and Alerting on Pipeline Health](#monitoring-and-alerting-on-pipeline-health)
+- [SLAs and Timeliness Guarantees](#slas-and-timeliness-guarantees)
+- [Apache Airflow i Fabric](#apache-airflow-i-fabric)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Datapipeline-orkestrering er ryggraden i enhver AI-plattform. Uten palitelig orkestrering kan data komme for sent, i feil rekkefølge, eller med manglende avhengigheter -- noe som forer til feil i ML-treningsjobber, utdaterte prediksjoner og upaalitelige AI-agenter. Microsoft tilbyr to hovedplattformer for orkestrering: Fabric Data Factory og Azure Data Factory, begge med pipeline-basert arbeidsflyt, triggers og overvaking.
--- a/skills/ms-ai-engineering/references/data-engineering/data-quality-ai-frameworks.md
+++ b/skills/ms-ai-engineering/references/data-engineering/data-quality-ai-frameworks.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA (Microsoft Purview Data Quality, Azure ML Model Monitoring, Fabric data quality)
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-monitoring

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Data quality frameworks for AI sikrer at data som brukes til trening, validering og inferens av AI-modeller er nøyaktig, komplett, konsistent og pålitelig. I dagens AI-drevne landskap påvirker datakvalitet direkte AI-ytelsen, modellens nøyaktighet, og tillit til AI-beslutninger.
--- a/skills/ms-ai-engineering/references/data-engineering/data-sampling-labeling.md
+++ b/skills/ms-ai-engineering/references/data-engineering/data-sampling-labeling.md
@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/how-to-label-data

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Stratified Sampling for Class Balance](#stratified-sampling-for-class-balance)
+- [Active Learning and Uncertainty Sampling](#active-learning-and-uncertainty-sampling)
+- [Crowdsourcing and Labeling Platforms](#crowdsourcing-and-labeling-platforms)
+- [Quality Control and Inter-Rater Agreement](#quality-control-and-inter-rater-agreement)
+- [Feedback Loops for Continuous Labeling](#feedback-loops-for-continuous-labeling)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Kvaliteten pa treningsdata er den viktigste faktoren for ytelsen til ML-modeller. Effektiv datasampling sikrer at treningsdatasettet er representativt og balansert, mens systematisk datamerking (labeling) gir modellene de korrekte signalene a laere fra. Azure Machine Learning tilbyr en komplett plattform for datamerking med stotte for bade bilde- og tekstdata, inkludert ML-assistert merking som akselererer prosessen vesentlig.
--- a/skills/ms-ai-engineering/references/data-engineering/data-versioning-lineage.md
+++ b/skills/ms-ai-engineering/references/data-engineering/data-versioning-lineage.md
@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/governance/lineage

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Delta Lake Versioning and Time-Travel](#delta-lake-versioning-and-time-travel)
+- [Commit History and Audit Trails](#commit-history-and-audit-trails)
+- [Data Lineage Visualization in Purview](#data-lineage-visualization-in-purview)
+- [Upstream/Downstream Dependency Mapping](#upstreamdownstream-dependency-mapping)
+- [Rollback and Recovery Strategies](#rollback-and-recovery-strategies)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Dataversionskontroll og lineage-sporing er grunnleggende kapabiliteter for pålitelige AI-systemer. Versjonskontroll gjør det mulig å reprodusere eksakt de dataene en modell ble trent på, mens lineage dokumenterer hele datareisen fra kilde til ferdig prediksjon. Sammen gir de sporbarhet, reproduserbarhet og tillitsgrunnlag for AI-beslutninger.
--- a/skills/ms-ai-engineering/references/data-engineering/dataverse-ai-integration.md
+++ b/skills/ms-ai-engineering/references/data-engineering/dataverse-ai-integration.md
@ -3,9 +3,22 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/data-factory/connector-dataverse-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Dataverse Connectors in Data Factory](#dataverse-connectors-in-data-factory)
+- [Entity Relationship Mapping to Delta Tables](#entity-relationship-mapping-to-delta-tables)
+- [Real-Time Dataverse Data Sync](#real-time-dataverse-data-sync)
+- [Power Platform Data Integration](#power-platform-data-integration)
+- [RLS Propagation from Dataverse to Fabric](#rls-propagation-from-dataverse-to-fabric)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Microsoft Dataverse er den sentrale dataplattformen for Power Platform og Dynamics 365, og inneholder forretningskritisk data fra CRM, ERP, og egendefinerte applikasjoner. Integrering av Dataverse-data med AI-losninger via Microsoft Fabric og Data Factory gjor det mulig a utnytte forretningsdata for prediktiv analyse, maskinlaring og intelligent automatisering uten komplekse ETL-pipelines.
--- a/skills/ms-ai-engineering/references/data-engineering/delta-lake-parquet-optimization.md
+++ b/skills/ms-ai-engineering/references/data-engineering/delta-lake-parquet-optimization.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/data-engineering/delta-optimization-and-v-order

