# Kausális AI valós idejű megfelelőségi hatás előrejelzéshez

A szabályozási környezet villámgyorsan változik. Egyetlen módosítás egy adatvédelmi törvényben hullámokat vethet több tucat termékfunkción, eltolhatja a kiadási dátumokat, és megváltoztathatja a kockázati pontszámokat. A hagyományos megfelelőségi eszközök csak a tény megtörténte után reagálnak — addig, amíg a változást rögzítik, a termékúti terv már lehet, hogy nincs szinkronban.

**Kausális AI** lép színre: a kausális következtetés, a gráf neurális hálózatok (GNN‑ek) és a folyamatos eseményfolyam kombinációja, amely megjósolja, *hogyan* befolyásol egy szabályozási változás egy terméket **mielőtt** a változás megjelenik a lejjebb lévő rendszerekben. Ez a cikk végigvezeti Önt a **Kausális Gráf Neurális Hálózat (Causal‑GNN)** alapú megfelelőségi hatás előrejelző teljes tervezésén, az adatbefogástól a valós‑időben történő következtetésig, és bemutatja, hogyan ágyazzuk be az előrejelzéseket egy GitOps‑szerű termék‑csővezetékbe.

---

## 1. Miért felülmúlja a kausális AI a pusztán korrelációs előrejelzéseket

| Aspektus | Csak‑korrelációs modellek | Kausális AI modellek |
|----------|---------------------------|----------------------|
| **Mit tanulnak** | Statisztikai együtt‑előfordulás (pl. „X funkció gyakran változik Y szabályozás után”). | Irányított ok‑következmény kapcsolatok (pl. „Y szabályozás *kényszeríti* X funkció letiltását”). |
| **Robusztusság a zavaró változókra** | Alacsony — rejtett változók hamis mintákat hozhatnak létre. | Magas — kausális gráfok kifejezetten modellezik a zavarókat. |
| **Kontrafaktuális gondolkodás** | Nem lehetséges. | Natív — kérdezhető: „Mi lenne, ha Y szabályozás soha nem létezett?”. |
| **Magyarázhatóság** | Korlátozott — a jellemzőfontossági pontszámok átláthatatlanok. | Erős — a gráf minden éle egy ember által olvasható kausális állítást jelent. |

A megfelelőségben a **kontrafaktuális szimulációk** képessége felbecsülhetetlen. A termékmenedzserek megkérdezhetik: „Ha a közelgő [GDPR](https://gdpr.eu/) módosítást elfogadják, mely API‑k igényelnek újratervezést?” és azonnal kapnak egy kvantifikált hatás‑előrejelzést.

---

## 2. Magas szintű architektúra

```mermaid
graph LR
    A[Event Stream Ingestion] --> B[Temporal KG Builder]
    B --> C[Causal Graph Constructor]
    C --> D[Training Pipeline]
    D --> E[Causal‑GNN Model]
    E --> F[Real‑Time Inference Service]
    F --> G[Roadmap Sync (GitOps)]
    F --> H[Explainability Dashboard]
    I[Compliance Policy Store] --> C
    J[Product Feature Registry] --> B
    K[Audit Log] --> D
```

*Ábra 1 – Vég‑től‑végig terjedő kausális megfelelőségi előrejelző csővezeték.*

1. **Event Stream Ingestion** — Kafka, Pulsar vagy Azure Event Hubs gyűjti a szabályozási bejelentéseket, a szabályzat‑frissítéseket és a belső változásnaplókat.  
2. **Temporal Knowledge Graph (KG) Builder** — Normalizálja az eseményeket egy idő‑érzékeny KG‑be (entitások: szabályozások, funkciók, kontrollok; kapcsolatok: „befolyásol”, „követel”).  
3. **Causal Graph Constructor** — Alkalmaz domain‑specifikus kausális felfedezést (pl. PC‑algoritmus, NOTEARS) az élek orientálásához és a bizalmi pontszámok csatolásához.  
4. **Training Pipeline** — Generál felügyelt és ön‑felügyelt feladatokat (link‑prediction, kontrafaktuális veszteség) a Causal‑GNN betanításához.  
5. **Real‑Time Inference Service** — gRPC/REST végpontot biztosít, amely egy „what‑if” szcenáriót fogad, és hatás‑pontszámokat ad vissza funkciónként.  
6. **Roadmap Sync (GitOps)** — Automatikusan nyit egy pull‑requestet a termék‑úti terv repóban a javasolt módosításokkal, részletes indoklással.  
7. **Explainability Dashboard** — Megjeleníti azt a kausális al‑gráfot, amely minden előrejelzést kiváltott, támogatva az auditot és a megfelelőségi felülvizsgálatot.

