# Emocionalno svjesna generativna AI za personalizaciju narativa usklađenosti u stvarnom vremenu

Dokumentacija usklađenosti tradicionalno je statična, jedinstvena za sve. Pravne ekipe provode nebrojene sate sastavljajući politike, revizori primaju guste PDF‑ove, a krajnji korisnici ostaju da dešifriraju žargon koji često djeluje neprijateljski. Rezultat je nizak angažman, propušteni rokovi i sve veća kultura umora od usklađenosti.

Što ako sustav može **pročitati emocionalno stanje čitatelja**, **prilagoditi ton narativa u hodu** i **isporučiti iste regulatorne garancije u jeziku koji se osjeća prirodno i umirujuće**?  
Odgovor leži na spoju **generativne AI**, **multimodalne detekcije emocija** i **renderiranja politika vođenog grafom znanja u stvarnom vremenu**.

U ovom članku ćemo:

1. Objasniti zašto su emocionalni narativi usklađenosti važni za moderna poduzeća.  
2. Razložiti tehničku arhitekturu koja omogućuje personalizaciju u stvarnom vremenu.  
3. Pokazati kako integrirati privatnost‑čuvajuće primitive poput diferencijalne privatnosti i zero‑knowledge dokaza.  
4. Pružiti korak‑po‑korak vodič za implementaciju, uključujući Mermaid dijagram.  
5. Raspraviti operativne najbolje prakse, nadzor i smjerove budućih istraživanja.

---

## 1. Zašto emocije igraju ulogu u komunikaciji usklađenosti

| Problem | Tradicionalni pristup | Emocionalni učinak | Poslovni trošak |
|------------|----------------------|------------------|---------------|
| Gusti pravni žargon | Dugi PDF‑ovi, statične web stranice | Frustracija, neangažiranost | Propušteni rokovi, kazne za reviziju |
| Jednolični alarmi | E‑mailovi s crvenim alarmom u svim velikim slovima | Anksioznost, zamor od alarma | Veći broj zahtjeva za podršku |
| Generička obuka | Jedinstveni videozapisi za sve | Dosada, niska zadržanost | Duži ciklusi uvođenja |

Istraživanja usmjerenog na čovjeka pokazuju da **ton, tempo i empatija** dramatično utječu na zadržavanje informacija. Kada sadržaj usklađenosti bude usklađen s emocionalnim stanjem korisnika, pojavljuju se sljedeće prednosti:

* **Više stope dovršetka** – korisnici će vjerojatnije završiti upitnike ili pročitati ažuriranja politika.  
* **Smanjeno opterećenje podrške** – manje zahtjeva za pojašnjenjem jer narativ predviđa brige.  
* **Poboljšana spremnost za reviziju** – dionici mogu pokazati da je komunikacija usklađenosti pristupačna i inkluzivna, što je sve veći regulatorni zahtjev.

---

## 2. Pregled sustava

Na visokoj razini rješenje se sastoji od četiri usko povezana sloja:

1. **Sloj za detekciju emocija** – u stvarnom vremenu prikuplja tekstualne, glasovne i vizualne signale.  
2. **Kontekstualni graf znanja (CKG)** – pohranjuje regulatorne odredbe, verzije politika i korisničke tragove usklađenosti.  
3. **Adaptivni generativni motor** – veliki jezični model (LLM) fino podešen na korpusu usklađenosti, kondicioniran na emocijske ugrađene vektore i kontekst CKG‑a.  
4. **Multimodalni sloj isporuke** – renderira narativ kao tekst, sintetizirani glas ili AR preklapanje, poštujući korisničke preferencije.

