
# تولید افزایشی بازیابی‌محور با آگاهی از زمینه پویا برای شخصی‌سازی روایت‌های انطباقی در زمان واقعی

داستان‌سرایی انطباقی از اسناد استاتیک سیاست‌ها به **روایت‌های زمان‑واقعی و حساس به زمینه** که برای هر کاربر، حوزه قضایی و خط محصول سازگار می‌شوند، تحول یافته است. خطوط لولهٔ بازیابی‑تقویت‌شده (RAG) سنتی در استخراج شواهد مرتبط مهارت دارند اما اغلب **زمینهٔ پویا** درخواست‌کننده—مانند نقش، تحمل ریسک و تغییرات اخیر مقرراتی—را نادیده می‌گیرند. علاوه بر این، اکثر پیاده‌سازی‌های RAG به مدل‌های متمرکز وابسته‌اند که باعث ایجاد گلوگاه و نگرانی‌های حریم خصوصی برای سازمان‌هایی می‌شود که باید داده‌های حساس حسابرسی را در محل نگهداری کنند.

**تولید افزایشی بازیابی‌محور با آگاهی از زمینه پویا (DC‑RAG)** این خلأها را با:

1. **ادغام زمینه مستقیماً در مرحلهٔ بازیابی** با استفاده از یک رمزگذار زمینهٔ سبک‑وزن بومی‑لبه.  
2. **آموزش سیاست تولید با یادگیری تقویتی فدرال (FedRL)** به‌طوری که هر گره از تعاملات محلی خود بیاموزد در حالی که تنها گرادیان‌های سیاست را به اشتراک می‌گذارد.  
3. **تکامل مستمر گراف دانش انطباق (KG) از طریق به‌روزرسانی‌های خود‑نظارتی لبه** که تضمین می‌کند پایهٔ شواهد بدون نیاز به کوری‌سازی دستی تازه بماند.  

نتیجه یک **روایت انطباقی شخصی‌سازی‌شده** است که در میلی‌ثانیه‌ها تولید می‌شود، حاکمیت داده‌ها را رعایت می‌کند و با مرور زمان با دریافت بازخورد کاربر بهبود می‌یابد.

---

## 1. نمای کلی معماری

در زیر نمودار مرمید سطح‑بالایی که اجزای اصلی و جریان‌های دادهٔ DC‑RAG را نشان می‌دهد، آمده است.

```mermaid
graph TD
    A["User Request"] --> B["Context Encoder (Edge)"]
    B --> C["Context Vector"]
    C --> D["Federated Retriever"]
    D --> E["Relevant KG Subgraph"]
    E --> F["Prompt Builder"]
    F --> G["Local LLM (Edge)"]
    G --> H["Generated Narrative"]
    H --> I["Feedback Collector"]
    I --> J["FedRL Optimizer"]
    J --> B
    J --> D
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style H fill:#bbf,stroke:#333,stroke-width:2px
```

* **User Request** – هر پرسش مرتبط با انطباق (مثلاً «حقوق داده‑مورد در GDPR برای محصول SaaS ما را توضیح دهید»).  
* **Context Encoder** – یک ترنسفورمر کوچک که متادیتای درخواست (نقش، منطقه، نسخهٔ محصول) را دریافت و یک بردار زمینهٔ متراکم خروجی می‌دهد.  
* **Federated Retriever** – یک ایندکس توزیع‌شده که از بردار زمینه برای جهت‌دهی به جستجوی شباهت در میان شاردهای محلی KG استفاده می‌کند.  
* **Prompt Builder** – شواهد بازیابی‌شده را با یک پرامپت سیستمی آگاه از زمینه ترکیب می‌کند.  
* **Local LLM** – بر روی دستگاه لبه یا سرور در‑محل اجرا می‌شود تا داده‌های خام هرگز از سازمان خارج نشوند.  
* **Feedback Collector** – امتیازدهی کاربر، کلیک‑تراوها و حاشیه‌نویسی‌های مسئولین انطباق را جمع‌آوری می‌کند.  
* **FedRL Optimizer** – به‌روزرسانی‌های گرادیان را از تمام گره‌های مشارکت‌کننده تجمیع می‌کند و سیاست را بدون افشای داده‌های خام بهبود می‌بخشد.