---

## 3. Folyamatos esemény‑vezérelt adatbefogás

### 3.1 Források

| Forrás | Példa | Normalizáció |
|--------|-------|--------------|
| Szabályozási feedek (EU, US, APAC) | XML/JSON az EUR‑LEX‑ről, a Federal Register‑ről | Entitás: `Regulation`, attribútumok: `jurisdiction`, `effectiveDate`, `textHash`. |
| Belső szabályzat‑repo (Git) | Markdown szabályzat‑fájlok | Entitás: `Policy`, kapcsolat: `implements` → `Regulation`. |
| Termék‑változásnaplók (Jira, Git commitok) | Issue #1234 „Add encryption at rest” | Entitás: `Feature`, kapcsolat: `modifies` → `Control`. |
| Külső fenyegetés‑intelligencia (STIX) | MITRE ATT&CK frissítések | Entitás: `Threat`, kapcsolat: `exposes` → `Control`. |

### 3.2 Streaming csővezeték

```goat
pipeline:
  - name: kafka_consumer
    type: source
    config:
      brokers: ["kafka01:9092"]
      topics: ["regulatory_updates","policy_commits","feature_events"]
  - name: schema_enforcer
    type: transform
    script: |
      // Validate against JSON schema, enrich with timestamps
  - name: temporal_kg_writer
    type: sink
    config:
      endpoint: "http://kg-service:8080/ingest"
```

*Ábra 2 – Minimalista GoAT‑stílusú csővezeték (csak illusztráció; a tényleges megvalósítás Kafka Connect‑ot vagy Flink‑et használ).*

A csővezeték **pontos‑egyszer** szemi‑szintaxist garantál, ami a kausális felfedezésnél kritikus, mivel a duplikált élek torzíthatják a bizalmi becsléseket.

---

## 4. A kausális tudásgráf felépítése

### 4.1 Temporális KG modell

Minden tripla egy érvényességi intervallummal `[t_start, t_end]` tárolódik. Példa:

```
(Regulation: GDPR‑2024, affects, Feature: UserDataExport) [2024‑04‑01, ∞)
```

A temporális indexelés lehetővé teszi **idő‑szeletelt** kausális felfedezést, így a modell megtanulhatja, hogy egy szabályozás hatása idővel változhat (pl. kezdeti megfelelőségi határidő vs. későbbi végrehajtási intézkedések).

### 4.2 Kausális felfedezés

1. **Korlátozás‑alapú** — PC‑algoritmus a közös‑előfordulási mátrixból.  
2. **Pontszám‑alapú** — NOTEARS szparsitási büntetéssel, hogy elkerüljük a túl‑kapcsolódó gráfot.  
3. **Domain‑priórák** — Beágyazott ismert szabályozási hierarchiák (pl. „Adat‑védelmi törvény → SzemélyesAdatKategória”) kemény korlátozásként.

Az eredmény egy **irányított aciklikus gráf (DAG)**, ahol minden él egy `w ∈ [0,1]` súlyt hordoz, amely a kausális erősséget jelzi.

