{
  "page": {
    "title": "Für Implementierer | Tractatus AI-Sicherheits-Framework",
    "description": "Integrieren Sie das Tractatus-Framework in Ihre KI-Systeme: praktische Leitfäden, Code-Beispiele und schrittweise Implementierung für Produktionssicherheit."
  },
  "header": {
    "title": "Referenzimplementierung",
    "subtitle_line1": "KI-Sicherheitsmuster",
    "description": "Integrieren Sie das Tractatus-Framework in Ihre KI-Systeme mit praktischen Leitfäden, Code-Beispielen und Mustern, die in einem 6-monatigen Entwicklungsprojekt demonstriert wurden.",
    "quick_start_btn": "Schnellstartanleitung",
    "view_docs_btn": "Dokumentation anzeigen"
  },
  "development_context": {
    "title": "Entwicklungskontext",
    "description": "Framework über sechs Monate in einem Einzelprojekt-Kontext entwickelt. Die Code-Beispiele unten zeigen die Referenzimplementierungsarchitektur. Das npm-Paket @tractatus/framework repräsentiert das geplante API-Design, kein veröffentlichtes Paket. Die tatsächliche Implementierung erfordert die Anpassung von Mustern aus dem Quellcode dieses Projekts.",
    "note": "Dies ist explorative Forschung, die die Machbarkeit architektonischer Governance-Muster demonstriert, keine kommerzielle Software."
  },
  "deployment_guide": {
    "badge": "DOKUMENTATION",
    "title": "Bereitstellungsarchitektur-Leitfaden",
    "description": "Umfassender konzeptioneller Leitfaden zur Bereitstellung von Tractatus-basierten Systemen. Verstehen Sie Architekturmuster, Sicherheits-Best-Practices und Integrationsstrategien für Forschungs- und Bildungszwecke.",
    "view_guide_btn": "Bereitstellungsleitfaden anzeigen",
    "support_note": "Für Unterstützung bei der Produktionsimplementierung kontaktieren Sie research@agenticgovernance.digital"
  },
  "architecture": {
    "heading": "Systemarchitektur",
    "subheading": "Verstehen Sie, wie Tractatus mit Claude Code integriert wird, um robuste KI-Governance bereitzustellen",
    "download_svg": "SVG herunterladen",
    "download_png": "PNG herunterladen (hochauflösend)",
    "download_pdf": "Technische Dokumentation PDF",
    "layer_4_title": "API & Web-Schnittstelle",
    "layer_3_title": "Tractatus-Governance",
    "layer_2_title": "MongoDB-Persistenz",
    "layer_1_title": "Claude Code-Laufzeit",
    "integration_points_title": "Wichtige Integrationspunkte",
    "integration_1_title": "Pre-Action-Checks",
    "integration_1_desc": "Alle Aktionen werden vor der Ausführung gegen Governance-Regeln validiert",
    "integration_2_title": "Anweisungspersistenz",
    "integration_2_desc": "Benutzeranweisungen klassifiziert und für Kreuzreferenzvalidierung gespeichert",
    "integration_3_title": "Umfassender Audit-Trail",
    "integration_3_desc": "Jede Governance-Aktion für Compliance und Analyse protokolliert",
    "six_services_title": "Sechs Kerndienste",
    "service_1": "BoundaryEnforcer (Tractatus 12.1-12.7)",
    "service_2": "InstructionPersistenceClassifier",
    "service_3": "CrossReferenceValidator",
    "service_4": "ContextPressureMonitor",
    "service_5": "Metakognitiver Verifizierer",
    "service_6": "PluralistischeBeratungOrchestrator",
    "main_flow_title": "Service Interaktionsablauf",
    "main_flow_alt": "Tractatus Rahmenarchitektur: Zeigt, wie 6 Governance-Dienste nacheinander interagieren",
    "trigger_tree_title": "Dienst Auslösende Bedingungen",
    "trigger_tree_alt": "Entscheidungsbaum für Dienstauslöser: Wenn jeder Rahmendienst aktiviert wird",
    "system_arch_title": "Systemarchitektur",
    "system_arch_desc": "Überblick über die Integration der 6 Governance-Dienste in Ihre Anwendungs- und Datenschicht.",
    "system_arch_alt": "Tractatus Systemarchitektur: Interaktion der Komponenten und Datenfluss",
    "download_svg_aria": "Download des Hauptflussdiagramms der Architektur als SVG",
    "download_trigger_svg_aria": "Entscheidungsbaum für Dienstauslöser als SVG herunterladen",
    "download_system_svg_aria": "Systemarchitekturdiagramm als SVG herunterladen"
  },
  "integration_approaches": {
    "heading": "Integrationsansätze",
    "full_stack_title": "Full Stack",