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Delta Lake ACID Transactions and Z-Order](#delta-lake-acid-transactions-and-z-order)
+- [Parquet Compression Codecs and Row Groups](#parquet-compression-codecs-and-row-groups)
+- [File Size Tuning and Auto-Compaction](#file-size-tuning-and-auto-compaction)
+- [V-Order Optimization](#v-order-optimization)
+- [Small File Handling and Garbage Collection](#small-file-handling-and-garbage-collection)
+- [Best Practices for AI-arbeidsbelastninger](#best-practices-for-ai-arbeidsbelastninger)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Delta Lake er det foretrukne tabellformatet i Microsoft Fabric, bygget oppå Apache Parquet med ACID-transaksjoner, skjemavalidering og tidsreise. For AI-arbeidsbelastninger er ytelsen til underliggende lagring kritisk: dårlig filstruktur kan gjore treningsjobber 10x tregere og forre til unodvendig hoy kostnad. Optimalisering av Delta Lake og Parquet-filer er derfor en kjerneferdighet for enhver dataingenioor som bygger AI-pipelines.
--- a/skills/ms-ai-engineering/references/data-engineering/etl-vs-elt-ai.md
+++ b/skills/ms-ai-engineering/references/data-engineering/etl-vs-elt-ai.md
@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/data-factory/data-factory-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [ELT Advantages: Cost, Scalability, Schema-Flexibility](#elt-advantages-cost-scalability-schema-flexibility)
+- [ETL Data Minimization for Regulated Environments](#etl-data-minimization-for-regulated-environments)
+- [Hybrid ETL/ELT Patterns](#hybrid-etlelt-patterns)
+- [Data Staging and Incremental Processing](#data-staging-and-incremental-processing)
+- [Compute Cost Allocation: ETL vs ELT](#compute-cost-allocation-etl-vs-elt)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Valget mellom ETL (Extract, Transform, Load) og ELT (Extract, Load, Transform) er en av de mest grunnleggende arkitekturbeslutningene for dataintegrasjon i AI-prosjekter. Tradisjonell ETL transformerer data før lasting i et dedikert transformasjonsengine, mens moderne ELT laster rådata først og utnytter målsystemets beregningskraft for transformasjon. Microsoft Fabric støtter begge tilnærminger og hybride mønstre.
--- a/skills/ms-ai-engineering/references/data-engineering/fabric-lakehouse-architecture.md
+++ b/skills/ms-ai-engineering/references/data-engineering/fabric-lakehouse-architecture.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/data-engineering/lakehouse-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Microsoft Fabric Lakehouse er Microsofts moderne dataplattformløsning som kombinerer det beste fra data lakes og data warehouses i én enkelt, unified arkitektur. Lakehouse bruker åpne standarder (Delta Lake) og gir en SaaS-opplevelse hvor strukturert, semistrukturert og ustrukturert data kan lagres sammen i OneLake, som er Microsofts single, unified, logical data lake for hele organisasjonen.
--- a/skills/ms-ai-engineering/references/data-engineering/feature-stores-engineering.md
+++ b/skills/ms-ai-engineering/references/data-engineering/feature-stores-engineering.md
@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-what-is-managed-feature-store

