
# סינתזת פקודות מעט‑דוגמאות מונעת אונטולוגיה דינמית ליצירת נרטיב רגולטורי חוצה‑תחומי בזמן אמת

## מבוא

ארגונים שפועלים ברמה גלובלית חייבים לתרגם באופן מתמיד ים של טקסטים רגולטוריים לנרטיבים ברורים ופעילים עבור מבקרי תקינה, מנהלי מוצר, ומשתמשי קצה. צינורות מבוססי כללים מסורתיים מתקשים להתמודד עם קצב השינויים הרגולטוריים, בעוד שמודלים גדולים של שפה (LLM) מצטיינים ביצירת טקסט אך לעיתים משקרים או מפספסים ניואנסים ספציפיים לתחום סמכות.  

**סינתזת פקודות מעט‑דוגמאות מונעת אונטולוגיה דינמית (DO‑FSP)** מגשרת את הפער הזה. על‑ידי עיגון פקודות LLM באונטולוגיה רגולטורית המתפתחת באופן מתמשך וניצול דוגמאות מעט‑דוגמאות שנבחרות אוטומטית בזמן ההסקה, DO‑FSP מספקת:

* **אמינות רגולטורית** – כל פסקה שנוצרה מתייחסת בדיוק לסעיף, גרסה, ותחום סמכות.  
* **ביצועים בזמן אמת** – הרכבת פקודות מקומית בקצה משמרת השהייה מתחת ל‑200 מ״ש.  
* **כיסוי חוצה‑תחומי ברמת סקלה** – מודל יחיד משרת עשרות משטרים רגולטוריים ללא צורך באימון מחדש.  

במאמר זה ננתח את הארכיטקטורה, נסקור את צינור הנתונים, ונציג כיצד לממש את המרכיבים המרכזיים בעזרת כלים קוד פתוח.

## 1. סקירת ארכיטקטורה

המערכת מורכבת מארבע שכבות לוגיות:

1. **שירות האונטולוגיה הרגולטורית (ROS)** – מסד גרף (Neo4j) המאחסן סעיפים, הגדרות, קשרים, והיסטוריית גרסאות.  
2. **מנוע אחזור מעט‑דוגמאות (FSRE)** – מאגר וקטורי (FAISS) המאינדקס פקודות דוגמה מתועדות ותוצאותיהן.  
3. **מתזמן סינתזת פקודות (PSO)** – שירות קצה קל (FastAPI + Rust) שמרכיב את הפקודה הסופית על‑ידי מיזוג מטא‑נתוני האונטולוגיה עם חמשת הדוגמאות המובילות.  
4. **שכבת אינפרנס של מודל שפה גדול (LIL)** – מודל LLaMA‑2‑13B מכווץ הפועל על NVIDIA Jetson או AWS Graviton, נגיש דרך gRPC.

זרימת הנתונים מוצגת בדיאגרמת Mermaid שלהלן.

```mermaid
graph LR
    A["בקשה נכנסת\n(שאילתת ציות)"] --> B["PSO\nבונה פקודה"]
    B --> C["FSRE\nאחזור מעט‑דוגמאות"]
    B --> D["ROS\nחיפוש באונטולוגיה"]
    C --> B
    D --> B
    B --> E["LIL\nמודל LLM מכווץ"]
    E --> F["נרטיב שנוצר"]
    F --> G["מטמון תגובה\nEdge CDN"]
    G --> A
```

### 1.1 למה מעט‑דוגמאות?

הפעלת פקודות מעט‑דוגמאות מאפשרת לנו להכניס דוגמאות קונקרטיות המדגימות את הסגנון המדויק, פורמט הציטוט, וההתאמה לתחום סמכות המבוקש. על‑ידי בחירת דוגמאות **דינמית** על בסיס דמיון סמנטי לבקשה הנכנסת, אנו נמנעים משברירות של תבניות סטטיות תוך שמירה על שימוש נמוך בטוקנים.

### 1.2 למה מונע אונטולוגיה?

אונטולוגיה רגולטורית מקודדת:

* **היררכיית סעיפים** – למשל, [GDPR](https://gdpr.eu/) → סעיף 5 → עיקרון 1.  
* **קישורים חוצי‑הפניות** – למשל, CCPA §1798.100 ↔ GDPR Art. 6.  
* **חותמות זמן של גרסאות** – מאפשר שאילתות “כפי שהיה בתאריך”.  

הטמעת ידע זה ישירות בפקודה (בצורת JSON מובנה) נותנת ל‑LLM עוגן דטרמיניסטי, ומפחיתה משמעותית את ההזיות.

