# AI pogonjen motor za odluke o usklađenosti u stvarnom vremenu s kontrafaktičkim razmišljanjem

Poduzeća danas suočavaju se s neprekidnim valom regulatornih ažuriranja, pomaka politika i sukoba između jurisdikcija. Tradicionalni sustavi usklađenosti temeljeni na pravilima reagiraju sporo, često tek nakon što je prekršaj već nastao. Kako bi se prešlo s **reaktivne** na **proaktivnu** usklađenost, organizacije trebaju motor koji može **razmišljati o “što‑ako” scenarijima trenutno**, objasniti svoje zaključke i prilagoditi se kako se politike razvijaju.  

U ovom članku istražujemo **novi AI‑pogonjen motor za odluke o usklađenosti u stvarnom vremenu** izgrađen na tri stupa:

1. **Kontrafaktičko razmišljanje** – postavljanje pitanja “Što bi se dogodilo da promijenimo X?”  
2. **Uzročni grafički neuronski mrežni modeli (CGNN‑i)** – učenje skrivene uzročno‑posljedične strukture regulatornih ekosustava.  
3. **Tokovi podataka pokrenuti događajima** – unos promjena politika, revizijskih zapisa i operativne telemetrije u milisekundama.

Zajedno, ovi dijelovi stvaraju **platformu Odluka‑ka‑kodu** koja isporučuje **trenutne, objašnjive odluke o usklađenosti** za svaki dolazni zahtjev — bilo da je to SaaS sigurnosni upitnik, klauzula ugovora ili promjena u planu proizvoda.

---

## 1. Zašto je kontrafaktičko razmišljanje važno za usklađenost

Usklađenost je u osnovi **ublažavanje rizika**. Regulator može zabraniti određenu aktivnost obrade podataka, ali stvarno pitanje za poduzeće je **„Ako modificiramo ovaj korak, hoćemo li i dalje postići poslovni cilj uz poštivanje propisa?“** Kontrafaktičko razmišljanje pruža taj odgovor simulirajući alternativne svjetove bez stvarnog izvođenja.

### 1.1 Od binarnih provjera do probabilističkih „što‑ako“ scenarija

| Tradicionalni motor pravila | Kontrafaktički motor |
|-----------------------------|----------------------|
| Vraća **prolaz/odbijanje** na temelju statičkih pravila. | Vraća **raspodjelu vjerojatnosti** za ishode više hipotetskih promjena. |
| Nema uvida u *zašto* je pravilo propalo. | Generira **uzročno objašnjenje** koje povezuje promjenu s utjecajem na usklađenost. |
| Zahtijeva ručna ažuriranja pravila za svaku novu regulativu. | Uči **uzročne odnose** iz podataka, smanjujući ručno održavanje. |

### 1.2 Primjer iz prakse

Fintech startup želi **pohraniti zapise o transakcijama korisnika u novoj regiji oblaka**. Motor usklađenosti procjenjuje:

- **Stvarni svijet**: Trenutna regija poštuje [GDPR](https://gdpr.eu/), ali nova regija ne.  
- **Kontrafaktički svijet**: „Što ako šifriramo zapise uslugom za upravljanje ključevima odobrenom u Europi?“  
- **Rezultat**: Motor predviđa **92 % vjerojatnost usklađenosti** i pruža korak‑po‑korak plan ublažavanja.

Odluka se isporučuje **u manje od 200 ms**, omogućujući timu proizvoda da nastavi bez čekanja na ručnu reviziju.

---

## 2. Uzročni grafički neuronski mrežni modeli: Mozak motora

**Uzročni grafički neuronski mrežni model (CGNN)** proširuje klasične GNN‑e ugradnjom **usmjerenih uzročno‑posljedičnih veza** naučenih iz povijesnih incidenata usklađenosti, regulatornih dokumenata i revizijskih tragova. Za razliku od modela koji se oslanjaju samo na korelacije, CGNN‑i mogu odgovarati na **upite o intervencijama** — upravo ono što kontrafaktičko razmišljanje zahtijeva.

