# Motor za podršku odlučivanju u stvarnom vremenu za usklađenost, potpomognut uzročnom AI-jem

Timovi za usklađenost sve više su prisiljeni reagirati na regulatorne promjene tek nakon što su one već utjecale na planove proizvoda, ugovore s dobavljačima ili interne procese. Tradicionalni sustavi temeljeni na pravilima mogu označiti prekršaje, ali rijetko objašnjavaju *zašto* je došlo do prekršaja ili *što* bi se dogodilo da je poduzeta druga radnja. **Motor za podršku odlučivanju uzročnom AI-jem** premošćuje taj jaz pretvarajući sirove tokove događaja u živu uzročnu model, omogućujući analizu „što‑ako“ u stvarnom vremenu, kontrafaktičko razmišljanje i preskriptivne preporuke.

U ovom članku prolazimo kroz osnovne pojmove, arhitektonske blokove, algoritamske odluke i praktične obrasce implementacije za motor za podršku odlučivanju u usklađenosti potpomognut uzročnom AI-jem (C‑AI‑DS). Na kraju ćete razumjeti kako:

* Pretvoriti regulatorne izvore, revizijske zapise i dokumente politika u dinamički uzročni graf.  
* Primijeniti vremenske graf‑neuronske mreže (TGNN) za učenje uzročnih odnosa iz streaming podataka.  
* Izvršiti kontrafaktičke simulacije koje odgovaraju na pitanje „Što ako promijenimo X?“ u milisekundama.  
* Generirati praktične korake otklanjanja koji su rangirani prema utjecaju, trošku i riziku.  
* Integrirati motor s postojećim CI/CD cjevovodima, nadzornim pločama upravljanja i ChatOps botovima.

---

## Zašto uzročna AI nadmašuje upozorenja temeljena na pravilima

| Značajka | Sustavi temeljeni na pravilima | Uzročna AI podrška odlučivanju |
|----------|-------------------------------|--------------------------------|
| Detekcija | Jednostavno podudaranje uzoraka, visok postotak lažnih pozitivnih | Uči skrivene ovisnosti, smanjuje šum |
| Objašnjenje | Ograničeno na ID pravila | Pruža uzročni put i dokaze |
| Što‑ako | Nije podržano | Trenutna kontrafaktička simulacija |
| Preskriptivna radnja | Ručno pretraživanje | Automatsko rangiranje preporuka |
| Prilagodljivost | Zahtijeva ručna ažuriranja pravila | Samoučenje iz novih tokova podataka |

Upozorenja temeljena na pravilima i dalje su korisna za higijenu usklađenosti, ali ne mogu odgovoriti na strateška pitanja poput *„Ako odgodimo ažuriranje zadržavanja podataka za dva tjedna, kako će to utjecati na **[GDPR](https://gdpr.eu/)** rizik revizije?“* Uzročna AI čini ta pitanja rješivima.

---

## Pregled osnovne arhitekture

Motor se sastoji od pet usko povezanih slojeva:

1. **Sloj unosa** – Sigurno struji regulatorne izvore, interne revizijske zapise, događaje iz sustava za praćenje zadataka i promjene politika‑kao‑kôd.  
2. **Građevnik grafova znanja** – Normalizira ulaze u jedinstveni **Graf znanja usklađenosti (CKG)** s entitetima (regulativa, kontrola, sustav, dobavljač) i vremenskim vezama.  
3. **Motor uzročnog učenja** – Trening **Vremenske graf‑neuronske mreže (TGNN)** koja zaključuje usmjerene uzročne veze i dodjeljuje ocjene pouzdanosti.  
4. **Simulacija kontrafaktičnosti** – Izvršava brze Monte‑Carlo simulacije na naučenom grafu za procjenu alternativnih radnji.  
5. **Usluga odlučivanja** – Rangira radnje otklanjanja, formatira ih za nadzorne ploče, API‑je i ChatOps botove.

Dolje je prikazan visokorazinski Mermaid dijagram toka podataka.

```mermaid
flowchart TD
    A["Regulatory Feed"] -->|JSON/CSV| B["Ingestion Service"]
    C["Audit Log Stream"] --> B
    D["Policy as Code Repo"] --> B
    B --> E["Compliance Knowledge Graph"]
    E --> F["Temporal Graph Neural Network"]
    F --> G["Causal Graph Store"]
    G --> H["Counterfactual Engine"]
    H --> I["Recommendation Engine"]
    I --> J["Dashboard / ChatOps"]
```

### Shema grafova znanja

CKG obuhvaća tri primarna tipa čvorova:

* **Regulativa** – npr. “**[GDPR](https://gdpr.eu/)** Art. 5”, “**[PCI‑DSS](https://www.pcisecuritystandards.org/pci_security/)** 12.3”.  
* **Kontrola** – interne kontrole, sigurnosne kontrole, procedure rukovanja podacima.  
* **Resurs** – usluge, baze podataka, API‑ji, vanjski dobavljači.