## 2. בניית האונטולוגיה הרגולטורית

### 2.1 מקורות נתונים

| מקור | פורמט | תדירות עדכון |
|------|-------|----------------|
| מגזיני רשמי PDF | OCR → JSON | שבועית |
| API רגולטוריים (למשל EUR‑LEX של האיחוד) | REST/JSON | יומית |
| מדריכים ספציפיים לתעשייה (למשל [PCI‑DSS](https://www.pcisecuritystandards.org/pci_security/)) | Markdown | חודשית |

### 2.3 סינכרון רציף

**CronJob** ב‑Kubernetes מריץ **שירות סינכרון האונטולוגיה** אשר:

1. מושך מסמכים חדשים.  
2. מריץ צינור Document AI (OCR → NER → חילוץ סעיפים).  
3. מעדכן את Neo4j דרך מנהל **Neo4j‑Bolt**.  

לוגיקת זיהוי שינוי משדרת אירועים לנושא **Kafka**, שהשירותים התלויים (FSRE, PSO) צורכים כדי להישאר מסונכרנים.

## 3. מנוע אחזור מעט‑דוגמאות

### 3.1 יצירת דוגמאות

בשלב **אתחול**, מומחי תחום כותבים סט ראשוני של 500 דוגמאות מתועדות. כל דוגמה כוללת:

* **פקודה** – בקשת JSON‑מקודדת עם הפניות לאונטולוגיה.  
* **תגובה** – נרטיב תקני (הזהב).  
* **הטמעה** – וקטור של 768 ממדים שנוצר משורת‑המרה (sentence‑transformer) בשם all‑MiniLM‑L6‑v2.

### 3.3 אלגוריתם אחזור

לאחר קבלת שאילתה חדשה:

1. מצפינים את השאילתה באותו transformer.  
2. מבצעים חיפוש **k‑NN** (k = 5).  
3. מסננים תוצאות לפי תאימות לתחום סמכות בעזרת מטא‑נתוני ROS.  

הדוגמאות שנבחרו **ממוינות מחדש** על‑ידי מודל רלוונטיות שנלמד (gradient‑boosted trees) המתחשב ב:

* דמיון סמנטי.  
* עדכניות הרגולציה הרלוונטית.  
* שיעור הצלחה היסטורי (נמדד על‑ידי אימות לאחר‑יצירה).

## 4. מתזמן סינתזת פקודות (PSO)

### 4.1 תבנית פקודה

הפקודה הסופית מקיימת סכימה קפדנית:

```
<system>
You are a compliance narrative generator. Cite clauses using the format [<clause_id>].
</system>

<user>
{query}
</user>

<ontology>
{clause_metadata_json}
</ontology>

<examples>
{few_shot_examples_json}
</examples>
```

### 4.2 מימוש קצה‑מקורי

PSO נכתב ב‑**Rust** לשמירה על השהייה מינימלית. זרימת העבודה:

```rust
async fn build_prompt(req: Request) -> Prompt {
    // 1. פענוח השאילתה
    let query = req.body.query;
    // 2. חיפוש באונטולוגיה
    let clauses = ros.lookup(&query).await?;
    // 3. אחזור דוגמאות מעט‑דוגמאות
    let examples = fsre.retrieve(&query, &clauses).await?;
    // 4. סריאליזציה ל‑JSON והרכבת הפקודה
    Prompt::new(system_msg(), user_msg(query), ontology_json(clauses), examples_json(examples))
}
```

השירות רץ על מופעי **AWS Graviton2** בקצה, ומחשף נקודת קצה **gRPC** שנצרכת על‑ידי שכבת האינפרנס של ה‑LLM.

## 5. שכבת אינפרנס של מודל שפה גדול (LIL)

### 5.1 בחירת מודל

אנו משתמשים ב‑**LLaMA‑2‑13B** מכווץ ל‑**4‑bit** בעזרת **GPTQ**. כך הזיכרון נופל לכ‑8 GB, מה שמאפשר פריסה על‑גבי Jetson AGX Orin יחיד או מופע t4g.medium.

### 5.3 עיבוד לאחר יצור

לאחר הייצור:

1. **חילוץ ציטוטים** – regex שמוציא את `[<clause_id>]`.  
2. **אימות** – בדיקת כל מזהה מול ROS; מזהים חסרים או לא תואמים גורמים להפעלה חוזרת של מודל משני עם טמפרטורה גבוהה יותר.  
3. **מטמון** – נרטיבים מוצלחים נשמרים ב‑CDN קצה (CloudFront) תחת hash של השאילתה + גרסת האונטולוגיה.

