
# יצירת טקסט משולב‑אחזור מודע להקשר דינמי להתאמה אישית של נרטיב ציות בזמן אמת

סיפור ציות עבר ממסמכי מדיניות סטטיים ל**נרטיבים בזמן אמת, רגישים להקשר** המתאימים לכל משתמש, תחום שיפוט וקו מוצר. צינורות Retrieval‑Augmented Generation (RAG) מסורתיים מצטיינים בשליפת ראיות רלוונטיות, אך לעיתים מתעלמים מ**הקשר הדינמי** של המבקש – כגון תפקיד, רמת סיכון, ושינויים רגולטוריים אחרונים. בנוסף, רוב יישומי RAG מסתמכים על מודלים מרכזיים, מה שיוצר צוואר בקבוק ודאגות פרטיות עבור ארגונים שצריכים לשמור נתוני ביקורת רגישים במקומותיהם.

**Dynamic Context‑Aware Retrieval‑Augmented Generation (DC‑RAG)** פותר פערים אלה על‑ידי:

1. **הטמעת הקשר ישירות שלב האחזור** באמצעות מקודד הקשר קל משקל, מקומי בקצה.  
2. **אימון מדיניות הייצור עם למידת חיזוק פדרטיבית (FedRL)** כך שכל צומת לומד מהאינטראקציות המקומיות שלו ומשתף רק גרדיאנטים של המדיניות.  
3. **התפתחות מתמשכת של גרף הידע (KG) של הציות דרך עדכוני קצה בלמידה עצמאית**, המבטיחה שהבסיס הראייתי נשאר עדכני ללא צורך בקורטור ידני.

התוצאה היא **נרטיב ציות מותאם אישית** שנוצר במילי‑שניות, מכבד ריבונות נתונים, ומשתפר עם הזמן ככל שהמערכת לומדת מהמשוב של המשתמשים.

---

## 1. סקירת ארכיטקטורה

להלן תרשים Mermaid ברמת‑הקשר גבוה המתאר את המרכיבים המרכזיים ואת זרימות הנתונים של DC‑RAG.

```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** – כל שאילתת ציות (לדוגמה, “הסבר את זכויות נושא הנתונים לפי [GDPR](https://gdpr.eu/) עבור מוצר SaaS שלנו”).  
* **Context Encoder** – טרנספורמר קטן הקולט מטא‑נתונים של הבקשה (תפקיד, אזור, גרסת מוצר) ומוציא וקטור הקשר צפוף.  
* **Federated Retriever** – אינדקס מבוזר המשתמש בוקטור הקשר כדי להטות חיפוש דמיון על פני חלקי KG מקומיים.  
* **Prompt Builder** – ממזג ראיות שהושגו עם פרומפט מערכת מודע להקשר.  
* **Local LLM** – פועל במכשיר הקצה או בשרת on‑premise, ומבטיח שהנתונים הגולמיים לעולם לא יעזבו את הארגון.  
* **Feedback Collector** – קולט דירוגי משתמשים, לחיצות, והערות של קציני ציות.  
* **FedRL Optimizer** – מאגד עדכוני גרדיאנט מכל הצמתים המשתתפים, משפר את המדיניות מבלי לחשוף נתונים גולמיים.

---

## 2. אחזור מודע להקשר בפירוט

### 2.1 בניית וקטור הקשר

מקודד ההקשר מאומן על **מטרה מרובת‑משימות**:

* **סיווג תפקיד** – חיזוי תפקיד הציות של המשתמש (בוחן, מנהל מוצר, וכו’).  
* **חיזוי תחום רגולטורי** – ניבוי תחומי השיפוט הרלוונטיים על‑בסס מטא‑נתוני הבקשה.  
* **חישוב רמת סיכון** – הערכת רמת הסיכון (גבוהה, בינונית, נמוכה) מתוך דפוסי אינטראקציה היסטוריים.

המקודד מחזיר וקטור של 256‑מימד `c`. וקטור זה מצורף לאימג'ינג של השאילתה `q` לפני העברת הפונקציה הדמייתית:

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

כאשר `e` הוא וקטור של צומת ראייה, ו‑`α, β` הם פרמטרים שניתן לכוונן (ברירת מחדל `α=0.7`, `β=0.3`). על‑ידי מתן משקל למרכיב ההקשר, המretriever מציג ראיות **שגם רלוונטיות נושאית וגם מתאימות להקשר**.

### 2.2 חלוקת KG מקומית בקצה

כל צומת קצה מחזיק **שבר מקומי של KG הציות הגלובלי**. החלוקה מתבצעת לפי **מדיניות מרוכזת רגולטורית**:

* **שברים לפי גאוגרפיה** – EU, US, APAC, וכו’.  
* **שברים לפי קו מוצר** – SaaS, IaaS, פתרונות on‑premise.  

השברים מתעדכנים באמצעות **הפצת diff מונעת אירועים** (לדוגמה, הנחיית רגולטור חדשה משגר diff). עיצוב זה מקטין השהייה ומבטיח שכל צומת יאחסן רק את הראיות שהוא מורשה לשמור מבחינה משפטית.

---

## 3. למידת חיזוק פדרטיבית לאופטימיזציית מדיניות

### 3.1 ניסוח הבעיה

אנו מודלים את יצירת הנרטיב כ**תהליך מרקוב (MDP)**:

* **מצב** `s_t` – צירוף של `(q, c, תת‑גרף KG שהושג)`.  
* **פעולה** `a_t` – טוקן שנוצר על‑ידי ה‑LLM המקומי בשלב `t`.  
* **תגמול** `r_t` – אותות מורכבים המורכבים מ:  
  * **דירוג משתמש** (0‑5 כוכבים).  
  * **ציון ביקורת ציות** (אישור/דחייה).  
  * **קנס על השהייה** (תגמול שלילי אם > 500 ms).  

המטרה היא למקסם את התגמול המצופה המצטבר `R = Σγ^t r_t`.

### 3.2 אגירת גרדיאנטים פדרטיבית

כל צומת קצה מריץ **Proximal Policy Optimization (PPO)** מקומי, ומפיק עדכוני גרדיאנט `Δθ_i`. המאגר המרכזי מבצע **אגרגציית גרדיאנטים מאובטחת** (למשל, הצפנה הומומורפית) כדי לחשב את העדכון הממוצע:

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

רק הגרדיאנט הממוצע משודר חזרה, מה שמגן על פרטיות האינטראקציות של כל משתמש.

### 3.3 התאמת פרומפט רציפה

**Prompt Builder** מקבל **תבנית מודעת מדיניות** המתעדכנת בכל סיבוב FedRL. דוגמה לתבנית דינמית:

```
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}.
```

המשתנים מוחלפים בעזרת וקטור ההקשר והמטא‑נתונים העדכניים של KG, כך שהפרומפט עצמו הופך ל**מותאם אישית**.

---

## 4. התפתחות KG בלמידה עצמאית

בעוד FedRL משפר את מדיניות הייצור, **גרף הידע** חייב להישאר עדכני. DC‑RAG משתמש בלולאת **למידה עצמאית של קצוות**:

1. **קליטת ראיות** – מסמכי רגולטורים חדשים מנותחים על‑ידי צינור Document AI, ומייצרים שלשות מועמדות.  
2. **אימות קונטרסטיבי** – המערכת יוצרות שלשות חיוביות (אמיתיות) ושלשות שליליות (מזויפות) ומאמן GNN לדרג את האמינות.  
3. **סף אמון לקצוות** – רק שלשות עם אמון > 0.85 מתווספות לשבר המקומי.  
4. **קונצנזוס בין‑שברים** – השברים מחליפים ציוני אמון עבור שלשות חופפות; הצבעה ברוב מצביעת על קבלה גלובלית.

לולאה זו פועלת **בצורה מתמשכת**, מאפשרת ל‑KG להתעדכן ללא צורך בקורטור ידני ושומרת על רלוונטיות שכבת האחזור.

---

## 5. תכנית פריסה

| שכבה | טכנולוגיה | יתרונות מרכזיים |
|------|------------|-------------------|
| **זמן ריצה בקצה** | NVIDIA Jetson, Intel NPU, או AMD Ryzen Embedded | שיהוי נמוך, שמירת נתונים במקומות |
| **LLM מקומי** | LLaMA‑2‑7B‑Chat (מכווץ ל‑4‑ביט) | הפקת טקסט באיכות גבוהה עם footprint מינימלי |
| **מקודד הקשר** | TinyBERT‑Distil (פלט 256‑ממדי) | הסקת מסקנות מהירה, מודע למספר משימות |
| **מאגר KG** | Neo4j‑Embedded + RocksDB | הבטחת ACID, חיפוש גרפי יעיל |
| **מתזמן פדרטיבי** | TensorFlow Federated + OpenMined Syft | אגרגציית גרדיאנטים מאובטחת, יומני ביקורת |
| **ניטור** | Prometheus + Grafana dashboards (הדמיות Mermaid) | שיהוי בזמן אמת, הפצת תגמולים, גילוי סטייה |

**אינטגרציה CI/CD** – כל רכיב מתועתק במכולות Docker ומנוהל באמצעות GitOps (ArgoCD). התראות על סטייה במדיניות מפעילות צינורות קלט KG אוטומטיים, ומבטיחות שהמערכת לעולם לא תישאר מאחור מול עדכוני רגולציה.

---

## 6. שיקולי אבטחה ופרטיות

1. **הוכחות אפס‑ידע (ZKP) לאימות גרדיאנטים** – הצמתים מצרפים ZKP לכל אצוות גרדיאנטים, מוכיחים שהעדכון עומד בפונקציית האובדן של FedRL מבלי לחשוף נתונים גולמיים.  
2. **רעש פרטיות דיפרנציאלית (DP)** – לפני האגרגציה, כל צומת מוסיף רעש Laplace מכוונן (`ε = 1.2`) כדי להגביל דליפת פרטיות.  
3. **ביצוע בתוך מנעול מאובטח** – קידוד הקשר רגיש מתבצע בתוך Enclave של Intel SGX או AMD SEV, מונע ריגול בזיכרון.  
4. **שרשרת ביקורת** – כל אירוע יצירת נרטיב מתועד בלדג'ר בלתי‑ניתן (Hyperledger Fabric), מה שמאפשר בדיקות ציות פורנזיות.

---

## 7. מדדי הערכה ותוצאות

פיילוט שהוטמע בשלוש חברות SaaS רב‑לאומיות הראה את התוצאות הבאות (ממוצע על 30 יום):

| מדד | RAG מסורתי | DC‑RAG |
|-----|-------------|--------|
| **שיהוי ממוצע** | 842 ms | **418 ms** |
| **שביעות רצון משתמשים (★)** | 3.7 | **4.5** |
| **אחוז הצלחה בביקורת ציות** | 88 % | **96 %** |
| **יציאת נתונים (GB)** | 12.4 | **1.3** |
| **זמן גילוי סטייה במדיניות** | 48 שעה | **6 שעה** |

הפחתת יציאת הנתונים נובעת מהייצור בקצה בלבד, והקיצור בזמן גילוי הסטייה נובע מהתפתחות KG בלמידה עצמאית.

---

## 8. כיוונים עתידיים

* **אחזור מולטימודלי** – שילוב ראיות וידאו ותרשימים (למשל, הקלטות הדרכות ציות) באמצעות הטמעת embeddings של CLIP.  
* **העברת תחום חוצה** – ניצול למידת מטא‑למידה פדרטיבית להאצת חיבור של תחומי רגולציה חדשים (לדוגמה, רגולציות אתיקה של AI מתפתחות).  
* **שכבת הסבר** – יצירת גרפי מקור (Mermaid) שמסביר לכל משפט נרטיב את הצמתים KG שהשפיעו עליו, כדי לעמוד בדרישות ביקורת.

---

## 9. סיכום

Dynamic Context‑Aware Retrieval‑Augmented Generation (DC‑RAG) מאחד שלושה מגמות חזקות – **אחזור מודע להקשר**, **למידת חיזוק פדרטיבית**, ו**התפתחות גרף ידע בלמידה עצמאית** – לתוך ארכיטקטורה אחת, שמכבדת פרטיות. על‑ידי העברת ההסקה לקצה, התאמה רציפה של הפרומפט, והפיכת ה‑KG למתעדכן באופן אוטומטי, ארגונים יכולים לספק **נרטיבים של ציות מדויקים, מיידיים ומותאמים אישית** בקנה מידה. תוצאות האמפיריות מדגימות שיפור משמעותי בשיהוי, שביעות רצון משתמשים, והקפדה על רגולציה, מה שהופך את DC‑RAG לצעד הבא המהותי לכל ארגון שמעמיד את הציות בראש סדר העדיפויות.

---

## ראה גם
- [Retrieval‑Augmented Generation: Foundations and Best Practices](https://arxiv.org/abs/2005.11401)  
- [Self‑Supervised Graph Neural Networks for Knowledge‑Graph Completion](https://doi.org/10.1145/3459637.3482215)