# AI poháněný engine pro rozhodování o souladu v reálném čase s kontrafaktuálním uvažováním

Podniky dnes čelí neustálému proudu regulatorních aktualizací, posunu politik a konfliktům napříč jurisdikcemi. Tradiční pravidlové systémy souladu reagují pomalu, často až po tom, co k porušení došlo. Aby se přešlo z **reaktivního** na **proaktivní** přístup, potřebují organizace engine, který dokáže **okamžitě uvažovat o „co‑by‑bylo“ scénářích**, vysvětlit své závěry a přizpůsobit se vývoji politik.

V tomto článku zkoumáme **nový AI‑poháněný engine pro rozhodování o souladu v reálném čase**, postavený na třech pilířích:

1. **Kontrafaktuální uvažování** – otázka „Co by se stalo, kdybychom změnili X?“  
2. **Kauzální grafové neuronové sítě (CGNN)** – učení skryté příčinné struktury regulatorních ekosystémů.  
3. **Událostmi řízené datové proudy** – ingestování změn politik, auditních logů a operačních telemetrií během milisekund.

Společně tyto komponenty tvoří platformu **Decision‑as‑Code**, která poskytuje **okamžité, vysvětlitelné verdikty souladu** pro jakýkoli příchozí požadavek – ať už jde o dotazník bezpečnosti SaaS, klauzuli smlouvy nebo změnu produktové roadmapy.

---

## 1. Proč je kontrafaktuální uvažování důležité pro soulad

Soulad je v podstatě o **zmírňování rizik**. Regulační orgán může zakázat určitou činnost zpracování dat, ale skutečná otázka pro podnik je **„Pokud upravíme tento krok, dosáhneme stále obchodního cíle a zároveň zůstaneme v souladu?“** Kontrafaktuální uvažování poskytuje odpověď simulací alternativních světů, aniž by je skutečně realizovalo.

### 1.1 Od binárních kontrol k pravděpodobnostním „co‑by‑bylo“

| Tradiční pravidlový engine | Kontrafaktuální engine |
|----------------------------|------------------------|
| Vrací **schváleno/odmítnuto** na základě statických pravidel. | Vrací **pravděpodobnostní rozdělení** výsledků pro více hypotetických změn. |
| Neposkytuje informace o *proč* pravidlo selhalo. | Generuje **kauzální vysvětlení**, které spojuje změnu s dopadem na soulad. |
| Vyžaduje ruční aktualizaci pravidel pro každou novou regulaci. | Učí se **kauzální vztahy** z dat, čímž snižuje potřebu manuální údržby. |

### 1.2 Praktický příklad

Fintech startup chce **ukládat uživatelské transakční logy v nové cloudové oblasti**. Engine pro soulad vyhodnocuje:

- **Skutečný svět**: Aktuální oblast splňuje [GDPR](https://gdpr.eu/), nová oblast ne.  
- **Kontrafaktuální svět**: „Co kdybychom šifrovali logy pomocí evropské schválené služby pro správu klíčů?“  
- **Výsledek**: Engine předpovídá **92 % pravděpodobnost souladu** a poskytuje krok‑za‑krokem plán mitigace.

Rozhodnutí je doručeno **během méně než 200 ms**, což umožňuje produktovému týmu pokračovat bez čekání na manuální audit.

---

## 2. Kauzální grafové neuronové sítě: Mozek engine

**Kauzální grafová neuronová síť (CGNN)** rozšiřuje klasické GNN o **směrové příčinné hrany**, které se učí z historických incidentů souladu, politických dokumentů a auditních stop. Na rozdíl od modelů založených jen na korelaci dokáže CGNN odpovídat na **dotazy o intervencích** – přesně to, co kontrafaktuální uvažování vyžaduje.

