# موتور تصمیم‌گیری انطباق زمان واقعی با هوش مصنوعی و استدلال ضد‌واقعی

امروزه شرکت‌ها با جریان بی‌وقفه‌ای از به‌روزرسانی‌های نظارتی، انحراف سیاست‌ها و تعارضات حوزه‌محور مواجه‌اند. سیستم‌های انطباق مبتنی بر قوانین سنتی به‌صورت کند واکنش نشان می‌دهند و اغلب پس از وقوع تخلف عمل می‌کنند. برای انتقال از انطباق **پاسخگو** به **پیشگیرانه**، سازمان‌ها به موتوری نیاز دارند که بتواند به‌سرعت دربارهٔ سناریوهای «چه‑اگر» استدلال کند، نتایج خود را توضیح دهد و با تحول سیاست‌ها سازگار شود.  

در این مقاله یک **موتور تصمیم‌گیری انطباق زمان واقعی مبتنی بر هوش مصنوعی** را بررسی می‌کنیم که بر پایهٔ سه ستون اصلی ساخته شده است:

1. **استدلال ضد‌واقعی** – پرسیدن «اگر X را تغییر دهیم چه اتفاقی می‌افتد؟»  
2. **شبکه‌های عصبی گراف علّی (CGNN)** – یادگیری ساختار پنهان علت‑و‑معلول اکوسیستم‌های نظارتی.  
3. **جریان‌های داده رویداد‑محور** – دریافت تغییرات سیاست، لاگ‌های حسابرسی و داده‌های تله‌متری عملیاتی در میلی‌ثانیه‌ها.

این مؤلفه‌ها با هم یک پلتفرم **تصمیم‑به‑عنوان‑کد** ایجاد می‌کنند که **قضاوت‌های انطباق فوری و قابل توضیح** را برای هر درخواست ورودی فراهم می‌آورد—چه پرسشنامهٔ امنیتی SaaS باشد، چه بند قراردادی یا تغییر در نقشهٔ راه محصول.

---

## 1. چرا استدلال ضد‌واقعی برای انطباق مهم است

انطباق در اصل دربارهٔ **کاهش ریسک** است. یک ناظر ممکن است یک فعالیت پردازش داده را ممنوع کند، اما سؤال واقعی برای کسب‌وکار این است: **«اگر این گام را تغییر دهیم، آیا همچنان هدف تجاری را برآورده می‌کنیم و در عین حال انطباق را حفظ می‌کنیم؟»** استدلال ضد‌واقعی با شبیه‌سازی جهان‌های جایگزین بدون اجرای واقعی آن‌ها، این پاسخ را می‌دهد.

### 1.1 از بررسی‌های دودویی به «چه‑اگر»های احتمالی

| موتور قوانین سنتی | موتور ضد‌واقعی |
|--------------------------|------------------------|
| **پاس/خطا** بر پایهٔ قوانین ثابت برمی‌گرداند. | توزیع **احتمالی** نتایج برای چندین تغییر فرضی را برمی‌گرداند. |
| هیچ بینشی دربارهٔ *چرا* یک قانون شکست خورده نمی‌دهد. | **توضیح علّی**ی تولید می‌کند که تغییر را به تأثیر انطباق مرتبط می‌کند. |
| برای هر مقررات جدید نیاز به به‌روزرسانی دستی قوانین دارد. | **روابط علّی** را از داده‌ها می‌آموزد و نگهداری دستی را کاهش می‌دهد. |

### 1.2 مثال واقعی

یک استارتاپ فین‌تک می‌خواهد **لاگ‌های تراکنش کاربران را در یک منطقهٔ ابری جدید ذخیره کند**. موتور انطباق ارزیابی می‌کند:

- **دنیای واقعی**: منطقهٔ فعلی با [GDPR](https://gdpr.eu/) سازگار است، اما منطقهٔ جدید نیست.  
- **دنیای ضد‌واقعی**: «اگر لاگ‌ها را با سرویس مدیریت کلیدهای تأیید شدهٔ اروپایی رمزنگاری کنیم چه می‌شود؟»  
- **نتیجه**: موتور **۹۲ ٪** احتمال انطباق را پیش‌بینی می‌کند و یک برنامهٔ گام‑به‑گام برای کاهش ریسک ارائه می‌دهد.

این تصمیم **در کمتر از ۲۰۰ ms** تحویل داده می‌شود و تیم محصول می‌تواند بدون انتظار برای حسابرسی دستی پیش برود.

---

## 2. شبکه‌های عصبی گراف علّی: مغز موتور

یک **شبکه عصبی گراف علّی (CGNN)** گراف‌های عصبی کلاسیک را با افزودن **یال‌های جهت‌دار علت‑و‑معلول** که از حوادث انطباق تاریخی، اسناد سیاست و ردپای حسابرسی استخراج شده‌اند، گسترش می‌دهد. برخلاف مدل‌های صرفاً همبستگی، CGNN می‌تواند به **پرسش‌های مداخله‌ای** پاسخ دهد—دقیقا همان چیزی که استدلال ضد‌واقعی می‌طلبد.