    "full_stack_desc": "Vollständige Framework-Integration für neue KI-gestützte Anwendungen. Alle sechs Dienste aktiv mit persistenter Anweisungsspeicherung.",
    "full_stack_note": "Am besten für: Neue Projekte, Greenfield-KI-Anwendungen",
    "middleware_title": "Middleware-Schicht",
    "middleware_desc": "Fügen Sie Tractatus-Validierung als Middleware in bestehende KI-Pipelines hinzu. Nicht-invasive Integration mit gradueller Einführungsunterstützung.",
    "middleware_note": "Am besten für: Bestehende Produktions-KI-Systeme",
    "selective_title": "Selektive Komponenten",
    "selective_desc": "Verwenden Sie einzelne Tractatus-Dienste à la carte. Mischen und kombinieren Sie Komponenten basierend auf Ihren spezifischen Sicherheitsanforderungen.",
    "selective_note": "Am besten für: Spezifische Sicherheitsanforderungen"
  },
  "quick_start": {
    "heading": "Schnellstartanleitung",
    "disclaimer_title": "Hinweis: Referenzimplementierung",
    "disclaimer_text": "Die Code-Beispiele unten zeigen das konzeptionelle API-Design. Das npm-Paket @tractatus/framework ist noch nicht veröffentlicht. Um diese Muster zu implementieren, passen Sie die Governance-Dienste aus dem Quellcode dieses Projekts an.",
    "step_1_title": "Installation",
    "step_2_title": "Dienste initialisieren",
    "step_3_title": "Anweisungen klassifizieren",
    "step_4_title": "Aktionen validieren",
    "step_5_title": "Grenzen durchsetzen"
  },
  "integration_patterns": {
    "heading": "Integrationsmuster",
    "express_middleware": "Express-Middleware",
    "content_moderation": "Inhaltsmoderation",
    "pressure_monitoring": "Drucküberwachung",
    "custom_classification": "Benutzerdefinierte Klassifizierung"
  },
  "resources": {
    "heading": "Implementierungsressourcen",
    "technical_docs_title": "Technische Dokumentation",
    "examples_title": "Beispiele",
    "support_title": "Support",
    "support_desc": "Holen Sie sich Hilfe bei Implementierung, Integration und Fehlerbehebung.",
    "docs_title": "Dokumentation",
    "docs_github": "→ GitHub-Repository",
    "docs_full": "→ Vollständige Dokumentation",
    "docs_demos": "→ Live-Demos",
    "docs_glossary": "→ Glossar der Begriffe",
    "docs_glossary_de": "→ Glossar der Begriffe (DE)",
    "docs_glossary_fr": "→ Glossaire des Termes (FR)",
    "reference_title": "Referenz Implementierung",
    "reference_desc": "Diese Website (agenticgovernance.digital) läuft auf Tractatus governance.",
    "reference_services": "Dienstleistungen:",
    "reference_services_value": "22 Komponenten der Governance",
    "reference_models": "Datenmodelle:",
    "reference_models_value": "29 MongoDB-Schemata",
    "reference_tests": "Testabdeckung:",
    "reference_tests_value": "35 Testsuiten",
    "reference_repo": "→ Repository für die Zusammenarbeit",
    "support_issues": "→ GitHub-Ausgaben",
    "support_discussions": "→ GitHub-Diskussionen",
    "support_email": "→ research@agenticgovernance.digital",
    "support_faq": "→ Häufig gestellte Fragen"
  },
  "cta": {
    "title": "Implementierung erkunden?",
    "description": "Erkunden Sie architektonische Muster für KI-Sicherheit, die in einer Einzelprojekt-Validierung demonstriert wurden.",
    "view_docs_btn": "Vollständige Dokumentation anzeigen",
    "research_btn": "Forschungshintergrund →"
  },
  "ui": {
    "breadcrumb_home": "Startseite",
    "breadcrumb_implementer": "Leitfaden für die Umsetzung",
    "skip_to_content": "Zum Hauptinhalt springen"
  },
  "hero": {
    "title": "Externe Governance-Dienstleistungen für AI-Systeme",
    "subtitle": "Sechs architektonische Dienste für die Überschreibung von Mustern und die Rückverfolgbarkeit von Entscheidungen in agentenbasierten Systemen. Entwicklungsrahmen für die Persistenz von Anweisungen, die Durchsetzung von Grenzwerten und die Protokollierung von Prüfungen.",
    "value_prop_1_icon": "🏗️",
    "value_prop_1_title": "Architektonische Trennung",
    "value_prop_1_desc": "Governance läuft außerhalb des AI-Modells",
    "value_prop_2_icon": "💾",
    "value_prop_2_title": "Unterweisung Persistenz",
    "value_prop_2_desc": "Validiert Anweisungen kontextübergreifend",
    "value_prop_3_icon": "📋",