Dolje je Mermaid dijagram koji vizualizira protok podataka.

```mermaid
graph LR
    A[User Interaction] --> B[Emotion Sensing Service]
    B --> C[Emotion Embedding Store]
    A --> D[User Profile Service]
    D --> E[Contextual Knowledge Graph]
    C --> F[Adaptive Prompt Builder]
    E --> F
    F --> G[Fine‑tuned LLM]
    G --> H[Multimodal Renderer]
    H --> I[Personalized Narrative]
    I --> A
    style B fill:#f9f,stroke:#333,stroke-width:2px
    style G fill:#bbf,stroke:#333,stroke-width:2px
    style H fill:#bfb,stroke:#333,stroke-width:2px
```

### 2.1 Služba za detekciju emocija

| Modalitet | Tehnika | Izlaz |
|----------|-----------|--------|
| Tekst | Analiza sentimenta (BERT‑based) + klasifikacija emocija (Plutchik wheel) | 8‑dimenzionalni vektor |
| Glas | Analiza prosodije + transkripcija temeljena na Whisper | Visina, tempo, ocjena povjerenja |
| Video (opcionalno) | Sustav kodiranja facijalnih akcija (FACS) putem MediaPipe | Vektor facijalnih izraza |

Svi izlazi se normaliziraju i pohranjuju u **Emotion Embedding Store** kao vremenska serija indeksirana prema ID‑u sesije.

### 2.2 Kontekstualni graf znanja

CKG je **graf svojstava** koji povezuje:

* **Regulatorni čvorovi** – npr. [GDPR](https://gdpr.eu/) Članak 5, [ISO 27001](https://www.iso.org/standard/27001) Kontrola A.12.1.  
* **Čvorovi verzija politika** – svaka izmjena nosi hash radi nepromjenjivosti.  
* **Čvorovi korisničkih tragova** – prethodni odgovori na upitnike, uloga, jurisdikcija.  

Rubovi kodiraju odnose **„primjenjuje se na“, „ažurira“, „ima verziju“**. Graf se pohranjuje u **Neo4j** ili **JanusGraph** klaster s **ZKP‑potvrđenim dokazima** za nepromjenjivost.

### 2.3 Adaptivni konstruktor upita

Konstruktor upita spaja tri sastojka:

1. **Regulatorni kontekst** – dohvaćen Cypher upitom iz CKG‑a.  
2. **Emocijski vektor** – pretvoren u prirodni jezični stil (npr. „koristi umirujući ton“).  
3. **Korisnički profil** – jezične preferencije, potrebe pristupačnosti.

Primjer upita:

```
You are a compliance officer drafting a GDPR data‑retention notice for a user who appears anxious (emotion score 0.78). Use a calm, supportive tone, keep sentences under 20 words, and include a short FAQ.
```

### 2.4 Fino podešeni LLM

Preporučujemo **Mixture‑of‑Experts (MoE) LLM** poput **Gemini‑Pro‑MoE** s adapterom specifičnim za usklađenost, treniranog na:

* Javnim regulatornim tekstovima (EU, SAD, APAC).  
* Internim dokumentima politika (anonimizirano).  
* Anotiranim primjerima promijenjenog tona.

Trening koristi **RLHF** (Reinforcement Learning from Human Feedback) gdje revizori usklađenosti ocjenjuju emocionalnu prikladnost generiranih nacrta.

### 2.5 Multimodalni renderer

Ovisno o uređaju i preferencijama korisnika, renderer može:

* **Renderirati tekst** – HTML s CSS varijablama za veličinu fonta i kontrast.  
* **Sintetizirati glas** – korištenjem **Neural TTS** s prosodijskim parametrima izvedenim iz vektora emocija.  
* **AR preklapanje** – za nosive uređaje, preklapa ključne točke usklađenosti u korisnikovom vidnom polju, s blagim vizualnim signalima usklađenim s detektiranom raspoloženošću.

---

## 3. Jamstva očuvanja privatnosti

Narativi usklađenosti često uključuju **osobne podatke (PII)**. Arhitektura ugrađuje dva sloja privatnosti:

### 3.1 Diferencijalna privatnost na emocionalnim signalima

Prije pohrane emocijskih ugrađenih vektora, dodajemo **Gaussov šum** kalibriran na privatni budžet ε = 1.2. To štiti od napada rekonstrukcije, a istovremeno zadržava dovoljno signala za prilagodbu tona.

