
# מנוע נרטיב סיבתי נגד‑עובדה ליצירת ציות רגולטורי מרובה בזמן אמת

## מבוא

ארגונים הפועלים בחוצות גבולות מתמודדים עם זרם בלתי פוסק של עדכוני רגולציה. צינורות ציות מסורתיים מסתמכים על פרשנות ידנית, מיפוי מבוסס כללים ודיווח תקופתי – תהליכים איטיים, רגישים לטעויות ויקרים. התפתחויות אחרונות במודלים גדולים של שפה (LLM) אפשרו **נרטיבים גנרטיביים של ציות**, אך רוב הפתרונות עדיין פועלים כקופסאות שחורות: הם מייצרים טקסט ללא הסבר *מדוע* נמליץ על שליטה או הפחתה מסוימת.

**מנוע נרטיב סיבתי נגד‑עובדה (CCNE)** גשר את הפער הזה. על‑ידי בניית גרף סיבתי של דרישות רגולטוריות, תהליכי עסק והגורמים לסיכון, המנוע יכול לשאול שאלות “מה‑אם”, לייצר תרחישים נגד‑עובדה, ולהפיק נרטיבים שהם גם **בזמן אמת** וגם **ניתנים להסבר**. מאמר זה מציג את היסודות הקונספטואליים, הארכיטקטורה הטכנית, ושלבי הפריסה המעשיים לבניית CCNE הפועל על פני משטרים רגולטוריים מרובים.

## מדוע סיבתי‑נגד‑עובדה חשוב

1. **תובנות שורשיות** – גרפים סיבתיים חושפים את המניעים הבסיסיים של סיכון הציות (לדוגמה, “תקופת שמירת נתונים → ציות לסעיף 5 של GDPR”). כאשר רגולציה משתנה, ההשפעה מתפשטת בגרף, ומדגישה מיידית את השליטות המושפעות.

2. **חקר “מה‑אם”** – חשיבה נגד‑עובדה מאפשרת למפקחי ציות לשאול שאלות כגון “אם נצמצם את אחסון הנתונים ל‑30 יום, האם עדיין נעמוד בתקן [ISO 27001](https://www.iso.org/standard/27001) A.8.2?” המנוע מדמה את התוצאה ומייצר נרטיב שמסביר את הפשרה.

3. **אימות** – כל המלצה מגובה בנתיב סיבתי ניתן למעקב ובאמת נגד‑עובדה, מה שמספק למבקרים ראיות מעבר לפסקה שנוצרה.

4. **הרמוניה רגולטורית** – על‑ידי יישור מספר אונטולוגיות על גיבוי סיבתי משותף, המנוע יכול ליישב דרישות סותרות (לדוגמה, כללי מיקום נתונים שונים ב‑GDPR מול CCPA) וליצור נרטיב מאוחד.

## סקירת ארכיטקטורה

ה‑CCNE מורכב מחמישה שכבות מקושרות הדוק:

1. **קלט ויישור אונטולוגיה** – משדר טקסטים רגולטוריים, מדיניות פנימית, ונתוני מטא‑תהליך לגרף ידע מאוחד.
2. **בונה גרף סיבתי** – מחלץ יחסי סיבה‑תוצאה בעזרת חילוץ מידע משופר ב‑LLM ושומר אותם כקשתות מכוונות.
3. **מנוע נגד‑עובדה** – יוצר עולמות חלופיים על‑ידי שינוי מצבי צמתים ומעריך את השפעת הציות באמצעות אינפרנס הסתברותי.
4. **שכבת נרטיב גנרטיבי** – מותנה LLM על הנתיב הסיבתי והוכחת נגד‑עובדה כדי לייצר הסברים קריאים לבני אדם.
5. **תזמור & API בזמן אמת** – מגיש בקשות, מנהל תקציבי השהייה, ומתעד מקוריות למטרות ביקורת.

