# בינה מלאכותית סיבתית לחיזוי השפעת ציות בזמן אמת

נופי הרגולציה מתפתחים במהירות שיא. שינוי יחיד בחוק פרטיות הנתונים יכול להדהד בעשרות תכונות מוצר, לשנות תאריכי שחרור ולשנות ציוני סיכון. כלי ציות מסורתיים מגיבים אחרי שהדבר קרה — כאשר השינוי נרשם, מפת הדרכים של המוצר כבר עלולה להיות לא מסונכרנת.  

היכנסו ל**בינה מלאכותית סיבתית**: שילוב של אינפרנס סיבתי, רשתות גרף נוירוניות (GNNs) וזרימת אירועים רציפה שמחזירה תחזית *איך* שינוי רגולטורי ישפיע על מוצר **לפני** שהשינוי מתממש במערכות התחתונות. מאמר זה מדריך אתכם בעיצוב הקצה‑לקצה של **רשת גרף נוירונית סיבתית (Causal‑GNN)** המניעה תחזיות השפעת ציות, מהזנת הנתונים ועד אינפרנס בזמן אמת, ומראה כיצד לשלב את התחזיות בצינור מוצר בסגנון GitOps.

---

## 1. למה בינה מלאכותית סיבתית מנצחת תחזיות מבוססות קורלציה בלבד

| היבט | מודלים מבוססי קורלציה בלבד | מודלים של בינה מלאכותית סיבתית |
|------|----------------------------|--------------------------------|
| **מה הם לומדים** | התכנסות סטטיסטית (למשל, “תכונה X משתנה לעיתים קרובות לאחר רגולציה Y”). | קשרים סיבתיים מכוונים (למשל, “רגולציה Y *מחייבת* השבתת תכונה X”). |
| **עמידות למקורות סתירה** | נמוכה – משתנים נסתרים יכולים ליצור דפוסים מזויפים. | גבוהה – גרפים סיבתיים מודלים במפורש גורמי סתירה. |
| **חשיבה נגד‑עובדה** | לא אפשרי. | טבעי – ניתן לשאול “מה אם רגולציה Y לא הייתה קיימת?”. |
| **הסברתיות** | מוגבלת – ציוני חשיבות תכונה אינם ברורים. | חזקה – כל קשת בגרף היא טענה סיבתית קריאה לבן אדם. |

בצייתנות, היכולת לבצע **סימולציות נגד‑עובדה** היא יקרה מפז. מנהלי מוצר יכולים לשאול, “אם האמנדמנט המתקרב של [GDPR](https://gdpr.eu/) יתקבל, אילו API‑ים יזדקקו להנדסה מחדש?” ולקבל תחזית השפעה כמותית מיידית.

---

## 2. ארכיטקטורה ברמה גבוהה

```mermaid
graph LR
    A[Event Stream Ingestion] --> B[Temporal KG Builder]
    B --> C[Causal Graph Constructor]
    C --> D[Training Pipeline]
    D --> E[Causal‑GNN Model]
    E --> F[Real‑Time Inference Service]
    F --> G[Roadmap Sync (GitOps)]
    F --> H[Explainability Dashboard]
    I[Compliance Policy Store] --> C
    J[Product Feature Registry] --> B
    K[Audit Log] --> D
```

*איור 1 – צינור חיזוי ציות סיבתי מקצה לקצה.*

1. **Event Stream Ingestion** – Kafka, Pulsar או Azure Event Hubs קולטים הודעות רגולטוריות, עדכוני מדיניות, ולוגים פנימיים.  
2. **Temporal Knowledge Graph (KG) Builder** – מנרמל אירועים לגרף מודע לזמן (ישויות: רגולציות, תכונות, בקרים; קשרים: “משפיע על”, “דורש”).  
3. **Causal Graph Constructor** – מפעיל גילוי סיבתי מותאם תחום (למשל, אלגוריתם PC, NOTEARS) לכיוון הקשתות והוספת ציוני אמון.  
4. **Training Pipeline** – יוצר משימות מפוקחות ובלתי‑מפוקחות (חיזוי קישורים, אובדן נגד‑עובדה) לאימון ה‑Causal‑GNN.  
5. **Real‑Time Inference Service** – חושף endpoint gRPC/REST שמקבל תרחיש “what‑if” ומחזיר ציוני השפעה לכל תכונה.  
6. **Roadmap Sync (GitOps)** – פותח באופן אוטומטי Pull Request במאגר מפת הדרכים עם התאמות מוצעות, כולל נימוק.  
7. **Explainability Dashboard** – מציג את תת‑הגרף הסיבתי שהוביל לכל תחזית, תומך בביקורות ציות ובדיקה.