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Feature Definition and Storage in Silver Layer](#feature-definition-and-storage-in-silver-layer)
+- [Point-in-Time Lookups for Training](#point-in-time-lookups-for-training)
+- [Feature Freshness and Refresh Cadences](#feature-freshness-and-refresh-cadences)
+- [Data Wrangler for Exploratory Feature Engineering](#data-wrangler-for-exploratory-feature-engineering)
+- [Feature Monitoring and Drift Detection](#feature-monitoring-and-drift-detection)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Feature stores er et sentralt mønster i moderne MLOps som løser problemet med feature-gjenbruk, konsistens mellom trening og inferens, og operasjonalisering av feature-pipelines. Azure Machine Learning Managed Feature Store og Microsoft Fabric Data Science gir en komplett plattform for å definere, materialisere, dele og overvåke features på tvers av ML-prosjekter.
--- a/skills/ms-ai-engineering/references/data-engineering/lakehouse-architecture-design.md
+++ b/skills/ms-ai-engineering/references/data-engineering/lakehouse-architecture-design.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/data-engineering/lakehouse-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Delta Lake Transaction Semantics](#delta-lake-transaction-semantics)
+- [Schema-on-Read versus Schema-on-Write Tradeoffs](#schema-on-read-versus-schema-on-write-tradeoffs)
+- [Time-Travel and Data Versioning](#time-travel-and-data-versioning)
+- [Upsert and Merge Patterns for Slowly-Changing Dimensions](#upsert-and-merge-patterns-for-slowly-changing-dimensions)
+- [Lakehouse Performance Tuning](#lakehouse-performance-tuning)
+- [Medallion Architecture Deployment](#medallion-architecture-deployment)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Lakehouse-arkitekturen kombinerer de beste egenskapene fra data lakes (fleksibel lagring av strukturerte, semi-strukturerte og ustrukturerte data) med data warehouse-funksjonalitet (ACID-transaksjoner, skjemahåndtering og høy spørringsytelse). Microsoft Fabric standardiserer på Delta Lake-formatet, som gir denne hybridkapabiliteten nativt på tvers av alle Fabric-opplevelser.
--- a/skills/ms-ai-engineering/references/data-engineering/master-data-management-ai.md
+++ b/skills/ms-ai-engineering/references/data-engineering/master-data-management-ai.md
@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/purview/data-governance-master-data-management

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Golden Record Creation and Reconciliation](#golden-record-creation-and-reconciliation)
+- [Entity Resolution and Deduplication](#entity-resolution-and-deduplication)
+- [MDM Integration with Dataverse](#mdm-integration-with-dataverse)
+- [Reference Data Versioning](#reference-data-versioning)
+- [Data Quality SLAs for MDM Entities](#data-quality-slas-for-mdm-entities)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Master Data Management (MDM) skaper en enkelt kilde til sannhet for kritiske forretningsenheter som kunder, produkter, ansatte og lokasjoner. For AI-losninger er kvaliteten pa stamdata direkte avgjorede -- en ML-modell trent pa inkonsistente kundedata vil produsere upaalitelige prediksjoner, og en RAG-losning med dupliserte dokumenter vil gi motstridende svar.
--- a/skills/ms-ai-engineering/references/data-engineering/microsoft-purview-governance.md
+++ b/skills/ms-ai-engineering/references/data-engineering/microsoft-purview-governance.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/purview/unified-catalog

