# AI‑potpomognuta karta rizika usklađenosti u stvarnom vremenu uz poslovno procesno rudarenje

## Uvod

Poduzeća koja isporučuju SaaS proizvode djeluju u stalno mijenjajućem regulatornom okruženju. Tradicionalni programi usklađenosti oslanjaju se na periodične revizije, ručno prikupljanje dokaza i statičke nadzorne ploče koje brzo zastarijevaju. Razlika između **promjena politika** i **prilagodbi procesa** stvara skriveni izloženost riziku, osobito kada se poslovni procesi razvijaju brže nego što timovi za usklađenost mogu reagirati.

**Karta rizika usklađenosti u stvarnom vremenu** koja vizualizira intenzitet rizika kroz organizacijske procese može zatvoriti taj jaz. Integriranjem **poslovnog procesnog rudarenja** — automatiziranog otkrivanja stvarnih tokova procesa iz zapisnika događaja — s **AI‑vođenim otkrivanjem anomalija** i **kauzalnim zaključivanjem**, možemo izložiti odmak politike, otkriti abnormalno ponašanje procesa i prioritizirati sanaciju u jedinstvenom, kontinuirano osvježavanom prikazu.

Ovaj članak prolazi kroz konceptualne osnove, tehničku arhitekturu i praktične korake za izgradnju takvog sustava, ističući SEO‑prijateljske prednosti koje ga čine privlačnim dodatkom bilo koje baze znanja o usklađenosti.

## Zašto je stvarno vrijeme važno

1. **Regulatorna brzina** – Nove regulative (npr. [GDPR](https://gdpr.eu/)-ePrivacy, [CCPA](https://oag.ca.gov/privacy/ccpa), [EU AI Act Compliance](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai)) objavljuju se tjedno. Kašnjenje u otkrivanju može dovesti do kazni i štete reputaciji.  
2. **Dinamično okruženje procesa** – CI/CD cjevovodi, orkestracija mikroservisa i serverless funkcije mijenjaju se svakodnevno. Statične karte usklađenosti propuštaju ove brze promjene.  
3. **Prioritizacija rizika** – Karta koja se ažurira svakih nekoliko sekundi omogućuje analitičarima sigurnosti da se usredotoče na najkritičnije točke, smanjujući prosječno vrijeme otklanjanja (MTTR).  

## Poslovno procesno rudarenje u kratkom pregledu

Rudarenje procesa izvlači **zapisnike događaja** iz izvora poput:

- Zapisnika aplikacija (npr. API gateway, usluge autentifikacije)  
- Cloud revizijskih zapisa (AWS CloudTrail, Azure Activity Log)  
- Događaja CI/CD cjevovoda (GitHub Actions, Jenkins)  

Ti zapisnici pretvaraju se u **usmjereni graf** gdje čvorovi predstavljaju aktivnosti (npr. “Korisnička prijava”, “Izvoz podataka”), a bridovi bilježe učestalost i redoslijed prijelaza. Rezultirajući **model procesa** odražava *stvarno* stanje, a ne *planirano* dizajnirano.

Kada se kombinira s metapodacima usklađenosti (npr. koje su aktivnosti podložne [ISO 27001](https://www.iso.org/standard/27001) A.12.4), graf procesa postaje **karta procesa svjesna usklađenosti**.

## Pregled arhitekture

Dolje je prikazan visokorazinski Mermaid dijagram koji ilustrira protok podataka od sirovog unosa događaja do interaktivne karte rizika.

```mermaid
graph LR
    A[Event Sources] -->|Stream| B[Kafka Ingestion Layer]
    B --> C[Schema Validation & Enrichment]
    C --> D[Process Mining Engine]
    D --> E[Compliance Knowledge Graph]
    E --> F[AI Anomaly & Causal Engine]
    F --> G[Risk Scoring Service]
    G --> H[Real‑Time Heatmap UI]
    subgraph AI Models
        F
    end
    subgraph Storage
        D
        E
        G
    end
```

### Ključne komponente

| Komponenta | Uloga |
|-----------|------|
| **Kafka Ingestion Layer** | Osigurava niskog kašnjenja, otporno strujanje zapisnika događaja. |
| **Process Mining Engine** | Generira živi graf procesa koristeći algoritam *Inductive Miner*. |
| **Compliance Knowledge Graph** | Pohranjuje mapiranja politika‑aktivnosti, regulatorna ograničenja i verzionirane podatke o odmaku politika. |
| **AI Anomaly & Causal Engine** | Otkriva izvanredne prijelaze (npr. iznenadni skokovi u izvozu podataka) i zaključuje uzročne veze s promjenama politika. |
| **Risk Scoring Service** | Izračunava sastavljeni rizik po čvoru koristeći ponderirane faktore (odmak politike, ozbiljnost anomalije, poslovni utjecaj). |
| **Real‑Time Heatmap UI** | Front‑end izgrađen s React + D3, prikazuje boje‑kodiranu matricu gdje intenzitet odražava rizik. |

## Unos podataka i normalizacija

1. **Hvatanje događaja** – Postavite lagane agente na svaki mikroservis koji šalju JSON događaje u Kafka teme.  
2. **Schema Registry** – Nametnite jedinstvenu shemu (timestamp, user_id, activity, resource_id, outcome).  
3. **Obogaćivanje** – Dodajte kontekstualne podatke: uloga korisnika, klasifikacija podataka i povezane kontrole usklađenosti.  