### 3.2 Zero‑Knowledge dokazi za integritet grafa

Svaki hash verzije politike je zakomit u **Merkle stablo**. Kada LLM dohvaća klauzulu, predstavlja **ZKP** da klauzula pripada zakomitom stablu, bez otkrivanja cijelog grafa. Revizori mogu verificirati usklađenost bez izlaganja vlasničkih detalja politika.

---

## 4. Vodič kroz implementaciju

Dolje je sažeti, spremni za produkciju pipeline napisan u **Pythonu** uz **FastAPI** za API sloj. Isječci koda su ilustrativni; potpuni produkcijski kod uključivao bi obradu grešaka, retry mehanizme i observabilnost.

```python
# emotion_service.py
from fastapi import FastAPI, UploadFile
from transformers import pipeline
import numpy as np

app = FastAPI()
sentiment = pipeline("sentiment-analysis")
emotion_classifier = pipeline("text-classification", model="j-hartmann/emotion-english-distilroberta-base")

@app.post("/detect")
async def detect_emotion(text: str):
    # 1️⃣ Sentiment
    sentiment_res = sentiment(text)[0]
    # 2️⃣ Emotion
    emotion_res = emotion_classifier(text)
    # 3️⃣ Build embedding (simple concat + normalize)
    vec = np.concatenate([
        [sentiment_res["score"] if sentiment_res["label"] == "POSITIVE" else -sentiment_res["score"]],
        np.array([e["score"] for e in emotion_res])
    ])
    vec = vec / np.linalg.norm(vec)
    # 4️⃣ Add differential privacy noise
    noise = np.random.normal(0, 0.1, size=vec.shape)
    dp_vec = vec + noise
    return {"embedding": dp_vec.tolist()}
```

```python
# prompt_builder.py
import json
from neo4j import GraphDatabase

driver = GraphDatabase.driver("bolt://ckg:7687", auth=("neo4j", "pwd"))

def fetch_regulatory_context(user_id, jurisdiction):
    query = """
    MATCH (u:User {id: $uid})-[:HAS_ROLE]->(r:Role)
    MATCH (c:Clause)-[:APPLIES_TO]->(j:Jurisdiction {code: $jur})
    RETURN c.text AS clause, c.id AS cid
    ORDER BY c.version DESC LIMIT 5
    """
    with driver.session() as session:
        result = session.run(query, uid=user_id, jur=jurisdiction)
        return [record["clause"] for record in result]

def build_prompt(clauses, emotion_vec, language="en"):
    tone = "calm" if emotion_vec[0] > 0 else "formal"
    prompt = f"""You are a compliance writer. Produce a {tone} narrative in {language} that explains the following clauses:\n"""
    for c in clauses:
        prompt += f"- {c}\n"
    prompt += "\nKeep sentences short and add a friendly FAQ."
    return prompt
```

```python
# generation_service.py
import openai  # assuming OpenAI compatible endpoint
from fastapi import FastAPI

app = FastAPI()

@app.post("/generate")
async def generate_narrative(prompt: str):
    response = openai.ChatCompletion.create(
        model="gemini-pro-moe",
        messages=[{"role": "system", "content": prompt}],
        temperature=0.7,
        max_tokens=1024
    )
    return {"narrative": response.choices[0].message.content}
```

```python
# renderer.py
from azure.cognitiveservices.speech import SpeechConfig, SpeechSynthesizer, AudioConfig

def synthesize_voice(text, emotion_vec):
    # Map emotion to prosody: higher anxiety -> slower rate, lower pitch
    rate = "-10%" if emotion_vec[0] < 0 else "+5%"
    pitch = "-2st" if emotion_vec[0] < 0 else "+1st"
    speech_config = SpeechConfig(subscription="KEY", region="eastus")
    speech_config.speech_synthesis_voice_name = "en-US-JennyNeural"
    speech_config.set_speech_synthesis_rate(rate)
    speech_config.set_speech_synthesis_pitch(pitch)
    audio_config = AudioConfig(filename="output.wav")
    synthesizer = SpeechSynthesizer(speech_config=speech_config, audio_config=audio_config)
    synthesizer.speak_text_async(text).get()
    return "output.wav"
```