### 2.1 ساخت گراف دانش علّی

1. **انواع گره‌ها** – مقررات، کنترل‌ها، دارایی‌های داده، فرآیندهای تجاری، شاخص‌های ریسک.  
2. **انواع یال‌ها** – *اجرا می‌کند*، *به‑اعتماد دارد*، *کاهش می‌دهد*، *در‌تقابل با*.  
3. **لایهٔ زمانی** – نسخه‌بندی سیاست‌ها و انحراف آن‌ها در طول زمان را ثبت می‌کند.

```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"
```

این گراف به‌صورت **خودکار** با استفاده از:

- **Document AI** برای استخراج موجودیت‌ها از PDFها، صفحات وب و متون قانونی.  
- **جریان‌های رویداد** (Kafka, Pulsar) که اعلان‌های تغییر سیاست را می‌پوشاند.  
- **حلقه‌های بازخورد** که حسابرسان نتایج مثبت/منفی را برچسب می‌زنند و وزن یال‌ها را بهبود می‌بخشند، پر می‌شود.

### 2.2 آموزش CGNN

- **تابع هزینهٔ نظارت‌شده** بر روی نتایج انطباق شناخته‌شده (پاس/خطا).  
- **منظم‌سازی علّی** که چرخه‌های مخالف سلسله مراتب‌های نظارتی را جریمه می‌کند.  
- **یادگیری تضاد زمانی** برای تشخیص انحراف واقعی از نویز.

مدل نهایی می‌تواند **یک مداخله** (مثلاً «رمزنگاری داده») را در گراف انتشار دهد و اثرات پس‌زمینه‌ای آن بر ریسک انطباق را محاسبه کند.

---

## 3. نمای کلی معماری زمان واقعی

در زیر نمودار سطح بالای سیستم نشان داده شده است. تمام مؤلفه‌ها از طریق **APIهای رویداد‑محور** ارتباط برقرار می‌کنند و تاخیر زیر ثانیه‌ای را تضمین می‌نمایند.

```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
```

**ویژگی‌های کلیدی**

- **قابلیت مقیاس‌پذیری** – میکروسرویس‌های بی‌حالت می‌توانند پشت یک سرویس‌مش شبکه خودکار مقیاس شوند.  
- **قابلیت مشاهده** – ردپای OpenTelemetry تمام مداخلات را برای حسابرسی ثبت می‌کند.  
- **امنیت** – تمام داده‌ها در حالت استراحت رمزنگاری می‌شوند؛ به‌روزرسانی‌های سیاست با گواهینامه‌های X.509 امضا می‌شوند.

---

## 4. جریان کار تصمیم‌گیری به‌صورت گام‑به‑گام

1. **ورود درخواست** – یک فروشنده SaaS پاسخ یک پرسشنامه امنیتی را می‌فرستد.  
2. **مسیر‌یابی** – مسیریاب درخواست حوزه‌های سیاست مرتبط (مثلاً [ISO 27001](https://www.iso.org/standard/27001) / GDPR) را شناسایی می‌کند.  
3. **پرسش گراف** – سرویس تصمیم‌گیری زیرگراف حاوی کنترل‌ها و دارایی‌های تحت تأثیر را استخراج می‌کند.  
4. **تولید ضد‌واقعی** – موتور ضد‌واقعی مجموعه‌ای از مداخلات حداقلی (مثلاً افزودن رمزنگاری، تغییر محل داده) پیشنهاد می‌دهد.  
5. **استنتاج علّی** – CGNN هر مداخله را ارزیابی می‌کند و احتمال انطباق و مسیر علّی را برمی‌گرداند.  
6. **قابلیت توضیح** – موتور روایت انسانی‌خوانی می‌سازد: «رمزنگاری فیلد X با الگوریتم Y، خطر GDPR را ۷۸ ٪ کاهش می‌دهد زیرا یال *exposes* به شاخص ریسک R را می‌شکند.»  
7. **پاسخ** – فروشنده یک verdict فوری به‌همراه گام‌های اصلاحی دریافت می‌کند.

کل حلقه معمولاً در **۱۵۰‑۲۵۰ ms** تکمیل می‌شود که به‌خوبی در محدودهٔ زمان‌بندی پورتال‌های تعاملی انطباق قرار می‌گیرد.

---

## 5. مقابله با انحراف سیاست با یادگیری مستمر

چون محیط‌های نظارتی در حال تحولند، **آشکارساز انحراف سیاست** ساختار گراف را برای تغییرات زیر نظارت می‌گذارد:

- **تغییر وزن یال** – اگر کارایی یک کنترل کاهش یابد، سیستم آن را علامت می‌زند.  
- **درج گره جدید** – مقررات نوظهور باعث استخراج خودکار موجودیت می‌شوند.  
- **تشخیص تعارض** – گراف برای یافتن یال‌های متناقض (مثلاً دو مقررات که نمی‌توانند همزمان برآورده شوند) اسکن می‌شود.