להלן תרשים מרמייד ברמה גבוהה של זרימת הנתונים.

```mermaid
graph LR
    A["Regulatory Feed"] --> B["Ingestion Service"]
    C["Enterprise Policy Store"] --> B
    D["Process Metadata Lake"] --> B
    B --> E["Unified Knowledge Graph"]
    E --> F["Causal Graph Builder"]
    F --> G["Causal Graph Store"]
    G --> H["Counterfactual Engine"]
    H --> I["Narrative Generator"]
    I --> J["Real Time API"]
    J --> K["Compliance Dashboard"]
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style K fill:#bbf,stroke:#333,stroke-width:2px
```

## קלט נתונים ויישור אונטולוגיה

### זרימה מרובת‑מקורות

- **פיד רגולטורי** (הגזירה של האיחוד האירופי, SEC EDGAR, סוכנויות מקומיות) נצרך דרך RSS, API או סורקים אינטרנטיים.
- **חפצים פנימיים** (מסמכי מדיניות, SOPs, רישומי סיכון) נשלפים ממערכות ניהול מסמכים בעזרת מחברים.
- **טלאי תהליך** (יומני זרימת עבודה, אירועי IAM) זורמים מ‑event hubs (Kafka, Pulsar) אל אגם גולמי.

### צינור נרמול

1. **קדם‑עיבוד טקסט** – OCR עבור PDF סרוקים, זיהוי שפה, וטוקניזציה.
2. **חיתוך סמנטי** – פיצול חוקים ארוכים לסעיפים אטומיים בעזרת סגמנטציה מונחית LLM.
3. **מיפוי אונטולוגיה** – התאמת כל סעיף למודל מטא‑שיתוף (למשל `DataRetention`, `AccessControl`, `AuditLog`) דרך **פתרון ישות מבוסס פרומפט**.

### שכבת תמריצי אסימונים (אופציונלי)

כדי לעודד רגולטורים חיצוניים או שותפים לתרום מטא‑נתונים באיכות גבוהה, הפלטפורמה יכולה להנפיק **אסימוני ציות** ברשת רישיון מוגבלת. אסימונים ניתנים עבור מיפויים מאומתים וניתנים למימוש עבור קרדיט אנליטיקה.

## בניית גרף סיבתי

### טכניקות חילוץ

- **ניתוח תלות** מזהה פעלים שמצביעים על סיבתיות (“חייב לשמור”, “חייב להצפין”).
- **כריית תבניות משופרת ב‑LLM** מבקשת מהמודל לתייג זוגות סיבה‑תוצאה, לדוגמה “אם `EncryptionAtRest` מופעל, אז `DataBreachRisk` יורד”.

### סכמת גרף

| סוג צומת | דוגמה | תכונות |
|-----------|-------|----------|
| 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` |

קשתות נושאות **משקל סיבתי** (0‑1) שמקורו בציוני הביטחון. הגרף מאוחסן ב‑**מאגר גרף נכסים** (Neo4j, JanusGraph) לצורך חיפוש מהיר.

## מודול חשיבה נגד‑עובדה

### מנוע “מה‑אם”

המנוע משתמש **במודלים גרפיים הסתברותיים** (רשתות בייזיות) המונחים על גבי הגרף הסיבתי. כדי להעריך נגד‑עובדה:

1. **התערבות** – קביעת מצב של צומת (למשל `DataRetention = 30 days`).
2. **Do‑calculus** – הפצת ההתערבות ברשת, חישוב מחדש של הסתברויות פוסטירור לצמתים תלוים.
3. **דירוג תוצאה** – השוואת פרופיל הסיכון החדש לספי ציות.

### דוגמת שאילתה

> *“אם נחליף רישום מקומי ב‑SIEM מבוסס ענן, האם עדיין נעמוד בתקן [ISO 27001](https://www.iso.org/standard/27001) A.12.4?”*

המנוע מתערב ב‑`LoggingSolution = CloudSIEM`, מריץ אינפרנס, ומחזיר הסתברות ציות (לדוגמה 0.92). התוצאה מועברת למנוע הנרטיב.