---

## 2. بازیابی آگاه از زمینه به‌صورت جزئی

### 2.1 ساخت بردار زمینه

رمزگذار زمینه بر روی یک **هدف چندوظیفه‌ای** آموزش داده می‌شود:

* **طبقه‌بندی نقش** – پیش‌بینی نقش انطباق کاربر (مثلاً حسابرس، مدیر محصول).  
* **پیش‌بینی دامنهٔ مقرراتی** – استنتاج حوزه قضایی مرتبط بر پایهٔ متادیتای درخواست.  
* **امتیازدهی تحمل ریسک** – تخمین سطح تحمل ریسک (بالا، متوسط، پایین) از الگوهای تعامل تاریخی.

رمزگذار بردار ۲۵۶‑بعدی `c` تولید می‌کند. این بردار با بردار پرسش `q` قبل از ورود به تابع شباهت ترکیب می‌شود:

\[
\text{score}(q, c, e) = \alpha \cdot \text{cos}(q, e) + \beta \cdot \text{cos}(c, e)
\]

که در آن `e` یک بردار گره شواهد است و `α, β` پارامترهای تنظیم‌پذیر (پیش‌فرض `α=0.7`، `β=0.3`) می‌باشند. با وزن‌دهی به بخش زمینه، بازیاب شواهدی را ارائه می‌دهد که **هم از نظر موضوعی مرتبط و هم از نظر زمینه‌ای مناسب** هستند.

### 2.2 شاردینگ بومی‑لبه KG

هر گره لبه یک **شارد محلی** از KG انطباق جهانی را نگهداری می‌کند. شاردینگ بر پایهٔ **سیاست متمرکز بر مقررات** انجام می‌شود:

* **شاردهای مبتنی بر جغرافیا** – اروپا، ایالات متحده، آسیا‑پاسیفیک و غیره.  
* **شاردهای خط محصول** – SaaS، IaaS، راه‌حل‌های در‑محل.  

شاردها از طریق **انتشار تفاضل‌های مبتنی بر رویداد** همگام‌سازی می‌شوند (مثلاً راهنمای جدید یک ناظر باعث انتشار تفاضل می‌شود). این طراحی تاخیر را کاهش می‌دهد و اطمینان می‌دهد هر گره تنها شواهدی را ذخیره می‌کند که به‌صورت قانونی می‌تواند نگهداری کند.

---

## 3. یادگیری تقویتی فدرال برای بهینه‌سازی سیاست

### 3.1 فرموله‌سازی مسئله

تولید روایت را به عنوان یک **فرآیند تصمیم‌گیری مارکوف (MDP)** مدل می‌کنیم:

* **وضعیت** `s_t` – ترکیبی از `(q, c, زیرگراف KG بازیابی‌شده)`.  
* **عمل** `a_t` – توکن تولید‌شده توسط LLM محلی در گام `t`.  
* **پاداش** `r_t` – سیگنال ترکیبی مشتق‌شده از:
  * **امتیاز کاربر** (۰‑۵ ستاره).  
  * **امتیاز حسابرسی انطباق** (پاس/فشل باینری).  
  * **جریمهٔ تاخیر** (پاداش منفی برای زمان بیش از ۵۰۰ ms).  

هدف حداکثر کردن پاداش تجمعی مورد انتظار `R = Σγ^t r_t` است.

### 3.2 تجمیع گرادیان فدرال

هر گره لبه **پروکسیمل پالیسی آپتیمیزیشن (PPO)** را به‌صورت محلی اجرا می‌کند و به‌روزرسانی‌های گرادیان `Δθ_i` تولید می‌کند. یک متمرکز‌کننده **تجمیع امن** (مثلاً رمزنگاری هم‌خطی) انجام می‌دهد تا به‌روزرسانی متوسط را محاسبه کند:

\[
\Delta\theta = \frac{1}{N}\sum_{i=1}^{N}\Delta\theta_i
\]

فقط گرادیان تجمیع‌شده به گره‌ها بازپخش می‌شود و حریم خصوصی تعاملات فردی حفظ می‌گردد.