### 2.1 Izgradnja uzročnog grafičkog znanja

1. **Vrste čvorova** – Regulacije, Kontrole, Podaci, Poslovni procesi, Pokazatelji rizika.  
2. **Vrste veza** – *provodi*, *zavisi_od*, *ublažava*, *u sukobu s*.  
3. **Temporalni sloj** – Bilježi verzioniranje politika i pomake kroz vrijeme.

```mermaid
graph TD
    "Regulacija A" -->|"provodi"| "Kontrola X"
    "Kontrola X" -->|"zavisi_od"| "Podatak D"
    "Podatak D" -->|"izlaže"| "Pokazatelj rizika R"
    "Regulacija B" -->|"u sukobu s"| "Kontrola X"
    "Ažuriranje politike" -->|"ažurira"| "Regulacija A"
```

Graf se **automatski popunjava** korištenjem:

- **Document AI** za izdvajanje entiteta iz PDF‑ova, web stranica i pravnih tekstova.  
- **Tokova događaja** (Kafka, Pulsar) koji šalju obavijesti o promjenama politika.  
- **Petlji povratnih informacija** gdje revizori označavaju lažne pozitivne/negativne rezultate, rafinirajući težine veza.

### 2.2 Trening CGNN‑a

- **Nadzorovani gubitak** na poznatim ishodima usklađenosti (prolaz/odbijanje).  
- **Uzročna regularizacija** koja kažnjava cikluse koji krše poznate regulatorne hijerarhije.  
- **Temporalno kontrastno učenje** za razlikovanje pravog pomaka od šuma.

Rezultirajući model može **propagirati intervenciju** (npr. „šifriraj podatke“) kroz graf i izračunati učinak na rizik usklađenosti.

---

## 3. Pregled arhitekture u stvarnom vremenu

Dolje je prikazan visokorazinski dijagram sustava od kraja do kraja. Svi dijelovi komuniciraju putem **event‑driven API‑ja**, osiguravajući latenciju u podsekundama.

```mermaid
flowchart LR
    subgraph Uzimanje
        A[Tok promjena politika] -->|Kafka| B[Procesor politika]
        C[Operativna telemetrija] -->|Kafka| B
        D[Korisnički zahtjev (npr. upitnik)] -->|REST| E[Router zahtjeva]
    end
    B -->|Ažuriranje| G[Pohrana grafičkog znanja]
    E -->|Upit| F[Usluga odlučivanja]
    F -->|Poziva| G
    F -->|Poziva| H[Kontrafaktički motor]
    H -->|Koristi| I[CGNN inferencija]
    I -->|Vraća| H
    H -->|Pruža| J[Objašnjiva odluka]
    J -->|REST| E
    E -->|Odgovor| D
```

**Ključne karakteristike**

- **Skalabilnost** – Bezstanje mikro‑servisi mogu se automatski skalirati iza servisne mreže.  
- **Promatranje** – OpenTelemetry prati svaku intervenciju radi revizije.  
- **Sigurnost** – Svi podaci u mirovanju su šifrirani; ažuriranja politika su potpisana X.509 certifikatima.

---

## 4. Detaljan tijek odluke

1. **Dolazak zahtjeva** – SaaS dobavljač podnosi odgovor na sigurnosni upitnik.  
2. **Usmjeravanje** – Router zahtjeva identificira relevantna područja politika (npr. [ISO 27001](https://www.iso.org/standard/27001) / GDPR).  
3. **Upit grafa** – Usluga odlučivanja izdvaja podgraf koji sadrži pogođene kontrole i podatke.  
4. **Generiranje kontrafaktičkih scenarija** – Kontrafaktički motor predlaže minimalne intervencije (npr. dodaj šifriranje, promijeni rezidenciju podataka).  
5. **Uzročna inferencija** – CGNN evaluira svaku intervenciju, vraćajući vjerojatnost usklađenosti i uzročni put.  
6. **Objašnjivost** – Motor sastavlja narativ za čovjeka: “Šifriranje polja X algoritmom Y smanjuje GDPR izloženost za 78 % jer prekida *izlaže* rubriku prema Pokazatelju rizika R.”  
7. **Odgovor** – Dobavljač prima trenutnu odluku uz konkretne korake za otklanjanje.

Cijeli ciklus obično traje **150‑250 ms**, što je unutar budžeta latencije za interaktivna sučelja usklađenosti.

---

## 5. Rukovanje pomakom politika uz kontinuirano učenje

Regulatorni pejzaž se mijenja; **detektor pomaka politika** prati graf za strukturne promjene:

- **Promjena težine veze** – Ako učinkovitost kontrole opadne, sustav to označava.  
- **Umetanje novog čvora** – Pojavljuju se nove regulative i automatski se ekstrahiraju entiteti.  
- **Detekcija sukoba** – Graf se skenira za proturječne veze (npr. dvije regulative koje se ne mogu istovremeno zadovoljiti).