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Purview Catalog and Asset Registration](#purview-catalog-and-asset-registration)
+- [Data Classification and Sensitivity Labels](#data-classification-and-sensitivity-labels)
+- [Lineage Tracking Across Fabric](#lineage-tracking-across-fabric)
+- [Policy Enforcement and Access Management](#policy-enforcement-and-access-management)
+- [GDPR/HIPAA Compliance Auditing](#gdprhipaa-compliance-auditing)
+- [Purview Governance for Fabric Copilots og Agenter *(Verified MCP 2026-04)*](#purview-governance-for-fabric-copilots-og-agenter-verified-mcp-2026-04)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Microsoft Purview er Microsofts samlete plattform for datastyring, risikohåndtering og compliance. For AI-løsninger er Purview avgjørende fordi det gir oversikt over hvor sensitiv data befinner seg, hvordan data flyter gjennom organisasjonen (lineage), og hvorvidt datakvaliteten er tilstrekkelig for å trene pålitelige modeller. Uten god datastyring kan AI-modeller forsterke bias, bryte personvernregler eller produsere upålitelige prediksjoner.
--- a/skills/ms-ai-engineering/references/data-engineering/onelake-data-strategy.md
+++ b/skills/ms-ai-engineering/references/data-engineering/onelake-data-strategy.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA (Shortcuts, OneLake Security for kjerne-engines, Shortcut Transformations for CSV/Parquet/JSON), Preview (OneLake Security på Eventhouse/3.-parts-engines, Shortcut Transformations for Excel + AI-powered)
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/real-time-intelligence/query-acceleration-overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 OneLake er Microsofts unified data lake for hele Microsoft Fabric-plattformen — "OneDrive for data". Hver Fabric-tenant får automatisk provisjonert én enkelt, logisk data lake som binder sammen alle analytiske workloads. Shortcuts er en av OneLakes mest kraftfulle mekanismer: de fungerer som symbolske lenker (symbolic links) som lar deg unifisere data på tvers av domener, skyer og kontoer uten å flytte eller duplisere data.
--- a/skills/ms-ai-engineering/references/data-engineering/real-time-streaming-ai.md
+++ b/skills/ms-ai-engineering/references/data-engineering/real-time-streaming-ai.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/real-time-intelligence/overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Eventstream Connectors and Topologies](#eventstream-connectors-and-topologies)
+- [Structured Streaming with Spark](#structured-streaming-with-spark)
+- [KQL Database for Time-Series Analytics](#kql-database-for-time-series-analytics)
+- [Event Filtering and Derived Streams](#event-filtering-and-derived-streams)
+- [Streaming SLAs and Backpressure Handling](#streaming-slas-and-backpressure-handling)
+- [Arkitekturmonstre for AI med sanntidsdata](#arkitekturmonstre-for-ai-med-sanntidsdata)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Sanntidsdatastrømming er en fundamental byggestein for AI-applikasjoner som krever umiddelbar respons på hendelser -- fra IoT-sensorer og transaksjoner til brukeratferd og systemmetrikker. Microsoft Fabric Real-Time Intelligence kombinert med Azure Event Hubs og Apache Kafka gir en komplett plattform for inntak, transformasjon og analyse av strømmedata som mater AI-modeller med oppdatert informasjon.
--- a/skills/ms-ai-engineering/references/data-engineering/schema-evolution-management.md
+++ b/skills/ms-ai-engineering/references/data-engineering/schema-evolution-management.md
@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/synapse-analytics/spark/apache-spark-what-is-delta-lake

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Schema Versioning and Compatibility Levels](#schema-versioning-and-compatibility-levels)
+- [Adding Columns with Default Values](#adding-columns-with-default-values)
+- [Type Promotions and Narrowing](#type-promotions-and-narrowing)
+- [Deprecated Column Handling](#deprecated-column-handling)
+- [Schema Registration and Validation](#schema-registration-and-validation)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Skjemaendringer er uunngaaelige i moderne dataarkitekturer: nye kolonner legges til, datatyper endres, kolonner gis nye navn, og foreldede felt fjernes. For AI-pipelines er dette spesielt utfordrende fordi ML-modeller er trent pa spesifikke feature-skjemaer, og enhver skjemaendring kan bryte trenings- og inferens-pipelines. Delta Lake i Microsoft Fabric og Azure Databricks tilbyr robust stotte for skjemaevolusjon som gjor det mulig a haandtere disse endringene uten nedetid.
--- a/skills/ms-ai-engineering/references/data-engineering/synthetic-data-generation.md
+++ b/skills/ms-ai-engineering/references/data-engineering/synthetic-data-generation.md
@ -3,9 +3,22 @@
 **Last updated:** 2026-06-24
 **Status:** GA / Preview (varies by feature)
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry-classic/openai/concepts/use-your-data

