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-infrastructure/references/bcdr/backup-recovery-strategies-ai-workloads.md

@@ -3,9 +3,24 @@
 **Last updated:** 2026-06-24
 **Status:** GA
 **Category:** Business Continuity & Disaster Recovery
+**Type:** reference
+**Source:** https://learn.microsoft.com/azure/backup/backup-overview
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Inkrementell versus full backup](#inkrementell-versus-full-backup)
+- [Point-in-time Recovery for datasett](#point-in-time-recovery-for-datasett)
+- [Snapshot-administrasjon og retensjon](#snapshot-administrasjon-og-retensjon)
+- [Off-region backup-lagring](#off-region-backup-lagring)
+- [Automatisering og planlegging av backups](#automatisering-og-planlegging-av-backups)
+- [Kostnadsstyring for backup](#kostnadsstyring-for-backup)
+- [Sjekkliste for backup-strategi](#sjekkliste-for-backup-strategi)
+- [Referanser](#referanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Backup- og gjenopprettingsstrategier for AI-arbeidsbelastninger skiller seg vesentlig fra tradisjonelle applikasjoner. En AI-loesning bestar ikke bare av applikasjonskode og databaser, men ogsaa av trenede modeller, datasett, fine-tuning-artefakter, embedding-indekser, agentdefinisjoner, samtalelogger og pipeline-konfigurasjoner. Hvert av disse elementene har ulike krav til backup-frekvens, retensjonstid og gjenopprettingsmetode. Et tap av treningsdata kan bety uker med tapt arbeid, mens et tap av embedding-indekser kan gjenopprettes ved reindeksering fra kildedata.