    "value_prop_3_title": "Audit Trail by Design",
    "value_prop_3_desc": "MongoDB-Protokolle mit Dienstzuordnung"
  },
  "nav": {
    "quick_links_label": "Seitenabschnitte",
    "how_it_works": "Wie es funktioniert",
    "architecture": "Architektur",
    "hooks": "Haken Architektur",
    "deployment": "Einsatz",
    "services": "Dienstleistungen",
    "api": "API-Referenz",
    "patterns": "Integration von Mustern",
    "village_ai_arch": "Village AI",
    "steering_vectors_impl": "Steuervektoren",
    "taonga_registry": "Taonga-Register",
    "roadmap": "Straßenkarte"
  },
  "how_it_works": {
    "heading": "Wie es funktioniert",
    "problem_title": "Muster überschreiben Herausforderung",
    "problem_desc": "Bei KI-Systemen, die über längere Zeiträume hinweg interagieren, kann es vorkommen, dass die Konsistenz der Anweisungen nicht gewahrt bleibt, wenn sich der Kontext ändert. Frühzeitig erteilte Anweisungen können depriorisiert oder uminterpretiert werden.",
    "approach_title": "Ansatz der externen Architektur",
    "approach_desc": "Die Tractatus-Dienste laufen außerhalb des KI-Modells und bieten durch die architektonische Trennung Grenzvalidierung, Befehlsklassifizierung und Audit-Protokollierung.",
    "diagram_title": "Anfragefluss mit Governance",
    "diagram_desc": "Beispiel: KI-Entscheidungsfluss mit Grenzdurchsetzung - von der Benutzeranfrage über die Governance-Validierung bis hin zur menschlichen Genehmigung.",
    "diagram_alt": "Ablauf des Anfrageflusses: Wie AI-Entscheidungen gesteuert werden",
    "download_svg": "SVG herunterladen"
  },
  "hooks": {
    "badge": "ARCHITEKTONISCHE DURCHSETZUNG",
    "heading": "Haken Architektur: Die Glaubwürdigkeitsschicht",
    "subtitle": "Tractatus Governance ist keine freiwillige Einhaltung. PreToolUse Hooks setzen Grenzen durch, bevor KI-Aktionen ausgeführt werden, was eine Umgehung architektonisch unmöglich macht.",
    "problem_title": "Das Problem der freiwilligen Einhaltung",
    "problem_desc_1": "Herkömmliche KI-Sicherheit beruht darauf, dass das KI-System sich dafür entscheidet, Regeln zu befolgen, die in Trainingsdaten oder Systemaufforderungen enthalten sind. Bei diesen Ansätzen wird davon ausgegangen, dass die KI unabhängig vom Druck des Kontextes oder der Fähigkeit die Ausrichtung beibehält.",
    "problem_desc_2": "Der Tractatus löst dieses Problem durch architektonische Durchsetzung: Die Steuerung läuft in einem separaten Prozess, auf den die KI nicht zugreifen, ihn nicht verändern oder umgehen kann.",
    "flow_title": "PreToolUse Hook Ausführungsablauf",
    "flow_desc": "Bevor eine Datei bearbeitet, geschrieben oder ein Bash-Befehl ausgeführt wird, fängt der Hook die Aktion ab und führt Validierungsprüfungen durch. Nur wenn ALLE Prüfungen erfolgreich sind (Exit-Code 0), wird die AI-Aktion fortgesetzt.",
    "flow_alt": "Hook-Architektur: PreToolUse Abfangfluss mit Validierung und harten Blöcken",
    "examples_title": "Beispiele für die tatsächliche Durchsetzung",
    "example_1_icon": "🚫",
    "example_1_title": "GitHub URL-Schutz (inst_084)",
    "example_1_desc": "AI hat versucht, die URL des GitHub-Repositorys von tractatus-framework (öffentlich) auf tractatus (privat) zu ändern.",
    "example_1_blocked": "GESPERRT:",
    "example_1_reason": "Änderung der Repository-URL entdeckt",
    "example_1_detail": "Grund: Würde private Repo-Struktur offenlegen",
    "example_1_hook": "Haken: validate-file-edit.js Zeile 448-505",
    "example_2_icon": "🚫",
    "example_2_title": "CSP-Verstoß (inst_008)",
    "example_2_desc": "AI hat versucht, einem HTML-Element ein Inline-Style-Attribut hinzuzufügen.",
    "example_2_blocked": "GESPERRT:",
    "example_2_reason": "Inline-Stil erkannt",
    "example_2_pattern": "Muster:",
    "example_2_hook": "Haken: validate-file-write.js Zeile 68-149",
    "example_3_icon": "🚫",
    "example_3_title": "Schutz von Governance-Dateien (inst_027)",
    "example_3_desc": "AI hat versucht, die Datei instruction-history.json direkt zu bearbeiten.",
    "example_3_blocked": "GESPERRT:",
    "example_3_reason": "inst_027 harter Block",
    "example_3_use": "Verwenden Sie stattdessen: scripts/add-instruction.js",