Veze kodiraju vremenske odnose poput *„Kontrola implementirana nakon izmjene regulative“* ili *„Resurs pristupan tijekom revizijskog događaja“*. Svi vremenski žigovi pohranjeni su u UTC kako bi se omogućilo precizno uzročno redoslijed.

---

## Učenje uzročnih odnosa s TGNN‑om

Vremenske graf‑neuronske mreže proširuju klasične GNN‑ove uključivanjem vremenski‑svjesnog prosljeđivanja poruka. Cjevovod treninga slijedi ove korake:

1. **Uzorak po prozorima** – Podijeli tok događaja u preklapajuće prozore (npr. 1‑sat).  
2. **Izgradnja poruke** – Za svaku vezu kreira vektor značajki koji sadrži tip događaja, veličinu opterećenja, ocjenu rizika i vremenski delta.  
3. **Prosljeđivanje naprijed** – Primijeni gated recurrent unit (GRU) na ugradnje čvorova kako bi uhvatio vremensku dinamiku.  
4. **Uzročni gubitak** – Kombinira nadzirani binarni cross‑entropy gubitak (kada postoje stvarne uzročne oznake) s **Grangerovim regularizatorom uzročnosti** koji kažnjava ne‑uzročnu usmjerenost.  
5. **Kalibracija pouzdanosti** – Koristi skaliranje temperature za pretvaranje sirovih ocjena u kalibrirane vjerojatnosti.

Rezultat je usmjeren graf u kojem svaka veza nosi **uzročnu pouzdanost** (0‑1) i **raspodjelu kašnjenja** (prosjek, varijanca). Ovaj graf se kontinuirano ažurira kako novi događaji pristižu, osiguravajući da model ostane aktualan s regulatornim pomakom.

---

## Motor kontrafaktične simulacije

Kad je uzročni graf dostupan, motor može odgovoriti na proizvoljna „što‑ako“ pitanja. Proces je:

1. **Definicija intervencije** – Korisnik specificira čvor i novo stanje (npr. „Postavi status Kontrole X = usklađen“).  
2. **Perturbacija grafa** – Motor privremeno mijenja stanje čvora i širi učinak kroz uzročni graf koristeći **Monte‑Carlo simulaciju** (10 000 uzoraka).  
3. **Agregacija rezultata** – Za svaki donji čvor regulative, motor izračunava vjerojatnost prekršaja, očekivani revizijski rezultat i predviđenu financijsku kaznu.  
4. **Prezentacija rezultata** – Top‑k intervencija se prikazuje s utjecajem, troškom i pouzdanošću.

Budući da su TGNN ugradnje već izračunate, svaka simulacija završava za **manje od 200 ms**, što motor čini prikladnim za interaktivne nadzorne ploče i upite chatbotova.

---

## Generiranje praktičnih preporuka

Motor preporuka prevodi rezultate simulacije u konkretne korake otklanjanja:

* **Ažuriranje politike** – „Dodaj šifriranje u mirovanju za Bazu podataka B“.  
* **Promjena procesa** – „Planiraj tromjesečne procjene rizika dobavljača“.  
* **Tehničko rješenje** – „Primijeni zakrpu CVE‑2025‑1234 na Uslugu X“.  

Svaka preporuka se ocjenjuje po tri dimenzije:

| Dimenzija | Metrika |
|-----------|---------|
| Utjecaj | Očekivano smanjenje vjerojatnosti prekršaja |
| Trošak | Procijenjeni napor u radnim satima ili dolarima |
| Rizik | Mogući nuspojave na druge kontrole |

Vezana suma proizvodi **indeks prioriteta** koji određuje redoslijed na nadzornoj ploči usklađenosti.

---

## Obrasci integracije

### CI/CD vrata politika‑kao‑kôd

```mermaid
sequenceDiagram
    participant Dev as Developer
    participant CI as CI Pipeline
    participant CAI as Causal AI Service
    Dev->>CI: Push code with policy change
    CI->>CAI: Submit proposed policy graph
    CAI-->>CI: Return impact score & remediation suggestions
    CI->>Dev: Fail build if impact > threshold
```

Motor se može pozvati kao pre‑spajanje vrata, sprječavajući rizične promjene politika da dođu do produkcije.