---

## 3. זרימת נתונים אירועית רציפה

### 3.1 מקורות

| מקור | דוגמה | נרמול |
|------|-------|-------|
| ערוצי רגולציה (EU, US, APAC) | XML/JSON מ‑EUR‑LEX, Federal Register | ישות: `Regulation`, תכונות: `jurisdiction`, `effectiveDate`, `textHash`. |
| מאגר מדיניות פנימי (Git) | קבצי מדיניות Markdown | ישות: `Policy`, קשר: `implements` → `Regulation`. |
| לוגים של שינוי מוצר (Jira, Git commits) | Issue #1234 “Add encryption at rest” | ישות: `Feature`, קשר: `modifies` → `Control`. |
| מודיעין אי‑התקפה חיצוני (STIX) | עדכוני MITRE ATT&CK | ישות: `Threat`, קשר: `exposes` → `Control`. |

### 3.2 צינור זרימה

```goat
pipeline:
  - name: kafka_consumer
    type: source
    config:
      brokers: ["kafka01:9092"]
      topics: ["regulatory_updates","policy_commits","feature_events"]
  - name: schema_enforcer
    type: transform
    script: |
      // Validate against JSON schema, enrich with timestamps
  - name: temporal_kg_writer
    type: sink
    config:
      endpoint: "http://kg-service:8080/ingest"
```

*איור 2 – צינור מינימלי בסגנון GoAT (מוצג להמחשה; יישום אמיתי משתמש ב‑Kafka Connect או Flink).*

הצינור מבטיח סמנטיקה של **exactly‑once**, קריטית לגילוי סיבתי שבו קשתות משוכפלות משבשות את אומדני האמון.

---

## 4. בניית גרף הידע הסיבתי

### 4.1 מודל KG זמני

כל שלושה נשמרים עם מרווח תקפות `[t_start, t_end]`. לדוגמה:

```
(Regulation: GDPR‑2024, affects, Feature: UserDataExport) [2024‑04‑01, ∞)
```

אינדקס זמני מאפשר **גילוי סיבתי בחיתוך זמן**, כך שהמודל לומד שהשפעת רגולציה יכולה להתפתח (לדוגמה, מועד ציות ראשוני מול אכיפה מאוחרת).

### 4.2 גילוי סיבתי

1. **מבוסס‑הגבלות** – אלגוריתם PC על מטריצת שכנות שמקורה בספירות משותפות.  
2. **מבוסס‑ציון** – NOTEARS עם עונש על צפיפות כדי למנוע חיבור יתר של הגרף.  
3. **קודמות תחום** – קידוד היררכיות רגולטוריות ידועות (למשל, “Data‑Protection Law → PersonalDataCategory”) כהגבלות קשות.

התוצאה היא **גרף מכוון חסר מחזורים (DAG)** שבו כל קשת נושאת משקל `w ∈ [0,1]` המייצג חוזק סיבתי.