    "example_3_hook": "Haken: framework-audit-hook.js Zeile 204-209",
    "example_4_icon": "⚠",
    "example_4_title": "Menschliche Zustimmung erforderlich (BoundaryEnforcer)",
    "example_4_desc": "Die AI-Aktion berührt eine wertesensitive Datei (Datenschutzrichtlinie).",
    "example_4_status": "ASK HUMAN:",
    "example_4_reason": "Werte Entscheidung erkannt",
    "example_4_requires": "Erfordert: Ausdrückliche menschliche Zustimmung",
    "example_4_hook": "Haken: validate-file-write.js Zeile 239-262",
    "tech_impl_title": "Technische Umsetzung",
    "process_sep_icon": "🔒",
    "process_sep_title": "Prozess-Trennung",
    "process_sep_desc": "Hooks werden in einem separaten Node.js-Prozess (child_process.spawn) mit eigenem Speicherplatz ausgeführt. Der KI-Agent kann nicht auf den Validierungsprozess zugreifen, ihn ändern oder beenden.",
    "exit_code_icon": "⚙️",
    "exit_code_title": "Exit-Code-Durchsetzung",
    "exit_code_desc": "Hook-Validatoren geben Exit-Codes zurück, die von der Architektur von Claude Code erzwungen werden:",
    "exit_code_0": "0 = PASS → Werkzeug wird ausgeführt",
    "exit_code_2": "2 = HARD BLOCK → Werkzeugausführung angehalten, Fehler wird dem Benutzer angezeigt",
    "audit_icon": "📊",
    "audit_title": "Prüfpfad",
    "audit_desc": "Jede Hook-Ausführung wird in .claude/metrics/hooks-metrics.json mit Zeitstempel, Datei, Ergebnis und Grund protokolliert. Die Blöcke werden für die Analyse separat aufgezeichnet.",
    "why_matters_title": "Warum die architektonische Durchsetzung wichtig ist",
    "why_matters_desc": "Dies ist der grundlegende Unterschied zwischen dem Tractatus und den traditionellen Sicherheitsansätzen der KI:",
    "voluntary_title": "❌ Freiwillige Einhaltung",
    "voluntary_1": "KI \"entscheidet\" sich für die Einhaltung von Regeln",
    "voluntary_2": "Kann unter Kontextdruck abdriften",
    "voluntary_3": "Mustererkennung kann Anweisungen außer Kraft setzen",
    "voluntary_4": "Keine Überprüfung vor der Ausführung",
    "architectural_title": "✓ Architektonische Durchsetzung",
    "architectural_1": "Hook fängt vor der Ausführung ab",
    "architectural_2": "Separater Prozess, kein Zugriff möglich",
    "architectural_3": "Von der Laufzeit erzwungene Exit-Codes",
    "architectural_4": "Prüfpfad für alle Entscheidungen"
  },
  "deployment": {
    "heading": "Architektur des Einsatzes",
    "tech_stack_title": "Technologie-Stapel",
    "runtime": "Laufzeit:",
    "runtime_value": "Node.js v20+",
    "database": "Datenbank:",
    "database_value": "MongoDB 7.0+",
    "framework": "Rahmen:",
    "framework_value": "Express.js",
    "process": "Prozess:",
    "process_value": "Systemd (empfohlen)",
    "guide_title": "Einsatz in der Produktion",
    "guide_desc": "Umfassender Leitfaden für die Bereitstellung, der die lokale Entwicklung, die Konfiguration des Produktionsservers, die Docker-Containerisierung, die Bereitstellungsmuster in der Cloud (AWS, GCP, Kubernetes), das Datenbankmanagement, die Überwachung und bewährte Sicherheitsverfahren abdeckt.",
    "covered_title": "📦 Abgedeckt im Leitfaden:",
    "covered_1": "Aufbau der lokalen Entwicklung",
    "covered_2": "Konfiguration des Produktionsservers",
    "covered_3": "Docker und Docker Compose",
    "covered_4": "Cloud-Bereitstellung (AWS/GCP)",
    "also_title": "🔧 Enthält auch:",
    "also_1": "Kubernetes-Manifeste",
    "also_2": "Sicherung und Migration von Datenbanken",
    "also_3": "SSL/TLS-Konfiguration",
    "also_4": "Überwachung und Protokollierung",
    "download_guide": "Bereitstellungsleitfaden herunterladen (PDF)"
  },
  "services": {
    "heading": "Zentrale Dienste",
    "service_1_name": "BoundaryEnforcer",
    "service_1_desc": "Setzt Tractatus 12.1-12.7 um: KI kann keine Wertentscheidungen ohne menschliche Zustimmung treffen.",
    "service_1_boundaries": "Grenzen:",
    "service_1_boundary_1": "WERTE (12.1) - Ethik, Datenschutz, Grundsätze",
    "service_1_boundary_2": "INNOVATION (12.2) - Architektonische Entscheidungen",
    "service_1_boundary_3": "WISDOM (12.3) - Strategisches Urteilsvermögen",