---

## 5. A Causal‑GNN betanítása

### 5.1 Modellválasztás

Egy **Relációs Gráf Konvolúciós Hálózat (RGCN)**‑t használunk, amelyhez **Temporális Figyelem** (Temporal Attention) van kiegészítve, hogy a változó befolyásokat is megragadja.

```python
class CausalGNN(nn.Module):
    def __init__(self, num_relations, hidden_dim):
        super().__init__()
        self.rgcn = RGCN(num_relations, hidden_dim, num_bases=30)
        self.time_attn = nn.MultiheadAttention(embed_dim=hidden_dim, num_heads=4)
        self.fc_out = nn.Linear(hidden_dim, 1)  # impact score

    def forward(self, g, node_feats, timestamps):
        h = self.rgcn(g, node_feats)
        # Apply temporal attention
        h = self.time_attn(h, h, h, key_padding_mask=self._mask(timestamps))[0]
        return torch.sigmoid(self.fc_out(h))
```

### 5.2 Veszteségfüggvények

* **Link Prediction Loss** — bináris kereszt‑entrópia a megfigyelt élekre.  
* **Kontrafaktuális veszteség** — minden tréning‑esemény `e` esetén szintetikus „what‑if” változatot hozunk létre, ahol a szabályozást ki‑kapcsoljuk; a tényleges hatástól való eltérést büntetjük.  
* **Regularizáció** — L1 az él‑súlyokon a sparsitás elősegítésére, összhangban a kausális felfedezés bizalmi pontszámaival.

### 5.3 Tréning ütemterv

| Fázis | Adatok | Cél |
|-------|--------|-----|
| Bemelegítés | Historikus, statikus KG | Csak link‑prediction |
| Kausális finomhangolás | 30‑napos csúszó ablakok | Kontrafaktuális + link‑loss |
| Online frissítés | Valós‑idő stream (mini‑batch‑ek) | Inkrementális gradient‑lépés, súlycsökkenés |

A tréning GPU‑val felszerelt Kubernetes node‑pool‑on fut; a modell checkpoint‑jai egy **MLflow** regiszterben vannak verziózva, ami reprodukálható auditot tesz lehetővé.

---

## 6. Valós‑idő következtető szolgáltatás

A szolgáltatás egy **szcenárió payload‑ot** kap:

```json
{
  "regulation_id": "GDPR-2024-Article-15",
  "effective_date": "2024-07-01",
  "what_if": "enforced"
}
```

A szolgáltatás:

1. Lekéri a szabályozásból elérhető al‑gráfot egy konfigurálható horizonton belül (pl. 3 ugrás).  
2. Alkalmazza a Causal‑GNN‑t, hogy egy **hatás‑vektort** `I_f ∈ [0,1]^N` számítson, ahol `N` a funkciók száma.  
3. Visszaad egy rangsorolt listát a funkciókról pontszámokkal és egy **kausális nyomvonallal** (a pontszámot magyarázó minimális él‑halmaz).

Válasz példa:

```json
{
  "impacts": [
    {"feature":"UserDataExport","score":0.92,"trace":["Regulation→Feature","Feature→Control"]},
    {"feature":"AuditLogRetention","score":0.45,"trace":["Regulation→Control"]},
    {"feature":"ThirdPartyAPI","score":0.12,"trace":["Regulation→Feature"]}
  ],
  "generated_at":"2026-09-06T14:23:11Z"
}
```

A szolgáltatás konténerizált, a **KEDA**‑val autoskálázott, és kölcsönös TLS‑el van biztosítva.

---

## 7. Az előrejelzések beágyazása a termékúti tervekbe (GitOps)

### 7.1 Pull‑Request automatizálás

Egy **GitHub Action** figyeli az inference végpontot. Amikor egy előrejelzés meghalad egy konfigurálható kockázati küszöböt (pl. `score > 0.8`), akkor:

1. Létrehozza a `compliance/impact-<regulation>.md` markdown fájlt, amely összefoglalja az előrejelzést.  
2. Nyit egy PR‑t a `roadmap` repóban, új mérföldkövet vagy sprint‑dátum módosítást javasolva.  
3. Megcímkézi a felelős terméktulajdonost és a megfelelőségi vezetőt.

### 7.2 Ember‑a‑köz‑ciklus felülvizsgálat

A PR sablon egy **kausális nyomvonal diagramot** (Mermaid) tartalmaz, amelyet a terméktulajdonosok kibontanak:

```mermaid
graph TD
    R["Regulation GDPR‑2024‑Art‑15"] --> F1["Feature: UserDataExport"]
    F1 --> C1["Control: DataEncryption"]
    R --> C2["Control: RetentionPolicy"]
```

Az érintettek kommentelhetnek, további bizonyítékot kérhetnek, vagy jóváhagyhatják a változtatást, biztosítva, hogy az AI‑javaslatok auditálhatóak maradjanak.