---

## 5. אימון ה‑Causal‑GNN

### 5.1 בחירת מודל

אנו מאמצים **Relational Graph Convolutional Network (RGCN)** מורחב עם **Temporal Attention** לתפיסת השפעות משתנות בזמן.

```python
class CausalGNN(nn.Module):
    def __init__(self, num_relations, hidden_dim):
        super().__init__()
        self.rgcn = RGCN(num_relations, hidden_dim, num_bases=30)
        self.time_attn = nn.MultiheadAttention(embed_dim=hidden_dim, num_heads=4)
        self.fc_out = nn.Linear(hidden_dim, 1)  # impact score

    def forward(self, g, node_feats, timestamps):
        h = self.rgcn(g, node_feats)
        # Apply temporal attention
        h = self.time_attn(h, h, h, key_padding_mask=self._mask(timestamps))[0]
        return torch.sigmoid(self.fc_out(h))
```

### 5.2 פונקציות אובדן

* **אובדן חיזוי קישור** – קרוס‑אנטרופיה בינארית על קשתות נצפות.  
* **אובדן נגד‑עובדה** – עבור כל אירוע `e` ביצירת גרסה סינתטית “what‑if” שבה הרגולציה מתהפכת; מעניש סטייה מהשפעה אמתית.  
* **רגוליזציה** – L1 על משקלי קשתות לעידוד דלילות, תואם לאמון הגילוי הסיבתי.

### 5.3 שגרת אימון

| שלב | נתונים | מטרה |
|-----|--------|------|
| חימום | KG היסטורי (סטטי) | חיזוי קישור בלבד |
| כוונון סיבתי | חלונות זמן של 30‑יום | אובדן נגד‑עובדה + חיזוי קישור |
| עדכון מקוון | זרם בזמן אמת (mini‑batches) | שלב גרדיאנט אינקרמנטלי, דעיכת משקלים |

האימון מתבצע על צומת GPU בקלאסטר Kubernetes; נקודות הציון נשמרות במאגר **MLflow**, מה שמאפשר ביקורת חזרתית.

---

## 6. שירות אינפרנס בזמן אמת

שירות האינפרנס מקבל **payload תרחיש**:

```json
{
  "regulation_id": "GDPR-2024-Article-15",
  "effective_date": "2024-07-01",
  "what_if": "enforced"
}
```

השרת:

1. שולף את תת‑הגרף הנגיש מהרגולציה במסגרת רדיוס קונפיגורציה (למשל, 3 קשתות).  
2. מריץ את ה‑Causal‑GNN לחישוב **וקטור השפעה** `I_f ∈ [0,1]^N` כאשר `N` הוא מספר התכונות.  
3. מחזיר רשימת תכונות מדורגת עם ציוני אמון ו**נתיב סיבתי** (קבוצת הקשתות המינימלית שמסבירה את הציון).

דוגמת תגובה:

```json
{
  "impacts": [
    {"feature":"UserDataExport","score":0.92,"trace":["Regulation→Feature","Feature→Control"]},
    {"feature":"AuditLogRetention","score":0.45,"trace":["Regulation→Control"]},
    {"feature":"ThirdPartyAPI","score":0.12,"trace":["Regulation→Feature"]}
  ],
  "generated_at":"2026-09-06T14:23:11Z"
}
```

השירות מתארג באמצעות קונטיינרים, מתרחב אוטומטית בעזרת **KEDA**, ומאובטח באמצעות mTLS.

---

## 7. הטמעת תחזיות במפת דרכי המוצר (GitOps)

### 7.1 אוטומציה של Pull‑Request

**GitHub Action** מנטר את endpoint האינפרנס. כאשר תחזית חורגת משער סיכון (למשל, `score > 0.8`), הוא:

1. יוצר קובץ markdown `compliance/impact-<regulation>.md` המסכם את התחזית.  
2. פותח PR נגד מאגר `roadmap` עם שלב חדש או שינוי תאריכי סקרום.  
3. מתייג את בעל תפקיד המוצר הרלוונטי ואת ראש הציות.

### 7.2 ביקורת אנושית (Human‑In‑the‑Loop)

תבנית ה‑PR כוללת **דיאגרמת נתיב סיבתי** (Mermaid) שהמוצר יכול להרחיב:

```mermaid
graph TD
    R["Regulation GDPR‑2024‑Art‑15"] --> F1["Feature: UserDataExport"]
    F1 --> C1["Control: DataEncryption"]
    R --> C2["Control: RetentionPolicy"]
```

המעורבים יכולים להגיב, לבקש ראיות נוספות, או לאשר את השינוי, ובכך להבטיח שהצעות ה‑AI נשארות ניתנות לביקורת.

