
# Causal Counterfactual Narrative Engine za generiranje real‑time višeregulatorne usklađenosti

## Uvod

Poduzeća koja djeluju na međunarodnoj razini suočavaju se s neprekidnim protokom regulatornih ažuriranja. Tradicionalni procesi usklađenosti oslanjaju se na ručnu interpretaciju, pravila‑temeljeno mapiranje i periodičko izvještavanje – procesi koji su spori, skloni greškama i skupi. Nedavni napredak velikih jezičnih modela (LLM‑ova) omogućio je **generativne narative usklađenosti**, ali većina rješenja i dalje djeluje kao crna kutija: generiraju tekst bez objašnjenja *zašto* je određena kontrola ili ublažavanje preporučeno.

**Causal Counterfactual Narrative Engine (CCNE)** premošćuje taj jaz. Izgradnjom uzročnog grafa regulatornih zahtjeva, poslovnih procesa i faktora rizika, motor može postavljati pitanja „što‑ako“, generirati kontrafaktičke scenarije i proizvesti narative koji su i **real‑time** i **objašnjivi**. Ovaj članak prolazi kroz konceptualne temelje, tehničku arhitekturu i praktične korake implementacije CCNE‑a koji radi kroz više regulatornih okvira.

## Zašto su uzročni kontrafaktički pristupi važni

1. **Uvid u korijenske uzroke** – Uzročni grafovi otkrivaju temeljne pokretače rizika usklađenosti (npr. „Razdoblje čuvanja podataka → [GDPR](https://gdpr.eu/) Članak 5 usklađenost”). Kada se regulativa promijeni, učinak se širi kroz graf, odmah ističući pogođene kontrole.

2. **Istraživanje „što‑ako“** – Kontrafaktičko rasuđivanje omogućuje službenicima usklađenosti postaviti pitanja poput „Ako smanjimo čuvanje podataka na 30 dana, hoćemo li i dalje zadovoljiti [ISO 27001](https://www.iso.org/standard/27001) A.8.2?“ Motor simulira ishod i generira narativ koji objašnjava kompromis.

3. **Auditorabilnost** – Svaka preporuka potkrepljena je pratljivom uzročnom stazom i kontrafaktičkim dokazom, što zadovoljava revizore koji zahtijevaju dokaze izvan generiranog odlomka.

4. **Regulatorna harmonija** – Poravnanjem više ontologija na zajednički uzročni kostur, motor može uskladiti konfliktne zahtjeve (npr. različita pravila o lokaciji podataka u GDPR‑u i CCPA‑u) i proizvesti jedinstveni narativ.

## Pregled arhitekture

CCNE se sastoji od pet usko povezanih slojeva:

1. **Ingestija i usklađivanje ontologije** – Struji regulatorne tekstove, interne politike i metapodatke procesa u jedinstveni graf znanja.
2. **Graditelj uzročnog grafa** – Ekstrahira uzročno‑posljedične odnose uz pomoć LLM‑poboljšanog ekstrakcijskog procesa i pohranjuje ih kao usmjerene bridove.
3. **Kontrafaktički motor** – Generira alternativne svjetove mijenjanjem stanja čvorova i procjenjuje utjecaj na usklađenost putem probabilističke inferencije.
4. **Generativni sloj narativa** – Uvjetuje LLM uzrokovnu stazu i kontrafaktičke dokaze kako bi proizveo ljudski čitljiva objašnjenja.
5. **Orkestracija i real‑time API** – Poslužuje zahtjeve, upravlja latencijskim budžetom i bilježi porijeklo za revizijske tragove.

Dolje je prikazan visokorazinski Mermaid dijagram toka podataka.

```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
```

## Ingestija podataka i usklađivanje ontologije

### Višestruko‑izvorno strujanje

- **Regulatorni feedovi** (EU Gazette, SEC EDGAR, lokalne agencije) konzumiraju se putem RSS‑a, API‑ja ili web‑scrapera.
- **Interni artefakti** (politike, SOP‑ovi, registre rizika) povlače se iz sustava za upravljanje dokumentima pomoću konektora.
- **Telemetrija procesa** (logovi radnih tokova, IAM događaji) teče iz event hub‑ova (Kafka, Pulsar) u sirovi jezer.

### Cjevovod normalizacije

1. **Predobrada teksta** – OCR za skenirane PDF‑ove, detekcija jezika i tokenizacija.
2. **Semantičko segmentiranje** – Dugačke odredbe razbija na atomičke klauzule uz LLM‑poboljšanu segmentaciju.
3. **Mapiranje ontologije** – Svaku klauzulu usklađuje s zajedničkim meta‑modelom (npr. `DataRetention`, `AccessControl`, `AuditLog`) putem **Prompt‑Based Entity Resolver**‑a.

### Sloj poticaja tokena (opcionalno)

Kako bi se potaknuli vanjski regulatori ili partneri na doprinos visokokvalitetnim metapodacima, platforma može izdavati **compliance token** na dozvoljenom ledgeru. Tokeni se dodjeljuju za potvrđene mapiranja i mogu se zamijeniti za kredite analitike.

## Izgradnja uzročnog grafa

### Tehnike ekstrakcije

- **Ovisno parsiranje** identificira glagole koji ukazuju na uzročnost („mora zadržati“, „treba šifrirati“).
- **LLM‑poboljšano otkrivanje uzoraka** potiče model da označi parove uzroka‑posljedice, npr. „Ako je `EncryptionAtRest` omogućeno, tada `DataBreachRisk` opada“.