### 2.1 Vytváření kauzálního znalostního grafu

1. **Typy uzlů** – Regulace, Kontroly, Datové aktiva, Obchodní procesy, Indikátory rizika.  
2. **Typy hran** – *vynucuje*, *závisí_na*, *mitiguje*, *konfliktuje_s*.  
3. **Temporální vrstva** – Zachycuje verzování politik a jejich posun v čase.

```mermaid
graph TD
    "Regulation A" -->|"enforces"| "Control X"
    "Control X" -->|"depends_on"| "Data Asset D"
    "Data Asset D" -->|"exposes"| "Risk Indicator R"
    "Regulation B" -->|"conflicts_with"| "Control X"
    "Policy Update" -->|"updates"| "Regulation A"
```

Graf je **automaticky naplňován** pomocí:

- **Document AI**, která extrahuje entity z PDF, webových stránek a právních textů.  
- **Událostních proudů** (Kafka, Pulsar), které posílají notifikace o změnách politik.  
- **Zpětných vazeb**, kde auditoři označují false positive/negative, čímž se upravují váhy hran.

### 2.2 Trénink CGNN

- **Supervidovaný loss** na známých výsledcích souladu (schváleno/odmítnuto).  
- **Kauzální regularizace**, která penalizuje cykly porušující známé regulatorní hierarchie.  
- **Temporální kontrastivní učení** pro rozlišení skutečného posunu od šumu.

Výsledný model dokáže **propagovat intervenci** (např. „šifrovat data“) skrz graf a vypočítat dopad na riziko nesouladu.

---

## 3. Přehled architektury v reálném čase

Níže je diagram vysoké úrovně celého systému. Všechny komponenty komunikují přes **událost‑řízená API**, což zajišťuje sub‑sekundovou latenci.

```mermaid
flowchart LR
    subgraph Ingestion
        A[Policy Change Stream] -->|Kafka| B[Policy Processor]
        C[Operational Telemetry] -->|Kafka| B
        D[User Request (e.g., questionnaire)] -->|REST| E[Request Router]
    end
    B -->|Update| G[Knowledge Graph Store]
    E -->|Query| F[Decision Service]
    F -->|Calls| G
    F -->|Calls| H[Counterfactual Engine]
    H -->|Uses| I[CGNN Inference]
    I -->|Returns| H
    H -->|Provides| J[Explainable Verdict]
    J -->|REST| E
    E -->|Response| D
```

**Klíčové charakteristiky**

- **Škálovatelnost** – Bezstavové mikro‑služby lze automaticky škálovat za service mesh.  
- **Pozorovatelnost** – OpenTelemetry sleduje každou intervenci pro auditovatelnost.  
- **Bezpečnost** – Všechna data jsou v klidu šifrována; změny politik jsou podepsány certifikáty X.509.

---

## 4. Detailní workflow rozhodování

1. **Příchod požadavku** – SaaS poskytovatel odešle odpověď na bezpečnostní dotazník.  
2. **Routing** – Router požadavku identifikuje relevantní domény politik (např. [ISO 27001](https://www.iso.org/standard/27001) / GDPR).  
3. **Dotaz na graf** – Decision Service extrahuje podgraf obsahující dotčené kontroly a aktiva.  
4. **Generování kontrafaktuálů** – Counterfactual Engine navrhne sadu minimálních intervencí (např. přidat šifrování, změnit rezidenci dat).  
5. **Kauzální inference** – CGNN vyhodnotí každou intervenci a vrátí pravděpodobnost souladu a kauzální cestu.  
6. **Vysvětlitelnost** – Engine sestaví lidsky čitelný příběh: „Šifrování pole X algoritmem Y snižuje expozici GDPR o 78 % protože přeruší hranu *exposes* k indikátoru rizika R.“  
7. **Odpověď** – Poskytovatel získá okamžitý verdikt plus konkrétní kroky k nápravě.

Celý cyklus obvykle trvá **150‑250 ms**, což spadá do rozpočtu latence pro interaktivní portály souladu.

---

## 5. Řešení posunu politik pomocí kontinuálního učení

Regulační prostředí se mění; **detektor posunu politik** monitoruje graf na strukturální změny:

- **Posun váhy hrany** – Pokud klesne účinnost kontroly, systém to označí.  
- **Vložení nového uzlu** – Nově vznikající regulace spouští automatickou extrakci entit.  
- **Detekce konfliktu** – Graf je skenován na protichůdné hrany (např. dvě regulace, které nelze současně splnit).