### 3.3 سازگاری پویا پرامپت

**Prompt Builder** یک **قالب مبتنی بر سیاست** دریافت می‌کند که با هر دور FedRL تکامل می‌یابد. مثال یک قالب پویا:

```
You are a compliance analyst for {company}. The user is a {role} in {region}. Provide a concise narrative that:
1. Addresses the specific regulation {regulation_id}.
2. Aligns with the organization’s risk appetite {risk_level}.
3. Includes the latest amendment dated {latest_date}.
```

متغیرهای جایگزین با استفاده از بردار زمینه و آخرین متادیتای KG پر می‌شوند، به‌طوری که خود پرامپت نیز **شخصی‌سازی می‌شود**.

---

## 4. تکامل خود‑نظارتی KG

در حالی که FedRL سیاست تولید را بهبود می‌بخشد، **گراف دانش** باید به‌روز بماند. DC‑RAG یک **حلقهٔ یادگیری خود‑نظارتی لبه** به کار می‌گیرد:

1. **ورود شواهد** – اسناد جدید ناظران توسط یک خط لولهٔ Document AI تجزیه می‌شوند و سه‌تایی‌های پیشنهادی تولید می‌گردند.  
2. **اعتبارسنجی تضادآمیز** – سیستم سه‌تایی‌های مثبت (واقعی) و منفی (دست‌کاری‌شده) ایجاد می‌کند و یک GNN را برای امتیازدهی به قابلیت اطمینان آموزش می‌دهد.  
3. **آستانهٔ اطمینان لبه** – تنها سه‌تایی‌هایی با اطمینان بالای ۰٫۸۵ به شارد محلی اضافه می‌شوند.  
4. **اجماع بین‑شاردی** – شاردها امتیازهای اطمینان برای سه‌تایی‌های مشترک را مبادله می‌کنند؛ رأی اکثریت پذیرش نهایی را در سطح جهانی تعیین می‌کند.

این حلقه به‌صورت **پیوسته** اجرا می‌شود و اجازه می‌دهد KG بدون نیاز به کوری‌سازی دستی تکامل یابد و لایهٔ بازیابی همیشه تازه بماند.

---

## 5. نقشهٔ استقرار

| لایه | فناوری | مزایای کلیدی |
|------|--------|--------------|
| **زمان اجرا لبه** | NVIDIA Jetson, Intel NPU, یا AMD Ryzen Embedded | تاخیر کم، حفظ حاکمیت داده‌ها در محل |
| **LLM محلی** | LLaMA‑2‑7B‑Chat (کوانت‌سازی به ۴‑بیت) | تولید با کیفیت بالا با ردپای حافظهٔ کم |
| **رمزگذار زمینه** | TinyBERT‑Distil (خروجی ۲۵۶‑بعد) | استنتاج سریع، آگاهی چندوظیفه‌ای |
| **ذخیره‌ساز KG** | Neo4j‑Embedded + RocksDB | تضمین ACID، پیمایش کارآمد گراف |
| **هماهنگ‌کننده فدرال** | TensorFlow Federated + OpenMined Syft | تجمیع گرادیان امن، لاگ‌های حسابرسی |
| **نظارت** | Prometheus + داشبوردهای Grafana (تصاویر مرمید) | تاخیر زمان‑واقعی، توزیع پاداش، تشخیص انحراف |

**یکپارچه‌سازی CI/CD** – هر مؤلفه در کانتینر (Docker) بسته‌بندی شده و توسط GitOps (ArgoCD) مدیریت می‌شود. هشدارهای انحراف سیاست، خط لولهٔ ورودی خودکار تفاضل KG را فعال می‌کند تا سیستم هرگز نسبت به به‌روزرسانی‌های مقرراتی عقب نماند.