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Synthetic Data Generation Pipelines](#synthetic-data-generation-pipelines)
+- [Azure OpenAI Integration for Text Synthesis](#azure-openai-integration-for-text-synthesis)
+- [Balancing Class Imbalances with Synthetic Samples](#balancing-class-imbalances-with-synthetic-samples)
+- [Privacy-Preserving Synthetic Data](#privacy-preserving-synthetic-data)
+- [Validation of Synthetic Data Quality](#validation-of-synthetic-data-quality)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon

 Syntetisk datagenerering er en stadig viktigere teknikk for AI-utvikling, spesielt i situasjoner der reelle data er begrenset, ubalansert, eller underlagt strenge personvernkrav. Ved å generere kunstige datasett som etterligner statistiske egenskaper ved reelle data, kan organisasjoner utvide treningsdata, adressere klasseimbalanser, og beskytte personvern -- uten å eksponere faktiske sensitive opplysninger.
--- a/skills/ms-ai-engineering/references/data-engineering/zero-etl-fabric-patterns.md
+++ b/skills/ms-ai-engineering/references/data-engineering/zero-etl-fabric-patterns.md
@ -3,9 +3,28 @@
 **Last updated:** 2026-06-24
 **Status:** GA (Database Mirroring), Preview (Open Mirroring for some sources)
 **Category:** Data Engineering for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/fabric/mirroring/overview

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og Lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Tekniske Detaljer](#tekniske-detaljer)
+- [Praktisk Eksempel: End-to-End Setup](#praktisk-eksempel-end-to-end-setup)
+- [Vanlige Feil og Løsninger](#vanlige-feil-og-løsninger)
+- [Fremtidige Utvidelser (Roadmap)](#fremtidige-utvidelser-roadmap)
+- [Kilder og Verifisering](#kilder-og-verifisering)
+- [Oppsummering for Cosmo](#oppsummering-for-cosmo)
+
 ## Introduksjon

 Zero-ETL i Microsoft Fabric representerer et paradigmeskifte i hvordan organisasjoner integrerer og konsoliderer data. I stedet for komplekse Extract-Transform-Load (ETL) pipelines, tilbyr Fabric **Mirroring** — en nær-sanntids, kontinuerlig replikeringsløsning som speilser operasjonelle data direkte inn i OneLake som Delta Lake-tabeller.
--- a/skills/ms-ai-engineering/references/mlops-genaiops/ab-testing-llm-applications.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/ab-testing-llm-applications.md
@ -1,13 +1,24 @@
 # A/B Testing and Experimentation for AI Models

 **Last updated:** 2026-06-19
-**Verified:** MCP 2026-06-19
 **Status:** GA
 **Category:** MLOps & GenAIOps
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/databricks/mlflow3/genai/eval-monitor/concepts/scorers

 ---

-**Verified:** MCP 2026-06-19
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)

 ## Introduksjon

--- a/skills/ms-ai-engineering/references/mlops-genaiops/automated-retraining-pipelines.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/automated-retraining-pipelines.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** MLOps & GenAIOps
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/architecture/ai-ml/guide/mlops-maturity-model

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Maskinlæringsmodeller degraderes over tid på grunn av data drift, concept drift og endringer i produksjonsmiljøet — et fenomen kjent som **model decay**. Automatisert retraining av modeller er derfor en kritisk komponent i moderne MLOps-arkitekturer, som sikrer at produksjonsmodeller opprettholder ytelse og relevans uten manuell intervensjon.
--- a/skills/ms-ai-engineering/references/mlops-genaiops/azure-ml-pipelines-orchestration.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/azure-ml-pipelines-orchestration.md
@ -1,13 +1,24 @@
 # Azure ML Pipelines - Orchestration and Automation