    "service_1_boundary_4": "ZWECK (12.4) - Definition des Ziels",
    "service_2_name": "InstructionPersistenceClassifier",
    "service_2_desc": "Klassifizierung der Anweisungen nach Quadranten (STRATEGIC/OPERATIONAL/TACTICAL/SYSTEM) und Persistenzniveau (HIGH/MEDIUM/LOW).",
    "service_2_classification": "Einstufung:",
    "service_2_class_1": "Quadrant (STRATEGISCH/OPERATIONELL/TAKTISCH/SYSTEM)",
    "service_2_class_2": "Persistenz (HOCH/MITTEL/NIEDRIG)",
    "service_2_class_3": "Zeitlicher Geltungsbereich (PROJEKT/SITZUNG/AUFGABE)",
    "service_2_class_4": "Deutlichkeitsgrad (0,0-1,0)",
    "service_3_name": "CrossReferenceValidator",
    "service_3_desc": "Validiert KI-Aktionen anhand gespeicherter Anweisungen, um zu verhindern, dass die Mustererkennung übergangen wird.",
    "service_3_validation": "Validierung:",
    "service_3_val_1": "Prüft die Aktion gegen HIGH-Persistenzanweisungen",
    "service_3_val_2": "Erkennung von Konflikten (Muster vs. explizite Anweisung)",
    "service_3_val_3": "Liefert bei Ablehnung korrekte Parameter",
    "service_4_name": "ContextPressureMonitor",
    "service_4_desc": "Überwacht die Token-Nutzung und den Kontextdruck und löst bei bestimmten Schwellenwerten Sicherheitsprotokolle aus.",
    "service_4_levels": "Druckstufen:",
    "service_4_level_1": "NORMAL (0-50%) - Voller Betrieb",
    "service_4_level_2": "ELEVATED (50-75%) - Verstärkte Überprüfung",
    "service_4_level_3": "HOCH (75-90%) - Reduzierung der Komplexität",
    "service_4_level_4": "CRITICAL (90%+) - Übergabe vorschlagen",
    "service_5_name": "Metakognitiver Verifizierer",
    "service_5_desc": "Überprüft die Argumentation und das Vertrauen in die Aktion und verlangt eine Bestätigung für Aktionen mit geringem Vertrauen.",
    "service_5_verification": "Verifizierung:",
    "service_5_ver_1": "Konfidenzbewertung (0,0-1,0)",
    "service_5_ver_2": "Selektiver Modus (nur HIGH Persistence)",
    "service_5_ver_3": "Erfordert eine Bestätigung, wenn das Vertrauen < 0,7 ist",
    "service_6_name": "PluralistischeBeratungOrchestrator",
    "service_6_desc": "Leitung von Beratungen mit mehreren Interessengruppen, um die Pluralität der Werte bei Entscheidungen zu gewährleisten.",
    "service_6_features": "Merkmale:",
    "service_6_feature_1": "Verfolgung der Stakeholder-Perspektive",
    "service_6_feature_2": "Erkennung von Wertkonflikten",
    "service_6_feature_3": "Verwaltung von Beratungssitzungen",
    "service_6_feature_4": "Vorrangige Speicherung",
    "source_code_label": "📁 Quellcode",
    "source_code_desc": "Code-Muster und Beispiele sind im GitHub-Repository verfügbar."
  },
  "api": {
    "heading": "API-Referenz",
    "boundary_method": "BoundaryEnforcer.checkBoundary()",
    "boundary_keywords": "Schlüsselwörter entdeckt:",
    "boundary_keywords_list": "wert, Prinzip, Ethik, Moral, Sollen, Sollen, Richtig, Falsch, Privatsphäre, Politik, Kompromiss, usw.",
    "classifier_method": "InstructionPersistenceClassifier.classify()",
    "classifier_quadrants": "Quadranten:",
    "classifier_quadrants_list": "STRATEGISCH, OPERATIV, TAKTISCH, SYSTEM, LAGERUNG",
    "classifier_persistence": "Beharrlichkeit:",
    "classifier_persistence_desc": "HIGH (alle überschreiben), MEDIUM (session-scoped), LOW (kann ersetzt werden)",
    "validator_method": "CrossReferenceValidator.validate()",
    "monitor_method": "ContextPressureMonitor.analyzePressure()"
  },
  "examples": {
    "heading": "Beispiele für die Integration",
    "express_title": "Express-Middleware-Integration",
    "validation_title": "Validierung von Anweisungen",
    "mongodb_title": "MongoDB-Datenmodelle",
    "governance_rule": "GovernanceRegel",
    "audit_log": "AuditLog"
  },
  "patterns": {
    "heading": "Integration von Mustern",
    "intro": "Gemeinsame Architekturmuster für die Integration von Tractatus in bestehende Systeme.",
    "middleware_title": "Middleware-Integration",
    "middleware_desc": "Fügen Sie Governance-Prüfungen als Middleware in Ihre Anforderungspipeline ein. Geeignet für API-basierte KI-Systeme.",
    "middleware_usecase": "Anwendungsfall:",
    "middleware_usecase_value": "REST-APIs, Express.js-Anwendungen",