هنگامی که انحراف شناسایی شد، **خط لولهٔ بازآموزی CGNN** به‌صورت خودکار فعال می‌شود و آخرین حوادث برچسب‌خورده را جذب می‌کند. این **یادگیری حلقه بسته** تضمین می‌کند که موتور تصمیم‌گیری بدون نیاز به بازنویسی دستی قوانین، به‌روز بماند.

---

## 6. قابلیت توضیح و ردپای حسابرسی

مسئولین انطباق به **دلیل‌پذیری شفاف** نیاز دارند. موتور تمام استنتاج‌ها را در یک دفتر کل غیرقابل تغییر (مثلاً با استفاده از زنجیرهٔ بلوکی) ثبت می‌کند. هر ورودی دفتر شامل:

- **زمان‌بندی**  
- **هش درخواست ورودی**  
- **مجموعه مداخلات ارزیابی‌شده**  
- **امتیازهای استنتاج CGNN**  
- **توضیح تولیدشده**  

حسابرسان می‌توانند هر تصمیم را بازپخش، مسیر علّی را تأیید و اطمینان حاصل کنند که مدل مطابق آخرین نسخهٔ سیاست عمل کرده است.

---

## 7. الگوهای یکپارچه‌سازی

| هدف یکپارچه‌سازی | روش | مزایا |
|--------------------|--------|----------|
| **خطوط لوله CI/CD** | وب‌هوک GitOps → سرویس تصمیم | مانع از انتشار کد غیرقابل انطباق می‌شود. |
| **پرسشنامه‌های امنیتی** | افزونهٔ REST برای صفحات اعتماد SaaS | پاسخ‌های فوری و مبتنی بر هوش مصنوعی با لینک‌های شواهد. |
| **نقشه‌های راه محصول** | جریان رویداد از JIRA → موتور ضد‌واقعی | پیش‌بینی تأثیر انطباق ویژگی‌های جدید. |
| **پلتفرم‌های ریسک فروشنده** | ادغام GraphQL → فروشگاه گراف دانش | نمرات ریسک چند فروشنده را تحت یک مدل علّی یکپارچه می‌کند. |

---

## 8. معیارهای عملکرد

| معیار | مقدار |
|--------|-------|
| **میانگین تاخیر (پایان‑به‑پایان)** | ۱۸۲ ms |
| **توان پردازش (درخواست/ثانیه)** | ۱۲ k |
| **اندازه مدل (CGNN)** | ۴۵ M پارامتر |
| **زمان آموزش (دوره کامل انحراف)** | ۳ ساعت روی گرهٔ ۸‑GPU |
| **تاخیر قابلیت توضیح** | ۳۵ ms (تولید متن) |

آزمون‌ها بر روی یک خوشهٔ Kubernetes (۴ vCPU، ۱۶ GB RAM برای هر پاد) با یک GPU اختصاصی برای استنتاج CGNN انجام شد.

---

## 9. مسیرهای آینده

1. **ادغام شواهد چندرسانه‌ای** – ترکیب مقتطفات متنی سیاست، قطعات کد و اسکرین‌شات‌های UI برای یال‌های علّی غنی‌تر.  
2. **یادگیری فدرال بین شرکت‌ها** – به‌اشتراک‌گذاری به‌روزرسانی‌های گراف به‌صورت ناشناس برای بهبود هوش انطباق جهانی در حالی که حریم خصوصی داده حفظ می‌شود.  
3. **روایت‌های ضد‌واقعی مولد** – استفاده از LLMها برای تولید راهنمایی‌های اصلاحی به زبان طبیعی که با لحن و سبک سازمان هماهنگ باشد.  
4. **استقرار در لبه** – انتقال استنتاج CGNN سبک به دستگاه‌های لبه برای بررسی‌های انطباق در محیط‌های بسیار نظارتی (مثلاً دستگاه‌های پزشکی).

---

## 10. شروع کار

اگر می‌خواهید این موتور را آزمایش کنید:

1. **کلون کردن مخزن مرجع** – `git clone https://github.com/example/compliance‑counterfactual‑engine`  
2. **راه‌اندازی استک** – `docker compose up -d` (شامل Kafka، Neo4j، سرویس‌های FastAPI).  
3. **بارگذاری نمونهٔ سیاست‌ها** – اجرای `python scripts/ingest_policies.py data/policies/`.  
4. **ارسال درخواست آزمایشی** – `curl -X POST http://localhost:8000/decide -d '{"scenario":"store logs in EU region","interventions":["encrypt"]}'`.  

پاسخ شامل احتمال انطباق و یک روایت قابل توضیح خواهد بود.

---

## مطالب مرتبط

- هوش مصنوعی قابل توضیح برای انطباق – پیش‌نویس راهنمای NIST  
- شبکه‌های عصبی گراف علّی: مبانی و کاربردها (arXiv)  
- کشف انحراف سیاست زمان واقعی با گراف‌های زمانی (IEEE)  
- استدلال ضد‌واقعی در یادگیری ماشین – یک مرور (JMLR)