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.

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.