    "event_title": "Ereignisgesteuerte Governance",
    "event_desc": "Auslösen von Governance-Prüfungen über Ereignisse. Geeignet für asynchrone Workflows und Microservices.",
    "event_usecase": "Anwendungsfall:",
    "event_usecase_value": "Nachrichtenwarteschlangen, Ereignisbusse, asynchrone Verarbeitung",
    "hook_title": "Pre-/Post-Action-Haken",
    "hook_desc": "Validierung von Aktionen vor und nach der Ausführung. Aktuelles Produktionsmuster für Claude Code.",
    "hook_usecase": "Anwendungsfall:",
    "hook_usecase_value": "Einsatz von LLM-Werkzeugen, autonome Agenten",
    "sidecar_title": "Sidecar Governance-Dienst",
    "sidecar_desc": "Bereitstellung von Governance als separater Dienst. Geeignet für Multi-LLM- oder polyglotte Umgebungen.",
    "sidecar_usecase": "Anwendungsfall:",
    "sidecar_usecase_value": "Kubernetes, containerisierte Bereitstellungen"
  },
  "village_ai_arch": {
    "heading": "Village AI: Souveräne Zwei-Modell-Architektur",
    "intro": "Produktionseinsatz der Tractatus-Governance auf lokal trainierten Open-Source-Modellen, der die Framework-Portabilität über Claude hinaus demonstriert.",
    "arch_title": "Zwei-Modell-Routing-Architektur",
    "arch_intro": "Village AI verwendet ein Dual-Modell-Design, bei dem Anfragen basierend auf Komplexität und Governance-Anforderungen geroutet werden. Beide Modelle laufen lokal mit vollständiger Tractatus-Governance in der Inferenz-Pipeline.",
    "fast_title": "Schnelles Modell: Llama 3.2 3B",
    "fast_1": "<strong>Zweck:</strong> Häufige Anfragen mit vorab gefilterter Governance",
    "fast_2": "<strong>Feinabstimmung:</strong> QLoRA auf domänenspezifischen Daten",
    "fast_3": "<strong>Governance:</strong> Leichtgewichtiger Grenzprüfung vor Antwort",
    "deep_title": "Tiefes Modell: Llama 3.1 8B",
    "deep_1": "<strong>Zweck:</strong> Komplexes Reasoning mit vollständiger Governance-Pipeline",
    "deep_2": "<strong>Feinabstimmung:</strong> QLoRA mit erweiterter Kontext-Governance",
    "deep_3": "<strong>Governance:</strong> Vollständige 6-Dienste-Pipeline (BoundaryEnforcer bis PDO)",
    "routing_title": "Modell-Routing-Logik",
    "impl_title": "Implementierungsdetails",
    "stat_sovereignty": "100% Lokal",
    "stat_sovereignty_desc": "Trainingsdaten verlassen nie die Infrastruktur",
    "stat_governance": "6 Dienste",
    "stat_governance_desc": "Vollständige Tractatus-Governance in der Inferenz-Pipeline",
    "stat_first": "Erstes Nicht-Claude",
    "stat_first_desc": "Validiert die Tractatus-Portabilität über Anthropic hinaus",
    "status_note": "<strong>Status:</strong> Inferenz-Governance betriebsbereit. Installation der souveränen Trainingspipeline in Arbeit. Produktionseinsatz bei Village Home Trust validiert die Governance-Portabilität über Modellarchitekturen hinweg.",
    "cta": "Village AI Architekturdetails →"
  },
  "steering_impl": {
    "heading": "Steuervektoren: Bias-Korrektur zur Inferenzzeit",
    "intro": "Techniken zur Korrektur des Modellverhaltens zur Inferenzzeit ohne Neutraining, anwendbar auf QLoRA-feinabgestimmte Modelle wie in Village AI.",
    "paper_ref": "Referenz:",
    "paper_title": "Steuervektoren und mechanischer Bias in souveränen KI-Systemen (STO-RES-0009 v1.1, Februar 2026)",
    "techniques_title": "Schlüsseltechniken für Implementierer",
    "caa_title": "Contrastive Activation Addition (CAA)",
    "caa_desc": "Extrahieren Sie Aktivierungsunterschiede zwischen kontrastierenden Prompts und fügen Sie dann skalierte Vektoren während der Inferenz hinzu, um das Modellverhalten in gewünschte Richtungen zu lenken.",
    "repe_title": "Representation Engineering (RepE)",
    "repe_desc": "Identifizieren und manipulieren Sie interne Repräsentationen von Konzepten (Ehrlichkeit, Sicherheit, Fairness) durch Sondierung und direktionale Manipulation von Modellaktivierungen.",
    "fairsteer_title": "FairSteer",
    "fairsteer_desc": "Identifizieren Sie bias-kritische Schichten durch Sondierungsklassifikatoren und wenden Sie dann gezielte Korrekturen auf diese spezifischen Schichten an.",
    "dso_title": "Direct Steering Optimisation (DSO)",