### Primjer ChatOps bota

```mermaid
sequenceDiagram
    participant User as Compliance Analyst
    participant Bot as Slack Bot
    participant CAI as Decision Service
    User->>Bot: “What if we delay **[GDPR](https://gdpr.eu/)** data‑retention update by 5 days?”
    Bot->>CAI: Forward query
    CAI-->>Bot: “Violation probability rises from 2 % to 9 %, estimated fine $120k. Recommended action: accelerate update.”
    Bot->>User: Display result
```

Bot pruža trenutne, podatkovno‑vođene odgovore bez napuštanja alata za suradnju.

---

## Stvarni primjeri upotrebe

| Industrija | Scenarij | Korist |
|------------|----------|--------|
| FinTech | Nova AML regulativa zahtijeva dodatno praćenje transakcija. | Simuliraj utjecaj na postojeće cjevovode, prioritetiziraj ažuriranja pravila koja smanjuju stopu lažnih pozitivnih. |
| SaaS | Podaci centri upravljani od dobavljača moraju se uskladiti s novim zakonima o privatnosti. | Identificiraj koje usluge trebaju poboljšanje logova, procijeni vremenski okvir spremnosti za reviziju. |
| Healthcare | **[HIPAA](https://www.hhs.gov/hipaa/index.html)** amandman uvodi strožije revizijske zapise. | Identificiraj koje usluge trebaju poboljšanje logova, procijeni vremenski okvir spremnosti za reviziju. |

Kupci koji su usvojili C‑AI‑DS izvijestili su o **30 % bržim ciklusima otklanjanja** i **15 % smanjenju kazni povezanih s usklađenošću** u prvih šest mjeseci.

---

## Lista provjere implementacije

- [ ] Siguran unos regulatornih izvora (RSS, API‑ji, PDF‑ovi).  
- [ ] Postaviti graf bazu podataka (Neo4j, JanusGraph) za CKG.  
- [ ] Trenirati TGNN model koristeći PyTorch Geometric Temporal.  
- [ ] Izložiti RESTful kontrafaktični API s OpenAPI specifikacijom.  
- [ ] Izraditi widgete nadzorne ploče (Mermaid, React) za vizualizaciju uzročnih putova.  
- [ ] Integrirati s CI/CD putem webhooka ili GitOps operatora.  
- [ ] Postaviti nadzor za drift modela i upozorenja o kvaliteti podataka.  

---

## Izazovi i ublažavanje

| Izazov | Ublažavanje |
|--------|-------------|
| Rijetke stvarne uzročne oznake | Koristiti polu‑nadzoreno učenje i označavanje stručnjaka u petlji. |
| Latencija u stvarnom vremenu | Keširati međuprostorne ugradnje, koristiti GPU inferenciju za TGNN. |
| Regulatorna dvosmislenost | Kodirati nesigurnost kao pouzdanost veze, izložiti analitičarima. |
| Privatnost podataka | Primijeniti diferencijalnu privatnost na payload događaja prije unosa u graf. |

---

## Budući smjerovi

1. **Federirano uzročno učenje** – Dijeliti ažuriranja modela među poduzećima bez premještanja sirovih podataka, čuvajući povjerljivost.  
2. **Objašnjivi AI slojevi** – Kombinirati SHAP vrijednosti s uzročnim putovima za bogatije objašnjenje.  
3. **Višemodalno spajanje dokaza** – Uključiti OCR dokumenata, audio transkripte i video zapise u CKG za bogatiji kontekst.  
4. **Automatski generirana politika‑kao‑kôd** – Zatvoriti petlju tako da motor generira isječke politike koji se mogu izravno spojiti u IaC repozitorije.  

---

## Zaključak

Motor za podršku odlučivanju u usklađenosti potpomognut uzročnom AI-jem u stvarnom vremenu transformira usklađenost iz reaktivnog popisa zadataka u proaktivnu, uvidom vođenu disciplinu. Kontinuiranim učenjem uzročnih odnosa iz streaming podataka, izvođenjem trenutnih kontrafaktičnih simulacija i isporukom rangiranih radnji otklanjanja, organizacije mogu biti ispred regulatornih promjena, smanjiti rizik revizije i učinkovitije rasporediti resurse. Modularna arhitektura opisana ovdje može se usvajati inkrementalno, počevši od sloja grafova znanja i razvijajući se prema potpunom TGNN‑vođenom sustavu podrške odlučivanju.

---

## Pogledajte također

- [Temporal Graph Neural Networks: A Survey – arXiv](https://arxiv.org/abs/2105.12723)  
- [Counterfactual Reasoning in AI – Stanford CS224U Lecture](https://cs224u.stanford.edu/lecture_notes/counterfactual.pdf)  
- [Open Policy Agent – Policy as Code for CI/CD](https://www.openpolicyagent.org/)