---

## 8. ממשל, הסברתיות וביקורת

| דאגה | הפחתה |
|------|--------|
| **החלקת מודל** | אימון מחדש שבועי עם חלונות אירועים עדכניים; ניטור אובדן אימות. |
| **הטייה בגילוי סיבתי** | החלת קודמות תחום; הרצת בדיקות הוגנות על משקלי קשתות. |
| **ביקורת רגולטורית** | שמירת כל בקשת אינפרנס ותגובה ברשומה בלתי‑ניתנת לשינוי (למשל, AWS QLDB). |
| **הסברתיות** | מתן ציוני אמון לכל קשת; אפשרות לחפור למקורות המסמכים. |
| **פרטיות נתונים** | צינורות האיסוף ממסיכות PII; שימוש בפרטיות דיפרנציאלית בעת חישוב ספירות לגילוי סיבתי. |

---

## 9. רשימת בדיקות יישום

- [ ] הקמת פלטפורמת זרימת אירועים (Kafka) והגדרת נושאים.  
- [ ] בניית שירות KG זמני עם Neo4j או JanusGraph (קשתות עם אינדקס זמן).  
- [ ] יישום צינור גילוי סיבתי (PC/NOTEARS) עם קודמות תחום.  
- [ ] פיתוח מודל Causal‑GNN וסקריפטי אימון (PyTorch Geometric).  
- [ ] פריסת שירות אינפרנס עם autoscaling ו‑mTLS.  
- [ ] יצירת GitHub Action לאוטומציית PR והפקת דיאגרמת Mermaid.  
- [ ] אינטגרציה של לוג ביקורת לרשומה בלתי‑ניתנת לשינוי.  
- [ ] קונפיגורציית לוחות ניטור (Prometheus + Grafana) למדדי השהייה, שגיאות, ובריאות מודל.  

---

## 10. כיוונים עתידיים

1. **מיזוג ראיות מרובות מודלים** — שילוב קטעי מדיניות טקסטואליים, פלטי OCR של PDF, ו‑STIX מודיעין אי‑התקפה ליצירת ייצוג משולב של צמתים.  
2. **אימות בעזרת Zero‑Knowledge Proofs** — לאפשר לספקים להוכיח ציות ללא חשיפת פרטים קנייניים, ולהזין את ההוכחה כקשת מהימנה לגרף.  
3. **KG מתרפא עצמי** — שימוש בלמידת חיזוק כדי להציע תיקוני קשתים אוטומטיים כאשר ביקורות downstream מדווחות על תוצאות שליליות.  
4. **Transfer Learning חוצה‑רגולציה** — אימון מקדים של Causal‑GNN על קורפוס רגולטורי גלובלי, ולאחר מכן התאמה ספציפית לאזור, להפחתת דרישות נתונים.  

---

## סיכום

בינה מלאכותית סיבתית משנה את הציות ממטלה תגובתית לבינה תחזיתית שמדברת בשפת מפת הדרכים של המוצר. על‑ידי שילוב זרמי אירועים רציפים, גרף ידע מודע לזמן, ו‑Causal‑GNN ייעודי, ארגונים יכולים לחזות השפעת רגולציה בשניות, להריץ סימולציות “what‑if” נגד‑עובדה, ולסנכרן באופן אוטומטי תוכניות פיתוח דרך GitOps. התוצאה היא **מקור אמת יחיד** שמחזיק את הציות, ההנדסה והעסק בתיאום — והופך תנודות רגולטוריות ליתרון אסטרטגי.

---

## ראה גם

- [Temporal Graph Neural Networks for Event‑Driven Analytics (NeurIPS 2024)](https://arxiv.org/abs/2406.11234)  
- [Causal Discovery in Knowledge Graphs: A Survey (IEEE Transactions on Knowledge and Data Engineering)](https://ieeexplore.ieee.org/document/10234567)  
- [GitOps for Continuous Compliance (GitHub Blog)](https://github.blog/2025-03-12-gitops-compliance/)