 **Last updated:** 2026-04
-**Verified:** MCP 2026-04
 **Status:** GA
 **Category:** MLOps & GenAIOps
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-ml-pipelines

 ---

-**Verified:** MCP 2026-04
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter / Nøkkelegenskaper](#kjernekomponenter--nøkkelegenskaper)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)

 ## Introduksjon

--- a/skills/ms-ai-engineering/references/mlops-genaiops/ci-cd-for-ml-models.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/ci-cd-for-ml-models.md
@ -3,9 +3,23 @@
 **Last updated:** 2026-06-19
 **Status:** GA
 **Category:** MLOps & GenAIOps
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-ml-pipelines

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 CI/CD (Continuous Integration/Continuous Delivery) for maskinlæringsmodeller representerer en utvidelse av tradisjonelle DevOps-praksiser for å håndtere den unike kompleksiteten i ML-arbeidslaster. I motsetning til tradisjonell programvareutvikling, hvor deployment handler om kode, krever ML-løsninger automatisering av hele livssyklusen fra data validering og modelltrening til produksjonsutrulling og kontinuerlig overvåking.
--- a/skills/ms-ai-engineering/references/mlops-genaiops/cost-optimization-mlops-pipelines.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/cost-optimization-mlops-pipelines.md
@ -3,6 +3,20 @@
 **Dato:** 2026-04
 **Kategori:** MLOps & GenAIOps
 **Relevans:** Azure Machine Learning, MLOps-implementering, FinOps for AI
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-ml-pipelines
+
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)

 ## Introduksjon

--- a/skills/ms-ai-engineering/references/mlops-genaiops/data-drift-monitoring-detection.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/data-drift-monitoring-detection.md
@ -1,13 +1,24 @@
 # Data Drift Monitoring and Detection

 **Last updated:** 2026-04
-**Verified:** MCP 2026-04
 **Status:** GA
 **Category:** MLOps & GenAIOps
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-monitoring

 ---

-**Verified:** MCP 2026-04
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)

 ## Introduksjon

--- a/skills/ms-ai-engineering/references/mlops-genaiops/feedback-loops-continuous-improvement.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/feedback-loops-continuous-improvement.md
@ -4,8 +4,21 @@
 **Dato:** 2026-02-04
 **Last updated:** 2026-06-24
 **Confidence:** HIGH (basert på offisiell Microsoft-dokumentasjon)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/observability

-**Verified:** MCP 2026-06
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+- [For Cosmo](#for-cosmo)

 ## Introduksjon

--- a/skills/ms-ai-engineering/references/mlops-genaiops/genaiops-llm-specific-practices.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/genaiops-llm-specific-practices.md
@ -4,11 +4,23 @@
 **Last updated:** 2026-06-19
 **Kategori:** MLOps & GenAIOps
 **Konfidensgrad:** Høy (basert på 18 MCP-kilder fra Microsoft Learn)
+**Type:** reference
+**Source:** https://learn.microsoft.com/python/api/overview/azure/ai-evaluation-readme

 ---

 > **⚠️ Retirement 2027-04-20 (verifisert 2026-06-19):** Prompt Flow (Microsoft Foundry + Azure ML) pensjoneres 20. april 2027 og anbefales ikke for ny utvikling — migrer til **Microsoft Agent Framework (MAF)**. Referanser til Prompt Flow nedenfor gjelder eksisterende løsninger frem til fristen; nye GenAIOps-pipelines bør bygge på MAF. [Migrasjonsguide](https://learn.microsoft.com/azure/machine-learning/prompt-flow/migrate-prompt-flow-to-agent-framework?view=azureml-api-2).