## שכבת נרטיב גנרטיבי

### הנדסת פרומפטים

ה‑LLM מקבל פרומפט מובנה הכולל:

- **קונטקסט רגולטורי** (טקסט הסעיף, תחום שיפוט)
- **נתיב סיבתי** (רשימת צמתים וקשתות שעברו)
- **תוצאה נגד‑עובדה** (הסתברות, שינוי סיכון)
- **הוראות סגנון** (תמציתי, סיכום למנהלים, פרטים טכניים)

דוגמת פרומפט (פשוטה):

```
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.
```

### תכונות פלט

- **פסקת הסבר** – נרטיב קריא לבני אדם.
- **טבלת ראיות** – טבלת Markdown המקשרת כל טענה למזהה צומת בגרף.
- **Hash ביקורת** – SHA‑256 של הנתיב הסיבתי, נשמר ברשומה בלתי ניתנת לשינוי לצורך אימות מאוחר יותר.

## תזמור בזמן אמת

### ניהול השהייה

- **שכבת מטמון** מאחסנת תוצאות נגד‑עובדה חדשות לשאילתות חוזרות (למשל תרחישי “30‑יום אחסון” נפוצים).
- **עיבוד אסינכרוני** – עדכוני גרף כבדים מתבצעים ברקע; ה‑API מחזיר סטטוס “ממתין” עם webhook להשלמת העבודה.

### חוזה API

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

התשובה כוללת `narrative`, `evidenceTable`, ו‑`auditHash`.

## הסבריות וביקורת

1. **גרף מקוריות** – כל נרטיב מקושר חזרה לקשתות הסיבתיות המדויקות שהשתמשו בהן.
2. **מעקב נגד‑עובדה** – ניתן ליצור תרשים מרמייד בזמן אמת המציג את ההתערבות והצמתים המושפעים.
3. **רשומה בלתי ניתנת לשינוי** – שימוש ב‑blockchain מורשה (למשל Hyperledger Fabric) לאחסון `auditHash` מבטיח עמידות בפני זיוף.

### דוגמת תרשים מרמייד נגד‑עובדה

```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
```

## שיקולי פריסה

| היבט | המלצה |
|------|--------|
| **סקלאביליות** | לפרוס גרף סיבתי במאגר גרף מבוזר; להשתמש ב‑Kubernetes לשירותים חסרי מצב. |
| **אבטחה** | להצפין נתונים במנוחה, לאכוף מדיניות רשת Zero‑Trust, ולבודד שירותי יצירת אסימונים. |
| **צייתנות** | ליישר את הפלטפורמה עצמה עם [ISO 27001](https://www.iso.org/standard/27001) ו‑[SOC 2](https://secureframe.com/hub/soc-2/what-is-soc-2); לשמור חנות ראיות נפרדת ללוגים שמבקשים הרגולטורים. |
| **ניטור** | לעקוב אחרי השהייה, ביטחון אינפרנס, ובריאות כלכלת האסימונים באמצעות לוחות מחוונים של Prometheus + Grafana. |

## כיוונים עתידיים

- **מטא‑למידה לאופטימיזציית פרומפטים** – לשפר באופן מתמשך את הרלוונטיות של נרטיבים על‑בסיס משוב משתמשים.
- **ראיות מולטימדיה** – לשלב חפצים חזותיים (למשל צילומי מסך של שליטה) באמצעות LLMים עם יכולות ראייה.
- **העברה בין‑תחומים** – לנצל תבניות סיבתיות שנלמדו במימון כדי לזרז ציות ברגולציות בריאות.
- **גרפים מרפאים** – לאתר קצוות ישנים באמצעות זיהוי סחף וליזום אימון מחדש של מודלי החילוץ באופן אוטומטי.

## סיכום

**מנוע נרטיב סיבתי נגד‑עובדה** משנה את הציות ממטלה תגובתית לרשימת בדיקה למערכת תמיכה בקבלת החלטות פרואקטיבית, ניתנת להסבר. על‑ידי שילוב ניתוח גרף סיבתי, סימולציית נגד‑עובדה, ובינה מלאכותית גנרטיבית, ארגונים מקבלים נרטיבים מיידיים, ניתנים לביקורת, המתאימים לשינוי רגולטורי בזמן אמת. יישום הארכיטקטורה המתוארת לעיל מצייד את הארגונים בשקיפות שהרגולטורים דורשים ובגמישות שהשוק המודרני מצפה.

## ראה גם

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