    "dso_desc": "Optimieren Sie Steuervektoren mit Präferenzdatensätzen (DPO-Stil) für trainingsfreie Bias-Korrektur, die aus menschlichen Präferenzdaten lernt.",
    "key_distinction": "<strong>Wichtige Unterscheidung:</strong> Die Arbeit unterscheidet zwischen mechanischem Bias (vor dem Reasoning, in Modellgewichten eingebettet — durch Steuervektoren adressierbar) und Reasoning-Bias (deliberativ, während der Inferenz entstehend — Governance-Framework-Ansätze wie Tractatus erfordernd).",
    "research_link": "Vollständige Forschungsdetails →",
    "paper_link": "Arbeit lesen (HTML)"
  },
  "taonga_registry": {
    "heading": "Taonga-Register: Verwaltete Datenobjekte für indigene Souveränität",
    "intro": "Architekturmuster für die Behandlung von Steering-Packs und Modellkonfigurationen als verwaltete Datenobjekte mit Herkunftsverfolgung und gemeinschaftskontrolliertem Zugang.",
    "status_title": "Konzeptionelle Architektur — In Peer-Review",
    "status_text": "Basierend auf STO-RES-0010 v0.1 ENTWURF, derzeit in indigener Peer-Review. Ohne Māori-Co-Autorenschaft verfasst — als Ausgangspunkt für Zusammenarbeit präsentiert. Nicht produktionsreif.",
    "concepts_title": "Zentrale Architekturkonzepte",
    "packs_title": "Steering-Packs als verwaltete Objekte",
    "packs_desc": "Modellkonfigurationen, Feinabstimmungsdaten und Steuervektoren werden als Taonga (Schätze) mit vollständiger Herkunftsverfolgung, Zugangskontrolle und Zustimmungsanforderungen der Gemeinschaft behandelt.",
    "provenance_title": "Herkunft & Widerrufsrechte",
    "provenance_desc": "Jedes Datenobjekt verfolgt seine vollständige Abstammung. Gemeinschaften behalten das Recht, ihre Daten und Konfigurationen zurückzuziehen, mit architektonischer Durchsetzung der Entfernungspropagation.",
    "polycentric_title": "Polyzentrische Governance-Integration",
    "polycentric_desc": "Erweitert den PluralisticDeliberationOrchestrator mit Iwi/Gemeinschaft als gleichberechtigte Governance-Autoritäten. Zugangsentscheidungen erfordern Mehrstimmigkeit.",
    "care_title": "Implementierung der CARE-Prinzipien",
    "care_desc": "Setzt architektonisch den kollektiven Nutzen, die Kontrollautorität, die Verantwortung und die Ethik für die Governance indigener Daten innerhalb des Tractatus-Frameworks durch.",
    "research_link": "Forschungskontext →",
    "paper_link": "Entwurf lesen (HTML)"
  },
  "roadmap": {
    "heading": "Entwicklungsfahrplan & Zusammenarbeit",
    "intro": "Tractatus ist ein aktiver Forschungsrahmen. Wir begrüßen die Zusammenarbeit in vorrangigen Entwicklungsbereichen.",
    "priority_title": "🚀 Vorrangige Bereiche für die Entwicklung",
    "priority_desc": "Diese Initiativen bieten wichtige Möglichkeiten zur Verbesserung des Rahmens. Technische Mitarbeiter, Forscher und Organisationen sind aufgefordert, sich daran zu beteiligen.",
    "multi_llm_icon": "🤖",
    "multi_llm_title": "Multi-LLM-Unterstützung",
    "multi_llm_badge": "Erste Bereitstellung Live",
    "multi_llm_status": "Status: Erste Nicht-Claude-Bereitstellung betriebsbereit",
    "multi_llm_desc": "Village AI setzt Tractatus-Governance auf Llama 3.1 8B und Llama 3.2 3B via QLoRA-Feinabstimmung ein — die erste validierte Nicht-Claude-Bereitstellung. Erweitert die Governance-Portabilität auf Open-Source-Modelle mit vollständiger 6-Dienste-Pipeline.",
    "multi_llm_challenges": "Nächste Schritte:",
    "multi_llm_challenges_desc": "GPT-4- und Gemini-Adapter, anbieterspezifische Werkzeug-/Funktionsaufrufe, Fertigstellung der souveränen Trainingspipeline",
    "bindings_icon": "📚",
    "bindings_title": "Sprachbindungen",
    "bindings_status": "Status: Interesse der Gemeinschaft",
    "bindings_desc": "Python-, Go- und Rust-Implementierungen für eine breitere Entwicklergemeinschaft. Die Kernlogik ist portabel, die MongoDB-Integration ist universell.",
    "bindings_value": "Wert:",
    "bindings_value_desc": "Ermöglicht polyglotte KI-Stacks, leistungskritische Anwendungen (Rust), Data-Science-Workflows (Python)",
    "cloud_icon": "☁️",
    "cloud_title": "Cloud-Native-Bereitstellung",
    "cloud_status": "Status: Referenzarchitekturen werden benötigt",
