feat: Bewertungssystem (👍/👎) als Trainingsdaten-Export

Jede Karte im Leitstand bekommt Daumen hoch/runter fuer die Kategorisierung.
Bei 👎 optional Korrektur (richtige Kategorie/Dringlichkeit). Gespeichert
als bewertung.json pro Anruf-Ordner (gleiches Muster wie stapel.json,
pipe/bewertung.py).

Export als JSONL (pipe/export.py, neuer "📤 Bewertungen exportieren"-Knopf
+ automatisch beim "Tag archivieren"): ein Datensatz pro bewertetem Anruf
mit Transkript, Modell-Ausgabe, Backend/Modell, Bewertung und Korrektur -
fuer externe Auswertung (z.B. um Kategorisierungs-Fehler systematisch statt
zufaellig zu finden, wie das Notfall-Sicherheitsnetz vom letzten Fund).

Export-Knopf verlangt Bestaetigung ("Transkripte und Namen verlassen den
Rechner") - bewusst kein automatischer Export ohne Hinweis, das steht sonst
im Widerspruch zum On-Prem-Versprechen. training/ ist neu gitignored (volle
Transkripte/Namen drin, siehe README-Hinweis zu Testdaten).

Nebenbei: process_call.py legt jetzt auch backend/modell/dauer_s der
Kategorisierung dauerhaft in meta.json ab (vorher nur im fluechtigen Log) -
noetig, damit der Export nachvollziehbar ist, welches Modell lief.

Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_015vtvcyNkapuDh583643hNs

pipe/process_call.py

@@ -86,6 +86,11 @@ def verarbeite(audio: str, anrufer_nummer: str | None = None,
         "audio_dauer_s": t.dauer,
         "auswertung": auswertung,
         "bekannter_kontakt": bekannter_kontakt,
+        # Backend/Modell mit ablegen (nicht nur ins fluechtige Log) - fuer den
+        # Bewertungs-Export (pipe.export) muss nachvollziehbar bleiben, welches
+        # Modell diese Kategorisierung geliefert hat.
+        "kategorisierung": {"backend": meta["backend"], "modell": meta["modell"],
+                             "dauer_s": meta["dauer_s"], "failover_von": meta.get("failover_von")},
     }
 
     print("▸ Lege ab …")