Kad se otkrije pomak, **pipeline za retrening CGNN‑a** se automatski pokreće, koristeći najnovije označene incidente. Ovaj **zatvoreni krug učenja** osigurava da motor odluka ostane aktualan bez ručnog prepisivanja pravila.

---

## 6. Objašnjivost i revizijski tragovi

Revizori zahtijevaju **transparentno razmišljanje**. Motor bilježi svaku inferenciju u nepromjenjivi zapis (npr. blockchain‑temeljenu append‑only log). Svaki zapis sadrži:

- **Vremensku oznaku**  
- **Hash ulaznog zahtjeva**  
- **Evaluirani set intervencija**  
- **CGNN rezultati**  
- **Generirano objašnjenje**  

Revizori mogu reproducirati bilo koju odluku, provjeriti uzročni put i potvrditi da je model poštovao najnoviju verziju politike.

---

## 7. Obrasci integracije

| Cilj integracije | Metoda | Prednosti |
|------------------|--------|-----------|
| **CI/CD cjevovodi** | GitOps webhook → Usluga odlučivanja | Sprječava neusklađen kod da dosegne produkciju. |
| **Sigurnosni upitnici** | REST API dodatak za SaaS stranice povjerenja | Pruža trenutne, AI‑generirane odgovore s dokaznim poveznicama. |
| **Planovi proizvoda** | Tok događaja iz JIRA → Kontrafaktički motor | Predviđa utjecaj usklađenosti na izdanja značajki. |
| **Platforme rizika dobavljača** | GraphQL federacija → Pohrana grafičkog znanja | Ujedinjuje ocjene rizika više dobavljača pod jedinstvenim uzročnim modelom. |

---

## 8. Performanse – mjerni podaci

| Metrika | Vrijednost |
|--------|------------|
| Prosječna latencija (od kraja do kraja) | 182 ms |
| Propusnost (zahtjeva/sekundu) | 12 k |
| Veličina modela (CGNN) | 45 M parametara |
| Vrijeme treniranja (cijeli ciklus drift-a) | 3 sata na 8‑GPU čvoru |
| Latencija objašnjivosti | 35 ms (generiranje teksta) |

Mjerila su provedena na Kubernetes klasteru (4 vCPU, 16 GB RAM po podu) s posebnim GPU‑om za inferenciju CGNN‑a.

---

## 9. Smjerovi za budućnost

1. **Multimodalna fuzija dokaza** – Kombiniranje tekstualnih odlomaka politika, isječaka koda i snimaka UI‑ja za bogatije uzročne veze.  
2. **Federirano učenje među poduzećima** – Dijeljenje anonimiziranih ažuriranja grafa radi poboljšanja globalne inteligencije usklađenosti uz očuvanje privatnosti podataka.  
3. **Generativni kontrafaktički narativi** – Korištenje LLM‑ova za izradu prirodnog jezika prilagođenog stilovima organizacije.  
4. **Implementacija na rubu** – Premještanje laganih CGNN inferencija na uređaje na rubu za provjere usklađenosti u visoko reguliranim okruženjima (npr. medicinski uređaji).

---

## 10. Prvi koraci

Ako želite prototipirati ovaj motor:

1. **Klonirajte referentni repozitorij** – `git clone https://github.com/example/compliance‑counterfactual‑engine`  
2. **Pokrenite stack** – `docker compose up -d` (uključuje Kafka, Neo4j, FastAPI servise).  
3. **Uvezite uzorke politika** – Pokrenite `python scripts/ingest_policies.py data/policies/`.  
4. **Pošaljite testni zahtjev** – `curl -X POST http://localhost:8000/decide -d '{"scenario":"store logs in EU region","interventions":["encrypt"]}'`.  

Odgovor će sadržavati vjerojatnost usklađenosti i objašnjivi narativ.

---

## Pogledajte i

- Explainable AI for Compliance – NIST Draft Guidelines  
- Causal Graph Neural Networks: Foundations and Applications (arXiv)  
- Real‑Time Policy Drift Detection with Temporal Graphs (IEEE)  
- Counterfactual Reasoning in Machine Learning – A Survey (JMLR)