refactor(docs): réorganiser la documentation selon principes DDD

Réorganise la documentation du projet selon les principes du Domain-Driven Design (DDD) pour améliorer la cohésion, la maintenabilité et l'alignement avec l'architecture modulaire du backend.

**Structure cible:**
```
docs/domains/
├── README.md (Context Map)
├── _shared/ (Core Domain)
├── recommendation/ (Supporting Subdomain)
├── content/ (Supporting Subdomain)
├── moderation/ (Supporting Subdomain)
├── advertising/ (Generic Subdomain)
├── premium/ (Generic Subdomain)
└── monetization/ (Generic Subdomain)
```

**Changements effectués:**

Phase 1: Création de l'arborescence des 7 bounded contexts
Phase 2: Déplacement des règles métier (01-19) vers domains/*/rules/
Phase 3: Déplacement des diagrammes d'entités vers domains/*/entities/
Phase 4: Déplacement des diagrammes flux/états/séquences vers domains/*/
Phase 5: Création des README.md pour chaque domaine
Phase 6: Déplacement des features Gherkin vers domains/*/features/
Phase 7: Création du Context Map (domains/README.md)
Phase 8: Mise à jour de mkdocs.yml pour la nouvelle navigation
Phase 9: Correction automatique des liens internes (script fix-markdown-links.sh)
Phase 10: Nettoyage de l'ancienne structure (regles-metier/, diagrammes/, features/)

**Configuration des tests:**
- Makefile: godog run docs/domains/*/features/
- scripts/generate-bdd-docs.py: features_dir → docs/domains

**Avantages:**
✅ Cohésion forte: toute la doc d'un domaine au même endroit
✅ Couplage faible: domaines indépendants, dépendances explicites
✅ Navigabilité améliorée: README par domaine = entrée claire
✅ Alignement code/docs: miroir de backend/internal/
✅ Onboarding facilité: exploration domaine par domaine
✅ Tests BDD intégrés: features au plus près des règles métier

Voir docs/REFACTOR-DDD.md pour le plan complet.

docs/domains/content/features/content-creation/validation-musique-detection.feature

@@ -0,0 +1,62 @@
+# language: fr
+
+@api @content-creation @copyright @mvp
+Fonctionnalité: Validation et détection automatique de musique
+
+  En tant que plateforme
+  Je veux détecter automatiquement la musique protégée
+  Afin de respecter les droits d'auteur
+
+  Scénario: Analyse audio automatique lors de l'upload
+    Étant donné un créateur upload un fichier audio
+    Quand le fichier est uploadé sur S3
+    Alors une tâche asynchrone d'analyse est lancée
+    Et l'audio est comparé à la base ACRCloud
+    Et les résultats sont disponibles en < 30 secondes
+    Et un événement "MUSIC_ANALYSIS_STARTED" est enregistré
+
+  Scénario: Identification précise avec métadonnées
+    Étant donné un audio analysé
+    Quand de la musique est détectée
+    Alors le système retourne:
+      | Métadonnée    | Exemple                |
+      | Titre         | Bohemian Rhapsody      |
+      | Artiste       | Queen                  |
+      | Album         | A Night at the Opera   |
+      | ISRC          | GBUM71029604           |
+      | Timestamp     | 00:02:15 - 00:02:43    |
+      | Durée         | 28 secondes            |
+      | Confiance     | 98%                    |
+    Et un événement "MUSIC_IDENTIFIED" est enregistré
+
+  Scénario: Faux positifs - validation manuelle
+    Étant donné un audio avec détection incertaine (confiance < 80%)
+    Quand le créateur conteste la détection
+    Alors une review manuelle est déclenchée
+    Et un modérateur écoute et valide
+    Et un événement "MUSIC_MANUAL_REVIEW_REQUESTED" est enregistré
+
+  Scénario: Mise en queue pendant l'analyse
+    Étant donné un créateur qui upload un audio
+    Quand l'analyse est en cours
+    Alors le statut affiche "Analyse en cours..."
+    Et le créateur peut continuer la création
+    Et est notifié quand l'analyse est terminée
+    Et un événement "MUSIC_ANALYSIS_PENDING" est enregistré
+
+  Scénario: Détection de musique transformée (pitch, tempo)
+    Étant donné un audio avec musique modifiée (accélérée/ralentie)
+    Quand l'analyse s'exécute
+    Alors le système détecte quand même le morceau original
+    Et applique les mêmes règles de fair use
+    Et un événement "MODIFIED_MUSIC_DETECTED" est enregistré
+
+  Scénario: Statistiques de détection pour la plateforme
+    Étant donné que 10 000 audios ont été analysés
+    Alors les indicateurs suivants sont disponibles:
+      | Métrique                      | Valeur  |
+      | Taux de détection de musique  | 35%     |
+      | Taux de conformité fair use   | 88%     |
+      | Taux de faux positifs         | 2%      |
+      | Temps moyen d'analyse         | 18s     |
+    Et les métriques sont exportées vers le monitoring