
# Causální kontrafaktuální narativní engine pro generování souladnosti v reálném čase napříč více regulacemi

## Úvod

Podniky působící napříč hranicemi čelí neustálému proudu regulačních aktualizací. Tradiční souladové pipeline spoléhají na manuální interpretaci, pravidlově založené mapování a periodické reportování — procesy, které jsou pomalé, náchylné k chybám a nákladné. Nedávné pokroky ve velkých jazykových modelech (LLM) umožnily **generativní souladové narativy**, ale většina řešení stále funguje jako černé skříňky: generují text bez vysvětlení *proč* je doporučována konkrétní kontrola nebo mitigace.

**Causální kontrafaktuální narativní engine (CCNE)** tuto mezeru zaplňuje. Vytvořením kauzálního grafu regulačních požadavků, obchodních procesů a rizikových faktorů může engine klást otázky typu „co‑bylo‑kdyby“, generovat kontrafaktuální scénáře a vytvářet narativy, které jsou zároveň **v reálném čase** a **vysvětlitelné**. Tento článek provádí čtenáře konceptuálními základy, technickou architekturou a praktickými kroky nasazení CCNE, který funguje napříč více regulačními režimy.

## Proč jsou kauzální kontrafaktuály důležité

1. **Pochopení kořenové příčiny** — Kauzální grafy odhalují podkladové faktory rizika souladnosti (např. „Doba uchování dat → [GDPR](https://gdpr.eu/) článek 5 soulad“). Když se předpis změní, dopad se okamžitě rozšíří grafem a zvýrazní ovlivněné kontroly.

2. **Prozkoumání „co‑bylo‑kdyby“** — Kontrafaktuální uvažování umožňuje úředníkům souladnosti ptát se např. „Kdybychom snížili dobu uchování dat na 30 dnů, splnili bychom stále [ISO 27001](https://www.iso.org/standard/27001) A.8.2?“ Engine simuluje výsledek a vytvoří narativ, který vysvětluje kompromis.

3. **Auditovatelnost** — Každé doporučení je podloženo sledovatelnou kauzální cestou a kontrafaktuálním důkazem, což vyhovuje auditorům požadujícím důkazy nad rámec vygenerovaného odstavce.

4. **Regulační harmonie** — Zarovnáním více ontologií na společný kauzální základ může engine vyřešit konfliktní požadavky (např. rozdílná pravidla o lokalitě dat v GDPR vs. CCPA) a vytvořit jednotný narativ.

## Přehled architektury

CCNE se skládá z pěti úzce provázaných vrstev:

1. **Ingesta & zarovnání ontologie** — Streamuje regulační texty, interní politiky a metadata procesů do jednotného znalostního grafu.  
2. **Stavitel kauzálního grafu** — Extrahuje vztahy příčina‑následek pomocí LLM‑augmentovaného extrakčního procesu a ukládá je jako orientované hrany.  
3. **Kontrafaktuální engine** — Generuje alternativní světy přepínáním stavů uzlů a hodnotí dopad na soulad pomocí pravděpodobnostního inferování.  
4. **Generativní narativní vrstva** — Podmíněním LLM na kauzální cestu a kontrafaktuální důkazy vytváří lidsky čitelné vysvětlení.  
5. **Orchestrace & API v reálném čase** — Obsluhuje požadavky, řídí latenci a loguje provenance pro auditní stopy.

Níže je vysokou úrovní Mermaid diagram datového toku.

```mermaid
graph LR
    A["Regulační kanál"] --> B["Ingesta služba"]
    C["Úložiště firemních politik"] --> B
    D["Procesní metadata Lake"] --> B
    B --> E["Jednotný znalostní graf"]
    E --> F["Stavitel kauzálního grafu"]
    F --> G["Úložiště kauzálního grafu"]
    G --> H["Kontrafaktuální engine"]
    H --> I["Generátor narativu"]
    I --> J["API v reálném čase"]
    J --> K["Dashboard souladnosti"]
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style K fill:#bbf,stroke:#333,stroke-width:2px
```

## Ingesta dat & zarovnání ontologie

### Streamování z více zdrojů

- **Regulační kanály** (EU Gazette, SEC EDGAR, místní úřady) jsou konzumovány přes RSS, API nebo web‑scrapery.  
- **Interní artefakty** (politiky, SOP, registry rizik) jsou načítány z dokumentových systémů pomocí konektorů.  
- **Telemetrie procesů** (logy workflow, IAM události) proudí z event hubů (Kafka, Pulsar) do surového jezera.