    "cloud_desc": "Terraform/Helm-Diagramme für AWS, Azure, GCP. Einschließlich verwalteter MongoDB (Atlas), automatischer Skalierung und Überwachungsintegration.",
    "cloud_deliverables": "Ergebnisse:",
    "cloud_deliverables_desc": "Referenz IaC-Vorlagen, Leitfäden zur Kostenoptimierung, Checkliste für die Sicherheitshärtung",
    "integrations_icon": "🔗",
    "integrations_title": "AI-Framework-Integration",
    "integrations_status": "Status: Konzeptionell",
    "integrations_desc": "Adapter für LangChain, Semantic Kernel, AutoGPT, und CrewAI. Ermöglicht Governance für bestehende Agenten-Frameworks.",
    "integrations_approach": "Herangehensweise:",
    "integrations_approach_desc": "Plugin/Middleware-Architektur, die Agentenaktionen mit Governance-Prüfungen umhüllt",
    "performance_icon": "⚡",
    "performance_title": "Leistung auf Unternehmensebene",
    "performance_status": "Status: Validierung erforderlich",
    "performance_desc": "Optimierung für 1000+ gleichzeitige KI-Agenten. Erfordert Caching-Strategien, Regelkompilierung und verteilte Audit-Protokollierung.",
    "performance_target": "Metrisches Ziel:",
    "performance_target_desc": "< 5 ms Governance-Overhead pro Entscheidung, 99,9 % Betriebszeit, horizontale Skalierbarkeit",
    "extended_icon": "🛡️",
    "extended_title": "Erweiterte Governance-Dienste",
    "extended_status": "Status: Forschung",
    "extended_desc": "Kostenüberwachung, Ratenbegrenzung, Erkennung von PII, Abwehr von Angriffen auf die Privatsphäre. Bereichsspezifische Dienste für regulierte Branchen.",
    "extended_examples": "Beispiele:",
    "extended_examples_desc": "FinancialComplianceService, HealthcarePrivacyService, CostBudgetEnforcer",
    "training_title": "Souveräne Trainingspipeline",
    "training_status": "Status: In Arbeit",
    "training_desc": "Governance-innerhalb-der-Trainingsschleife für gemeinschaftskontrollierte Modelle. Erweitert Tractatus von Inferenzzeit-Governance zu Trainingszeit-Governance und gewährleistet Datensouveränität von der Feinabstimmung bis zur Bereitstellung.",
    "training_deliverables": "Ergebnisse:",
    "training_deliverables_desc": "QLoRA-Training mit Governance-Einschränkungen, Datenherkunftsverfolgung, Gemeinschaftszustimmungspipeline",
    "taonga_title": "Taonga-Datenregister",
    "taonga_status": "Status: Konzeptionell / In Peer-Review",
    "taonga_desc": "Verwaltete Datenobjekte mit Herkunftsverfolgung, Widerrufsrechten und polyzentrischer Gemeinschaftsgovernance. Erweitert den PluralisticDeliberationOrchestrator für indigene Datensouveränität.",
    "taonga_reference": "Referenz:",
    "taonga_reference_desc": "STO-RES-0010 v0.1 ENTWURF — in indigener Peer-Review",
    "involved_title": "Engagieren Sie sich",
    "involved_desc": "Tractatus ist Apache 2.0 lizenzierte Forschung. Wir begrüßen Beiträge, Pilotimplementierungen und kollaborative Forschungspartnerschaften.",
    "contributors_title": "👨‍💻 Technische Mitwirkende",
    "contributors_desc": "Implementierung von Funktionen, Behebung von Fehlern, Verbesserung der Dokumentation",
    "contributors_link": "→ Leitfaden für Beitragszahler",
    "research_title": "🔬 Forschungspartner",
    "research_desc": "Validierungsstudien, akademische Zusammenarbeit, Fallstudien",
    "research_email": "→ research@agenticgovernance.digital",
    "pilots_title": "🏢 Organisation Lotsen",
    "pilots_desc": "Einsatz in der Produktion, Unternehmensanforderungen, Feedback-Schleifen",
    "pilots_link": "→ Fallstudie einreichen",
    "why_collab": "Warum zusammenarbeiten?",
    "why_collab_desc": "Tractatus adressiert echte Lücken in der KI-Sicherheit. Frühe Anwender gestalten die Entwicklung des Rahmens und erwerben Fachkenntnisse in der strukturellen KI-Governance - eine differenzierende Fähigkeit, wenn die regulatorischen Anforderungen reifen."
  },
  "share_cta": {
    "heading": "Helfen Sie uns, die richtigen Leute zu erreichen.",
    "description": "Wenn Sie Forscher, Implementierer oder Führungskräfte kennen, die strukturelle KI-Governance-Lösungen benötigen, teilen Sie dies mit ihnen.",
    "copy_link": "Link kopieren",
    "email": "E-Mail",
    "linkedin": "LinkedIn"
  }
}