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/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/skills/ms-ai-engineering/references/mlops-genaiops/mlops-teams-collaboration-tools.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/mlops-teams-collaboration-tools.md
@ -4,8 +4,20 @@
 **Sist oppdatert:** 2026-06-19
 **Kilde:** Microsoft Learn, Azure Architecture Center
 **Konfidensgradering:** ⭐⭐⭐⭐⭐ (Verifisert mot offisiell Microsoft-dokumentasjon)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning

-**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/model-deployment-strategies-azure.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/model-deployment-strategies-azure.md
@ -4,9 +4,23 @@
 **Dato:** 2026-02-04
 **Målgruppe:** Arkitekter som planlegger ML-modellutplassering i produksjon
 **Konfidensgrad:** ⚡️⚡️⚡️ Høy (basert på Microsoft Learn + offisielle code samples)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-management-and-deployment

 **Last updated:** 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

 Model deployment strategies handler om hvordan man trygt og effektivt ruller ut nye ML-modeller eller modellversjoner til produksjon uten å forårsake nedetid eller forringet brukeropplevelse. Azure Machine Learning tilbyr flere deployment patterns som støtter **progressive exposure**, **traffic routing**, og **rollback-mekanismer**.
--- a/skills/ms-ai-engineering/references/mlops-genaiops/model-drift-performance-degradation.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/model-drift-performance-degradation.md
@ -1,13 +1,24 @@
 # Model Drift and Performance Degradation 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/model-evaluation-frameworks.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/model-evaluation-frameworks.md
@ -1,13 +1,24 @@
 # Model Evaluation Frameworks and Metrics

 **Last updated:** 2026-06-19
-**Verified:** MCP 2026-06-19
 **Status:** GA
 **Category:** MLOps & GenAIOps
+**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/model-versioning-registry-management.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/model-versioning-registry-management.md
@ -1,13 +1,24 @@
 # Model Versioning and Registry Management

 **Last updated:** 2026-06-24
-**Verified:** MCP 2026-06
 **Status:** GA
 **Category:** MLOps & GenAIOps
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-monitoring

 ---

-**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)

 ## Introduksjon

--- a/skills/ms-ai-engineering/references/mlops-genaiops/monitoring-observability-ml-systems.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/monitoring-observability-ml-systems.md
@ -4,10 +4,22 @@
 **Dato:** 2026-04
 **Kilder:** Microsoft Learn (azure-machine-learning, azure-monitor)
 **Konfidensgrad:** ⭐⭐⭐⭐⭐ (Verifisert mot offisiell Microsoft-dokumentasjon)
+**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/prompt-flow-production-deployment.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/prompt-flow-production-deployment.md
@ -4,11 +4,25 @@
 **Dato:** 2026-02-04
 **Last updated:** 2026-06-19
 **Confidence:** 🟢 Høy (basert på offisiell Microsoft-dokumentasjon fra Microsoft Foundry og Azure Machine Learning)
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/machine-learning/prompt-flow/migrate-prompt-flow-to-agent-framework

 ---

 > **⚠️ Retirement (verifisert mot Microsoft Learn 2026-06-19):** Prompt Flow — i **både Microsoft Foundry og Azure Machine Learning** — pensjoneres **20. april 2027** og anbefales ikke for ny utvikling. Migrer eksisterende flows og deployments til **Microsoft Agent Framework (MAF)** før fristen. Web authoring-opplevelsen (Foundry + Azure ML), VS Code-utvidelsene og Prompt Flow container images (`promptflow-runtime`, `promptflow-runtime-stable`, `promptflow-python`) får ikke lenger oppdateringer, inkludert sikkerhetsoppdateringer. [Migrasjonsguide](https://learn.microsoft.com/azure/machine-learning/prompt-flow/migrate-prompt-flow-to-agent-framework?view=azureml-api-2). Innholdet under beskriver fortsatt gjeldende Prompt Flow-praksis for eksisterende løsninger frem til fristen.

+## 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

 Prompt Flow er Microsofts rammeverk for å utvikle, teste og deploye LLM-baserte applikasjoner gjennom en visuell workflow-editor. Produksjonsdeployment av Prompt Flow handler om å ta en testet og evaluert flow fra utviklingsmiljø til skalerbar produksjon med robuste CI/CD-pipelines, overvåking og governance.
--- a/skills/ms-ai-engineering/references/mlops-genaiops/responsible-ai-mlops-integration.md
+++ b/skills/ms-ai-engineering/references/mlops-genaiops/responsible-ai-mlops-integration.md
@ -3,9 +3,23 @@
 **Kategori:** MLOps & GenAIOps
 **Sist oppdatert:** 2026-06-19
 **Confidence:** 95% (basert på offisiell Microsoft-dokumentasjon og Azure Machine Learning-referanser)
+**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

 Responsible AI (RAI) i MLOps-kontekst handler om å integrere ansvarlig AI-praksis systematisk gjennom hele modellens livssyklus — fra utvikling og trening til deployment, overvåking og vedlikehold. Mens tradisjonell MLOps fokuserer på repeaterbarhet, automatisering og pålitelighet, legger RAI-integrasjon til dimensjoner som rettferdighet (fairness), forklarbarhet (interpretability), bias-deteksjon, åpenhet (transparency) og compliance.