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/hybrid-edge/edge-ai-inferencing-patterns.md

@@ -3,9 +3,21 @@
 **Last updated:** 2026-02
 **Status:** GA
 **Category:** Hybrid Cloud & Edge AI
+**Type:** reference
 
 ---
 
+## Innhold
+
+- [Introduksjon](#introduksjon)
+- [Model Quantization og Compression](#model-quantization-og-compression)
+- [Real-time Inference Acceleration](#real-time-inference-acceleration)
+- [Caching Patterns for Edge](#caching-patterns-for-edge)
+- [Batching vs. Streaming Inference](#batching-vs-streaming-inference)
+- [IoT Edge ML Inference Pattern](#iot-edge-ml-inference-pattern)
+- [Ytelsesreferanser](#ytelsesreferanser)
+- [For Cosmo](#for-cosmo)
+
 ## Introduksjon
 
 Edge AI-inferens handler om a kjore maskinlaeringsmodeller naermest mulig der data oppstar — pa enheter, gateways, lokale servere eller Azure Local-klynger. For norsk offentlig sektor er dette relevant i scenarioer som sanntids videoanalyse, dokumentbehandling i felt, naturspraakbehandling offline, og autonome systemer i omrader med begrenset nettverkstilkobling.