Při detekci posunu se automaticky spustí **pipeline retréninku CGNN**, která ingestuje nejnovější označené incidenty. Tento **uzavřený učební cyklus** zajišťuje, že engine zůstane aktuální bez ručního přepisování pravidel.

---

## 6. Vysvětlitelnost a auditovatelné záznamy

Compliance officerové požadují **transparentní uvažování**. Engine zaznamenává každou inferenci do neměnného ledgeru (např. pomocí blockchain‑backed append‑only logu). Každý záznam obsahuje:

- **Časové razítko**  
- **Hash vstupního požadavku**  
- **Sada vyhodnocených intervencí**  
- **Skóre CGNN inference**  
- **Vygenerované vysvětlení**  

Auditoři mohou přehrát libovolné rozhodnutí, ověřit kauzální cestu a potvrdit, že model dodržel nejnovější verzi politiky.

---

## 7. Integrační vzory

| Cíl integrace | Metoda | Výhody |
|---------------|--------|--------|
| **CI/CD pipeline** | GitOps webhook → Decision Service | Zabrání nasazení nekompatibilního kódu do produkce. |
| **Bezpečnostní dotazníky** | REST API plug‑in pro SaaS trust stránky | Poskytuje okamžité, AI‑generované odpovědi s odkazy na důkazy. |
| **Produktové roadmapy** | Událostní proud z JIRA → Counterfactual Engine | Předpovídá dopad nových funkcí na soulad. |
| **Platformy pro hodnocení dodavatelů** | GraphQL federace → Knowledge Graph Store | Unifikuje skóre rizika napříč dodavateli pod jedním kauzálním modelem. |

---

## 8. Výkonnostní benchmarky

| Metrika | Hodnota |
|---------|---------|
| **Průměrná latence (end‑to‑end)** | 182 ms |
| **Propustnost (požadavků za sekundu)** | 12 k |
| **Velikost modelu (CGNN)** | 45 M parametrů |
| **Doba tréninku (celý cyklus posunu)** | 3 hodiny na 8‑GPU uzlu |
| **Latence vysvětlitelnosti** | 35 ms (generování textu) |

Benchmarky byly provedeny na Kubernetes clusteru (4 vCPU, 16 GB RAM na pod) s dedikovaným inference GPU pro CGNN.

---

## 9. Budoucí směřování

1. **Multimodální fúze důkazů** – Kombinace textových úryvků politik, úryvků kódu a screenshotů UI pro bohatší kauzální hrany.  
2. **Federované učení napříč podnikovými subjekty** – Sdílení anonymizovaných aktualizací grafu pro zlepšení globální inteligence o souladu při zachování soukromí dat.  
3. **Generativní kontrafaktuální narativy** – Využití LLM pro tvorbu přirozených návodů na nápravu šité na tón a styl organizace.  
4. **Edge nasazení** – Přesun lehké CGNN inference na edge zařízení pro on‑prem kontrolu souladu v silně regulovaných prostředích (např. zdravotnická zařízení).

---

## 10. Jak začít

Pokud máte zájem prototypovat tento engine:

1. **Klónujte referenční repozitář** – `git clone https://github.com/example/compliance‑counterfactual‑engine`  
2. **Nasazení stacku** – `docker compose up -d` (obsahuje Kafka, Neo4j, FastAPI služby).  
3. **Ingestujte ukázkové politiky** – spusťte `python scripts/ingest_policies.py data/policies/`.  
4. **Odešlete testovací požadavek** – `curl -X POST http://localhost:8000/decide -d '{"scenario":"store logs in EU region","interventions":["encrypt"]}'`.  

Odpověď bude obsahovat pravděpodobnost souladu a vysvětlitelný příběh.

---

## Viz také

- Explainable AI for Compliance – NIST Draft Guidelines  
- Causal Graph Neural Networks: Foundations and Applications (arXiv)  
- Real‑Time Policy Drift Detection with Temporal Graphs (IEEE)  
- Counterfactual Reasoning in Machine Learning – A Survey (JMLR)