### 4.1 Deployiranje pipeline‑a

| Komponenta | Container | Skaliranje |
|-----------|-----------|------------|
| Služba za emocije | Docker image `emotion-svc:1.0` | Autoscale na CPU (K8s HPA) |
| Prompt Builder & CKG | StatefulSet s Neo4j | Skaliranje čitanja horizontalno |
| Generacijska usluga | GPU‑enabled pod (`nvidia.com/gpu: 1`) | Skaliranje prema latenciji zahtjeva |
| Renderer | Serverless funkcija (Azure Functions) | Event‑driven |

Sve usluge izlažu **OpenAPI** specifikacije, omogućujući jednostavnu integraciju s postojećim portalima usklađenosti ili mobilnim aplikacijama.

---

## 5. Praćenje i vidljivost

1. **Nadzor emocionalnog odklona** – vizualizira prosječne emocijske ocjene po modulu usklađenosti. Iznenadni skokovi mogu ukazivati na zbunjujući jezik.  
2. **Kvalitativni skor narativa** – RLHF model nagrade radi offline na uzorku generiranih tekstova; rezultati se bilježe u Prometheus.  
3. **ZKP verifikacijski zapis** – svaki dohvat klauzule zapisuje događaj provjere dokaza; neuspjesi pokreću alarme.  
4. **Praćenje privatnog budžeta** – nadzire kumulativni ε po sesiji kako bi se osiguralo poštivanje diferencijalne privatnosti.

Primjer Grafana panela za **Stopu dovršetka prilagođenu emociji**:

```mermaid
graph TD
    A[Session Start] --> B[Emotion Capture]
    B --> C[Prompt Generation]
    C --> D[LLM Output]
    D --> E[User Reads / Listens]
    E --> F[Completion Event]
    style F fill:#ff9,stroke:#333,stroke-width:2px
```

---

## 6. Primjeri iz stvarnog svijeta

| Industrija | Scenarij | Rezultat |
|-----------|----------|----------|
| FinTech | Onboarding kupaca zahtijeva KYC izjave usklađenosti. | Vrijeme dovršetka smanjeno za 42 %, broj zahtjeva za podršku pao za 27 %. |
| Zdravstvo | HIPAA obrasci pristanka isporučeni putem glasovnih asistenata. | Ocjena zadovoljstva pacijenata ↑ 15 bodova, revizijski nalazi očišćeni. |
| SaaS | GDPR portal za zahtjeve subjekata podataka s emocionalno svjesnim FAQ‑ovima. | SLA ispunjenja zahtjeva postignut 99,8 % vremena. |

---

## 7. Budući smjerovi

1. **Fuzija multimodalnih emocija** – kombiniranje fizioloških signala (otkucaji srca s nosivih uređaja) za bogatiji kontekst.  
2. **Samopopravljajući graf znanja** – korištenje RL za automatsko predlaganje ažuriranja politika kada se ponavlja emocionalni stres.  
3. **Federativno učenje emocijskih modela** – treniranje detektora sentimenta na uređaju kako bi se sirovi podaci zadržali lokalno, dodatno smanjujući rizik privatnosti.  
4. **Digitalni dvojnik regulative** – simulacija kako nova regulativa utječe na ton narativa kroz sve korisničke segmente prije objave.

---

## 8. Popis za početak

- [ ] Postaviti Neo4j klaster s Merkle‑zaključanim ZKP dokazima.  
- [ ] Fino podesiti LLM na korpus usklađenosti vaše organizacije (minimum 10 k anotiranih primjera).  
- [ ] Implementirati pipeline‑e za detekciju emocija za podržane modalitete.  
- [ ] Dodati diferencijalnu privatnost šum na sve emocijske ugrađene vektore.  
- [ ] Postaviti CI/CD pipeline za ažuriranja modela i verzije upita.  
- [ ] Konfigurirati Grafana nadzorne ploče za emocionalni odklon i kvalitetu narativa.  

S ovim koracima na mjestu, možete pokrenuti **emocionalno svjesni motor narativa usklađenosti** koji ne samo da zadovoljava regulatore, već i poštuje ljudsko iskustvo svakog dionika.