### Normalizační pipeline

1. **Předzpracování textu** — OCR pro naskenované PDF, detekce jazyka a tokenizace.  
2. **Sémantické chunkování** — Rozděluje dlouhé zákony na atomické klauze pomocí LLM‑driven segmentace.  
3. **Mapování ontologie** — Každou klauzi zarovnává ke sdílenému meta‑modelu (např. `DataRetention`, `AccessControl`, `AuditLog`) pomocí **Prompt‑Based Entity Resolver**.

### Vrstva tokenových pobídek (volitelná)

Pro motivaci externích regulátorů nebo partnerů k poskytování vysoce kvalitních metadat může platforma vydávat **compliance tokeny** na povoleném ledgeru. Tokeny jsou udělovány za ověřené mapování a lze je vyměnit za analytické kredity.

## Konstrukce kauzálního grafu

### Techniky extrakce

- **Závislostní parsování** identifikuje slovesa naznačující kauzalitu („musí uchovávat“, „musí šifrovat“).  
- **LLM‑augmentované těžení vzorů** vyzývá model k označení párů příčina‑následek, např. „Pokud je `EncryptionAtRest` povoleno, pak `DataBreachRisk` klesá“.

### Schéma grafu

| Typ uzlu          | Příklad                     | Atributy                         |
|-------------------|-----------------------------|----------------------------------|
| RegulationClause  | “GDPR Art 5(1)(a)”           | `source`, `effectiveDate`        |
| Control           | “AES‑256 Encryption”        | `implementationStatus`, `cost`  |
| RiskFactor        | “Unauthorized Access”       | `probability`, `impactScore`    |
| BusinessProcess   | “Customer Data Export”      | `owner`, `frequency`            |

Hrany nesou **kauzální váhu** (0‑1) odvozenou z konfidenčních skóre. Graf je uložen v **property graph databázi** (Neo4j, JanusGraph) pro rychlé procházení.

## Modul kontrafaktuálního uvažování

### Engine „co‑bylo‑kdyby“

Engine využívá **pravděpodobnostní grafické modely** (Bayesovské sítě) postavené na kauzálním grafu. Pro vyhodnocení kontrafaktuálu:

1. **Intervence** — nastaví se stav uzlu (např. `DataRetention = 30 days`).  
2. **Do‑kalkulus** — intervence se propaguje sítí a přepočítají se posteriorní pravděpodobnosti pro podřízené rizikové uzly.  
3. **Scoring výsledku** — nový profil rizika se porovná s prahy souladnosti.

### Příklad dotazu

> *„Pokud nahradíme on‑premise logging cloudovým SIEM, splníme stále [ISO 27001](https://www.iso.org/standard/27001) A.12.4?“*

Engine intervenuje na `LoggingSolution = CloudSIEM`, spustí inferenci a vrátí pravděpodobnost souladnosti (např. 0,92). Výsledek je následně předán generátoru narativu.

## Generativní narativní vrstva

### Prompt engineering

LLM dostane strukturovaný prompt obsahující:

- **Regulační kontext** (text klauze, jurisdikce)  
- **Kauzální cesta** (seznam uzlů a hran)  
- **Výsledek kontrafaktuálu** (pravděpodobnost, změna rizika)  
- **Direktivy tónu** (stručný, výkonný souhrn, technické detaily)

Příklad (zjednodušený):

```
You are a compliance analyst. Explain why switching to CloudSIEM improves ISO 27001 A.12.4 compliance. Include the causal chain: CloudSIEM → RealTimeLogAggregation → ReducedLogLoss → ComplianceScore 0.92. Keep the tone professional and include a brief recommendation.
```

### Výstupní funkce

- **Vysvětlující odstavec** — lidsky čitelný narativ.  
- **Tabulka důkazů** — Markdown tabulka spojující každé tvrzení s ID uzlu grafu.  
- **Auditní hash** — SHA‑256 kauzální cesty, uložený na neměnné ledgeru pro pozdější verifikaci.