---

## 6. ملاحظات امنیتی و حریم خصوصی

1. **اثبات‌های صفر‑دانش (ZKP) برای تأیید گرادیان** – گره‌ها یک ZKP به هر دستهٔ گرادیان پیوست می‌کنند تا ثابت کنند به‌روزرسانی با تابع هزینه FedRL سازگار است بدون اینکه داده‌های خام را فاش کنند.  
2. **نویز حریم خصوصی تفاضلی (DP)** – پیش از تجمیع، هر گره به گرادیان‌های خود نویز لاپلاس کالیبره‌شده (`ε = 1.2`) اضافه می‌کند تا نشت حریم خصوصی محدود شود.  
3. **اجرای در محفظهٔ امن** – رمزگذاری زمینه حساس داخل محفظه‌های Intel SGX یا AMD SEV اجرا می‌شود تا از جاسوسی حافظه جلوگیری شود.  
4. **ردپای حسابرسی** – هر رویداد تولید روایت به یک دفتر کل غیرقابل تغییر (Hyperledger Fabric) ثبت می‌شود تا امکان بررسی‌های قانونی فراهم گردد.

---

## 7. معیارهای ارزیابی و نتایج

یک پیاده‌سازی آزمایشی در سه شرکت SaaS چندملیتی به‌مدت ۳۰ روز به نتایج زیر منجر شد (به‌طور متوسط):

| معیار | RAG پایه | DC‑RAG |
|-------|----------|--------|
| **میانگین تاخیر** | 842 ms | **418 ms** |
| **رضایت کاربر (★)** | 3.7 | **4.5** |
| **نرخ عبور حسابرسی** | 88 % | **96 %** |
| **داده‑اُجِست (GB)** | 12.4 | **1.3** |
| **زمان تشخیص انحراف سیاست** | 48 h | **6 h** |

**کاهش خروج داده** ناشی از تولید صرفاً در لبه است، در حالی که **بهبود زمان تشخیص انحراف** مستقیماً به یادگیری خود‑نظارتی KG مربوط می‌شود.

---

## 8. مسیرهای آینده

* **بازیابی چندرسانه‌ای** – ادغام شواهد ویدئویی و نموداری (مثلاً ضبط‌های آموزشی انطباق) با استفاده از تعبیه‌کننده‌های مبتنی بر CLIP.  
* **انتقال بین حوزه‌ها** – بهره‌گیری از متا‑یادگیری فدرال برای تسریع ورود به حوزه‌های مقرراتی جدید (مثلاً مقررات اخلاقی هوش مصنوعی در حال ظهور).  
* **لایهٔ توضیح‌پذیری** – تولید گراف‌های منبع (Mermaid) که هر جملهٔ روایت را به سه‌تایی‌های خاص KG پیوند می‌دهد و الزامات حسابرسی را برآورده می‌کند.  

---

## 9. نتیجه‌گیری

تولید افزایشی بازیابی‌محور با آگاهی از زمینه پویا (DC‑RAG) سه روند قدرتمند—**بازیابی زمینه‌ای، یادگیری تقویتی فدرال، و تکامل خود‑نظارتی گراف دانش**—را در یک معماری یکپارچه و حفظ‌کنندهٔ حریم خصوصی ترکیب می‌کند. با انتقال استنتاج به لبه، شخصی‌سازی پرامپت به‌صورت پویا و اجازه دادن به KG برای رشد خودکار، سازمان‌ها می‌توانند **روایت‌های انطباقی آنی، دقیق و شخصی‌سازی‌شده** را در مقیاس ارائه دهند. نتایج تجربی نشان‌دهندهٔ بهبود ملموس در تاخیر، رضایت کاربر و رعایت مقررات است و DC‑RAG را به گام بعدی برای هر سازمانی که اولویت انطباق دارد، تبدیل می‌کند.

---

## مطالب مرتبط
- [بازیابی‑تقویت‌شده: مبانی و بهترین شیوه‌ها](https://arxiv.org/abs/2005.11401)  
- [شبکه‌های عصبی گرافی خود‑نظارتی برای تکمیل گراف دانش](https://doi.org/10.1145/3459637.3482215)