Normalizacija je ključna jer AI modeli očekuju dosljedne vektore značajki. Nedostajuća polja popunjavaju se metodom **k‑najbližih susjeda** temeljenom na povijesnim zapisnicima.

## AI modeli u akciji

### 1. Otkrivanje anomalija

Koristimo **Variational Auto‑Encoder (VAE)** treniran na normalnom grafu procesa. Encoder komprimira sekvence aktivnosti u latentni prostor; decoder ih rekonstruira. Greška rekonstrukcije iznad dinamičkog praga označava anomaliju.

### 2. Kauzalno zaključivanje

Korištenjem **DoWhy** i **Structural Causal Models (SCM)** procjenjujemo vjerojatnost da je otkrivena anomalija uzrokovana nedavnom promjenom politike. Kauzalni graf uključuje:

- `PolicyVersion` → `AllowedActivities`  
- `AllowedActivities` → `ProcessTransitions`  
- `ProcessTransitions` → `RiskScore`

### 3. Sastavljeni rizik

`RiskScore = w₁·PolicyDriftScore + w₂·AnomalySeverity + w₃·BusinessImpact`

Ponderi (`w₁, w₂, w₃`) optimiziraju se metodom **Bayesian Optimization** na povijesnim podacima o incidentima.

## Vizualizacija karte

UI prikazuje **matricu** gdje su redovi poslovni procesi (npr. “Onboarding”, “Data Export”), a stupci regulatorna područja (npr. “Privacy”, “Security”). Intenzitet boje svake ćelije odražava **real‑time rizik**. Kada se pređe mišem, prikazuju se:

- Trenutna razina rizika (Niska/Srednja/Visoka)  
- Zadnja primijenjena verzija politike  
- Detalji anomalije (vrijeme, pogođeni korisnik)  

**Klizač vremena** omogućuje analitičarima pregled evolucije rizika u posljednjih 24 sata, podržavajući analizu uzroka.

## Primjeri iz prakse

| Primjena | Korist |
|----------|--------|
| **Brzo otkrivanje odmakova politika** | Trenutno ističe procese koji su se odmakli od najnovije verzije politike, potičući hitnu sanaciju. |
| **Revizije usmjerene na procese** | Revizori se mogu usredotočiti na čvorove visokog rizika, smanjujući napor revizije i do 40 %. |
| **Kontinuirano ocjenjivanje rizika dobavljača** | Kada je API dobavljača dio grafa procesa, njegov doprinos riziku prikazan je na karti, omogućujući dinamičko upravljanje dobavljačima. |
| **Prioritizacija incident responsea** | Timovi sigurnosti primaju obavijesti samo za ćelije koje prelaze prag visokog rizika, smanjujući zamor od previše upozorenja. |

## Koraci implementacije

1. **Definirajte mapiranje usklađenosti** – Inventurirajte sve regulatorne kontrole i povežite ih s aktivnostima procesa.  
2. **Postavite kolektore događaja** – Koristite open‑source agente (npr. OpenTelemetry) za strujanje zapisa u Kafka.  
3. **Instalirajte procesno rudarenje** – Postavite **pm4py** (open‑source) i konfigurirajte ga za inkrementalne nadogradnje.  
4. **Izgradite knowledge graph** – Iskoristite Neo4j za pohranu odnosa politika‑aktivnosti i povijesti verzija.  
5. **Trenirajte AI modele** – Pokrenite VAE i pipelines kauzalnog zaključivanja na povijesnim podacima; modele pohranite u registar (MLflow).  
6. **Razvijte UI karte** – Upotrijebite React, D3 i WebSocket za live ažuriranja.  
7. **Integrirajte upozorenja** – Povežite pragove rizika s Slackom, PagerDutyjem ili SIEM platformama.  

## Izazovi i najbolje prakse

| Izazov | Ublažavanje |
|--------|-------------|
| **Obujam podataka** | Particionirajte Kafka teme po servisu; koristite agregacije po prozorima u rudarskom motoru. |
| **Drift modela** | Planirajte kvartalno ponovno treniranje; pratite distribuciju grešaka rekonstrukcije. |
| **Eksplozija verzija politika** | Pohranjujte samo delta promjene; starije verzije arhivirajte u hladnom skladištu. |
| **Usvajanje od strane korisnika** | Pružite kontekstualne tooltipove i treninge; ugradite kartu u postojeće portale usklađenosti. |

## Smjerovi za budućnost

- **Generativni AI za preporuke politika** – Koristite LLM‑ove za predlaganje prilagodbi politika na temelju uočenih anomalija procesa.  
- **Edge‑native procesno rudarenje** – Implementirajte lagane rudare na edge čvorovima za ultra‑nisko kašnjenje u visoko distribuiranim okruženjima.  
- **Zero‑Knowledge dokazi za auditable evidence** – Omogućite kriptografski dokaz da je proces bio usklađen s politikom bez otkrivanja sirovih zapisa.  

## Zaključak

Uparivanjem **AI‑vođenog otkrivanja anomalija u stvarnom vremenu**, **kauzalnog zaključivanja** i **poslovnog procesnog rudarenja**, organizacije dobivaju živu kartu rizika usklađenosti koja otkriva odmak politike i anomalije procesa u trenutku kada se pojave. Ovaj proaktivan pristup ne samo da smanjuje regulatorne kazne, već i osnažuje timove sigurnosti da rasporede resurse tamo gdje je najpotrebnije, pretvarajući usklađenost iz periodičnog zadatka u kontinuiranu, podatkovno‑vođenu prednost.