## 6. טיפול בתזוזת רגולציה

רגולציות מתפתחות; סעיפים מתווספים, מתעדכנים או מבוטלים. DO‑FSP מתמודדת עם תזוזה דרך שלושה מנגנונים:

1. **אונטולוגיה מודעת לגרסאות** – לכל סעיף יש `effective_from` ו‑`effective_to`. ניתן לבקש “כפי שהיה” בתאריך ספציפי.  
2. **מתזמן רענון פקודות** – כל 12 שעות PSO מחשב מחדש את מאגר המעט‑דוגמאות לשאילתות בעלות תעבורה גבוהה, כדי שהדוגמאות ישקפו את השפה העדכנית.  
3. **ביקורת אוטומטית** – משימת לילה מריצה **ביקורת סינתטית** שמייצרת נרטיבים למספר מקרי מבחן של סעיפים ומשווה אותם לבסיס כללים. סטיות מייצרות התראות בלוח הבקרה של הציות.

## 7. מדדי ביצועים

| מדד | קצה (Jetson) | ענן (t4g.medium) |
|------|--------------|-------------------|
| ממוצע השהייה (מ״ש) | 172 | 118 |
| השהייה באחוזון 99 (מ״ש) | 245 | 190 |
| קצב עיבוד (בקשות/שנייה) | 45 | 78 |
| עלות טוקנים לכל בקשה | 0.12 USD | 0.09 USD |

הפריסה בקצה עומדת בדרישות **[SLA](https://www.ibm.com/think/topics/service-level-agreement)** של תת‑200 מ״ש עבור פורטלים אינטראקטיביים של ציות, בעוד שהגרסה בענן מספקת קיבולת גבוהה יותר לעיבוד במקצבים גדולים.

## 8. שיקולי אבטחה ופרטיות

* **הוכחות אפס‑ידע (ZKP)** – הוכחה אופציונלית שהנרטיב שנוצר מתייחס רק לסעיפים ציבוריים, ללא חשיפת הרכב הפקודה הפנימי.  
* **הצפנת נתונים** – כל התקשורת בין השירותים מתבצעת באמצעות mTLS.  
* **שרשרת ביקורת** – כל בקשה מתעדת את hash גרסת האונטולוגיה, מזהי המעט‑דוגמאות שנבחרו, וטמפרטורת ה‑LLM, ונשמרת ביומן בלתי‑ניתן לשינוי (Amazon QLDB).

## 9. רשימת בדיקה ליישום

| שלב | פעולה | כלי |
|------|--------|------|
| 1 | ייבוא טקסטים רגולטוריים | Document AI (Textract) |
| 2 | בניית גרף האונטולוגיה | Neo4j |
| 3 | יצירת סט דוגמאות ראשוני | Markdown + JSON |
| 4 | אימון transformer למקטעים | HuggingFace `sentence-transformers` |
| 5 | אינדקס וקטורים ב‑FAISS | FAISS‑GPU |
| 6 | פריסת PSO | Rust + FastAPI |
| 7 | כווץ מודל LLM | GPTQ + bitsandbytes |
| 8 | הקמת אינפרנס בקצה | NVIDIA Jetson / Graviton |
| 9 | קונפיגורציית ניטור | Prometheus + Grafana |
| 10 | הרצת ביקורת תזוזה | Airflow DAG |

מעקב אחרי רשימה זו מקצר את זמן ההגעה לערך מ‑חודשים לשבועות.

## 10. כיוונים עתידיים

1. **הוכחה מרובת‑מודלים** – שילוב מסמכי חוזה סרוקים (OCR) כהטמעות תמונה כדי להעשיר את הדוגמאות המעט‑דוגמאות.  
2. **למידה מחוזקת ממשוב אנושי (RLHF)** – מתן אפשרות למומחי ציות לדרג נרטיבים, והזנת המשוב חזרה למודל הרלוונטיות.  
3. **סינכרון אונטולוגיה פדרטיבית** – לאפשר לסניפים לארח חלקי אונטולוגיה מקומיים המשולבים באמצעות למידה פדרטיבית מאובטחת, לשמירה על ריבונות נתונים.

## סיכום

סינתזת פקודות מעט‑דוגמאות מונעת אונטולוגיה דינמית מציעה דרך פרגמטית וביצועית ליצירת נרטיבים רגולטוריים חוצים‑תחומי בזמן אמת. על‑ידי חיבור אונטולוגיה רגולטורית חיה לבחירת דוגמאות מעט‑דוגמאות חכמה ותזמור קצה‑מקורי, ארגונים יכולים להשיג:

* **דיוק** – ציטוטים מעוגנים בגרף סמכותי.  
* **מהירות** – השהייה מתחת ל‑200 מ״ש לשימושים אינטראקטיביים.  
* **סקלאביליות** – מודל LLM יחיד משרת עשרות תחומי סמכות ללא צורך באימון נוסף.  

אימוץ DO‑FSP מציב צוותי הציות בעמדה של יתרון תחרותי, מאפשר להם להקדים את שינויי הרגולציה ולספק נרטיבים ברורים ואמינים לכל בעלי העניין.