## Orchestrace v reálném čase

### Řízení latence

- **Cache vrstva** ukládá nedávné kontrafaktuální výsledky pro opakované dotazy (např. časté scénáře „30‑denní uchování“).  
- **Asynchronní zpracování** — těžké aktualizace grafu běží v pozadí; API vrací stav „pending“ s webhookem pro dokončení.

### API kontrakt

```json
POST /api/v1/compliance/narrative
{
  "regulation": "GDPR",
  "clause": "Art5(1)(a)",
  "intervention": {"DataRetentionDays": 30},
  "outputFormat": "markdown"
}
```

Odpověď obsahuje `narrative`, `evidenceTable` a `auditHash`.

## Vysvětlitelnost & audit

1. **Provenance graf** — každý narativ odkazuje na přesné kauzální hrany použité při tvorbě.  
2. **Kontrafaktuální stopa** — na‑živo lze vygenerovat vizuální Mermaid diagram zobrazující intervenci a ovlivněné uzly.  
3. **Neměnný ledger** — uložení `auditHash` na povoleném blockchainu (např. Hyperledger Fabric) zajišťuje důkaz o neporušenosti.

### Ukázkový Mermaid diagram kontrafaktuálu

```mermaid
graph TD
    A["DataRetention = 90 days"] --> B["Risk: Data Breach = 0.15"]
    C["Intervention: DataRetention = 30 days"] --> D["Risk: Data Breach = 0.07"]
    style C fill:#ff9,stroke:#333,stroke-width:2px
    style D fill:#9f9,stroke:#333,stroke-width:2px
```

## Úvahy o nasazení

| Oblast          | Doporučení |
|-----------------|------------|
| **Škálovatelnost** | Nasadit kauzální graf v distribuované grafové databázi; použít Kubernetes pro stateless služby. |
| **Bezpečnost**      | Šifrovat data v klidu, uplatňovat zero‑trust síťové politiky a izolovat token‑minting služby. |
| **Skladnost**       | Zarovnat platformu samotnou s [ISO 27001](https://www.iso.org/standard/27001) a [SOC 2](https://secureframe.com/hub/soc-2/what-is-soc-2); udržovat samostatné úložiště důkazů pro požadavky regulátorů. |
| **Monitoring**      | Sledovat latenci, konfidenční skóre inferencí a zdraví tokenové ekonomiky pomocí Prometheus + Grafana dashboardů. |

## Budoucí směry

- **Meta‑learning pro optimalizaci promptů** — průběžně doladit LLM na základě zpětné vazby uživatelů pro zlepšení relevance narativů.  
- **Multimodální důkazy** — zapojit vizuální artefakty (např. screenshoty UI kontrol) pomocí vision‑enabled LLM.  
- **Přenos napříč doménami** — využít naučené kauzální vzory z financí k urychlení souladnosti ve zdravotnických regulacích.  
- **Samouzdravující grafy** — detekovat zastaralé hrany pomocí drift detection a automaticky spouštět retrénink extrakčních modelů.

## Závěr

**Causální kontrafaktuální narativní engine** mění soulad z reaktivního kontrolního seznamu na proaktivní, vysvětlitelný systém podpory rozhodování. Spojením analýzy kauzálních grafů, kontrafaktuální simulace a generativní AI získávají organizace okamžité, auditovatelné narativy, které se v reálném čase přizpůsobují regulačním změnám. Implementace výše popsané architektury vybavuje podniky transparentností, kterou regulátoři požadují, a agilností, kterou moderní trh vyžaduje.

## Viz také

- [Counterfactual Reasoning in Large Language Models – arXiv preprint](https://arxiv.org/abs/2403.01234)