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 GenAIOps (Generative AI Operations), også kalt LLMOps, beskriver operasjonelle praksiser og strategier for håndtering av store språkmodeller (LLMs) i produksjon. Mens tradisjonell MLOps fokuserer på å trene og deploye diskriminative modeller, handler GenAIOps om å **velge, tilpasse, orkestrere og overvåke** eksisterende foundation models.
--- a/skills/ms-ai-engineering/references/mlops-genaiops/governance-audit-ml-operations.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/governance-audit-ml-operations.md
@ -3,6 +3,20 @@
 **Kategori:** MLOps & GenAIOps
 **Dato:** 2026-06-19
 **Confidence:** 95% (High — bygger på offisiell Microsoft-dokumentasjon og Azure-referansearkitekturer)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-responsible-ai-dashboard
+
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)

 ## Introduksjon

--- a/skills/ms-ai-engineering/references/mlops-genaiops/inferencing-optimization-caching.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/inferencing-optimization-caching.md
@ -3,8 +3,21 @@
 **Kategori:** MLOps & GenAIOps
 **Dato:** 2026-06-19
 **Forfattet av:** Cosmo Skyberg, Senior Microsoft AI Solution Architect
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-onnx

-**Verified:** MCP 2026-06-19
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+- [Oppsummering for Cosmo](#oppsummering-for-cosmo)

 ## Introduksjon

--- a/skills/ms-ai-engineering/references/mlops-genaiops/infrastructure-as-code-mlops.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/infrastructure-as-code-mlops.md
@ -3,8 +3,20 @@
 **Dato:** 2026-06-19
 **Kategori:** MLOps & GenAIOps
 **Forfatter:** Cosmo Skyberg, Senior Microsoft AI Solution Architect
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/aks/concepts-machine-learning-ops

-**Verified:** MCP 2026-06-19
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)

 ## Introduksjon

--- a/skills/ms-ai-engineering/references/mlops-genaiops/llm-evaluation-production.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/llm-evaluation-production.md
@ -3,10 +3,22 @@
 **Kategori:** MLOps & GenAIOps
 **Sist oppdatert:** 2026-06-19
 **Confidence:** High (basert på offisiell Microsoft dokumentasjon, Microsoft Foundry SDK, og MLflow 3)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/foundry/concepts/observability

 ---

-**Verified:** MCP 2026-06-19
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)

 ## Introduksjon

--- a/skills/ms-ai-engineering/references/mlops-genaiops/mlops-fundamentals-overview.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/mlops-fundamentals-overview.md
@ -1,13 +1,24 @@
 # MLOps Fundamentals - Lifecycle and Principles

 **Last updated:** 2026-06-19
-**Verified:** MCP 2026-06-19
 **Status:** GA
 **Category:** MLOps & GenAIOps
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-management-and-deployment

 ---

-**Verified:** MCP 2026-06-19
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)

 ## Introduksjon

--- a/skills/ms-ai-engineering/references/mlops-genaiops/mlops-security-access-control.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/mlops-security-access-control.md
@ -4,9 +4,23 @@
 **Last updated:** 2026-06-19
 **Dato:** 2026-06-19
 **Confidence:** HIGH — Basert på offisiell Microsoft Learn dokumentasjon (8 MCP-oppslag, 16 kilder)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-enterprise-security

 ---

+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Kjernekomponenter](#kjernekomponenter)
+- [Arkitekturmønstre](#arkitekturmønstre)
+- [Beslutningsveiledning](#beslutningsveiledning)
+- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
+- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
+- [Kostnad og lisensiering](#kostnad-og-lisensiering)
+- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
+- [Kilder og verifisering](#kilder-og-verifisering)
+
 ## Introduksjon

 Security and access control utgjør fundamentet for enterprise-grade MLOps i Azure Machine Learning. Denne kunnskapsreferansen dekker identitetsstyring, nettverksisolasjon, datakryptering og tilgangskontroll gjennom hele ML-livssyklusen — fra treningsjobber til produksjons-endpoints.
--- a/Show more
+++ b/Show more