### Shema grafa

| Tip čvora      | Primjer                     | Atributi                         |
|----------------|-----------------------------|----------------------------------|
| 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`            |

Bridovi nose **uzročnu težinu** (0‑1) izvedenu iz pouzdanosti. Graf se pohranjuje u **property graph bazu** (Neo4j, JanusGraph) radi brzog pretraživanja.

## Modul kontrafaktičkog rasuđivanja

### Motor „što‑ako“

Motor koristi **probabilističke grafičke modele** (Bayesove mreže) izgrađene na uzročnom grafu. Za evaluaciju kontrafaktičkog scenarija:

1. **Intervencija** – Postavi stanje čvora (npr. `DataRetention = 30 days`).
2. **Do‑kalkulus** – Propagira intervenciju kroz mrežu, ponovno izračunavajući posteriorne vjerojatnosti za downstream rizike.
3. **Ocjena ishoda** – Uspoređuje novi profil rizika s pragovima usklađenosti.

### Primjer upita

> *„Ako zamijenimo on‑premise logiranje s cloud‑baziranim SIEM‑om, hoćemo li i dalje zadovoljiti [ISO 27001](https://www.iso.org/standard/27001) A.12.4?“*

Motor intervenira na `LoggingSolution = CloudSIEM`, pokreće inferenciju i vraća vjerojatnost usklađenosti (npr. 0,92). Rezultat se potom prosljeđuje generatoru narativa.

## Generativni sloj narativa

### Inženjering prompta

LLM prima strukturirani prompt koji sadrži:

- **Regulatorni kontekst** (tekst klauzule, jurisdikcija)
- **Uzročnu stazu** (popis čvorova i bridova)
- **Kontrafaktički ishod** (vjerojatnost, promjena rizika)
- **Upute tona** (koncizno, izvršni sažetak, tehnički detalj)

Primjer prompta (pojednostavljen):

```
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.
```

### Značajke izlaza

- **Objašnjenje** – Ljudski čitljiv narativ.
- **Tablica dokaza** – Markdown tablica koja povezuje svaku tvrdnju s ID‑jem čvora grafa.
- **Audit hash** – SHA‑256 uzročnog puta, pohranjen na nepromjenjivom ledgeru radi kasnije verifikacije.

## Real‑time orkestracija

### Upravljanje latencijom

- **Cache sloj** pohranjuje nedavne kontrafaktičke rezultate za ponovljene upite (npr. česti scenariji „30‑dnevno čuvanje“).
- **Asinkrono procesiranje** – Teški grafički ažuriranja odvijaju se u pozadinskim radnicima; API vraća status „pending“ uz webhook za obavijest o dovršetku.

### Ugovor API‑ja

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

Odgovor uključuje `narrative`, `evidenceTable` i `auditHash`.

## Objašnjivost i revizija

1. **Graf porijekla** – Svaki narativ povezuje se s točnim uzročnim bridovima koji su korišteni.
2. **Kontrafaktički trag** – Na zahtjev se može generirati vizualni Mermaid dijagram koji prikazuje intervenciju i pogođene čvorove.
3. **Neizmjenjivi ledger** – Korištenjem dozvoljenog blockchaina (npr. Hyperledger Fabric) za pohranu `auditHash` osigurava se otporan na manipulacije zapis.

### Primjer Mermaid dijagrama kontrafaktičkog scenarija

```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
```

## Razmatranja implementacije

| Aspekt | Preporuka |
|--------|-----------|
| **Skalabilnost** | Implementirajte uzročni graf u distribuiranoj graf bazi; koristite Kubernetes za stateless servise. |
| **Sigurnost** | Šifrirajte podatke u mirovanju, primijenite zero‑trust mrežne politike i izolirajte usluge za mintanje tokena. |
| **Usklađenost** | Uskladite samu platformu s [ISO 27001](https://www.iso.org/standard/27001) i [SOC 2](https://secureframe.com/hub/soc-2/what-is-soc-2); vodite zasebnu evidenciju za regulatorno tražene logove. |
| **Nadzor** | Pratite latenciju, povjerenje inferencije i zdravlje token ekonomije putem Prometheus + Grafana nadzornih ploča. |

## Budući smjerovi

- **Meta‑učenje za optimizaciju prompta** – Kontinuirano fino podešavanje LLM‑a na temelju povratnih informacija korisnika radi poboljšanja relevantnosti narativa.
- **Multimodalni dokazi** – Uključivanje vizualnih artefakata (npr. screenshotovi UI kontrola) uz pomoć vizualno‑omogućenih LLM‑ova.
- **Transfer između domena** – Iskorištavanje naučenih uzročnih uzoraka iz financija za ubrzavanje usklađenosti u zdravstvenim regulativama.
- **Samopopravljajući grafovi** – Otkrivanje zastarjelih bridova putem detekcije driftova i automatsko pokretanje ponovnog treniranja ekstrakcijskih modela.

## Zaključak

**Causal Counterfactual Narrative Engine** pretvara usklađenost iz reaktivne kontrolne liste u proaktivni, objašnjivi sustav podrške odlučivanju. Spoj uzročne analize grafa, kontrafaktičke simulacije i generativne AI omogućuje poduzećima trenutne, auditabilne narative koji se prilagođavaju regulatornim promjenama u realnom vremenu. Implementacija opisane arhitekture oprema organizacije transparentnošću koju regulatori zahtijevaju i agilnošću koju moderno tržište traži.

## Vidi također

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