---

## 8. Kormányzás, magyarázhatóság és auditálás

| Aggály | Enyhítés |
|--------|----------|
| **Modell‑drift** | Heti újratanítás friss eseményablakokkal; a validációs veszteség monitorozása. |
| **Elfogultság a kausális felfedezésben** | Domain‑priórák kényszerítése; fairness‑ellenőrzés az él‑súlyokon. |
| **Szabályozói audit** | Minden inference kérés és válasz egy változhatatlan könyvtárban (pl. AWS QLDB) tárolva. |
| **Magyarázhatóság** | Élszintű bizalmi pontszámok biztosítása; lehetőség a forrásdokumentumokba való mélyebb betekintésre. |
| **Adatvédelem** | Az összes ingest csővezeték maszkolja a személyes adatokat; differenciális adatvédelmet alkalmazunk a kausális felfedezéshez használt aggregált számlálásoknál. |

---

## 9. Implementációs ellenőrzőlista

- [ ] Event streaming platform (Kafka) beállítása és témák definiálása.  
- [ ] Temporális KG szolgáltatás kiépítése Neo4j‑val vagy JanusGraph‑nal (idő‑indexelt élek).  
- [ ] Kausális felfedezési csővezeték (PC/NOTEARS) domain‑priórákkal.  
- [ ] Causal‑GNN modell és tréning szkriptek (PyTorch Geometric) fejlesztése.  
- [ ] Inference szolgáltatás telepítése autoskálázással és mTLS‑el.  
- [ ] GitHub Action a PR automatizáláshoz és Mermaid nyomvonal generáláshoz.  
- [ ] Audit napló integrálása változhatatlan tárolóba.  
- [ ] Monitoring dashboardok (Prometheus + Grafana) beállítása késleltetés, hibaarány és modell‑egészség mérésére.  

---

## 10. Jövőbeli irányok

1. **Multimodális bizonyíték‑fúzió** — Szöveges szabályzat‑kivonatok, PDF‑OCR kimenetek és strukturált STIX fenyegetés‑intelligencia egyesítése egy egységes csomópont‑beágyazásba.  
2. **Zero‑Knowledge Proof validáció** — Lehetővé tenni a beszállítók számára, hogy bizonyítsák a megfelelőséget anélkül, hogy saját szellemi tulajdonukat lelepleznék, és ezt a bizonyítást megbízható él‑ként beépíteni a kausális gráfba.  
3. **Ön‑gyógyító KG** — Reinforcement learning‑al automatikusan javasolni az él‑korrekciókat, ha a downstream auditok hamis pozitívokat jeleznek.  
4. **Kereszt‑szabályozási transfer‑learning** — A Causal‑GNN‑t egy globális szabályozási korpuszon elő‑tréningezni, majd egy adott joghatóságra finomhangolni, csökkentve az adatigényt.

---

## Következtetés

A kausális AI a megfelelőséget egy reaktív ellenőrzési feladatról egy **prediktív döntéstámogató motorra** változtatja, amely a termékúti tervek nyelvén beszél. A folyamatos eseményfolyamok, egy temporálisan tudatos tudásgráf és egy célzott Causal‑GNN egyesítésével a szervezetek másodpercek alatt előre jelezhetik a szabályozási hatásokat, kontrafaktuális „what‑if” szimulációkat futtathatnak, és automatikusan szinkronizálhatják a fejlesztési terveket GitOps‑szal. Az eredmény egy **egységes igazságforrás**, amely a megfelelőségi, mérnöki és üzleti szereplőket egy sorba hozza – a szabályozási turbulenciát stratégiai előnnyé alakítva.  

---

## Kapcsolódó irodalom

- [Temporal Graph Neural Networks for Event‑Driven Analytics (NeurIPS 2024)](https://arxiv.org/abs/2406.11234)  
- [Causal Discovery in Knowledge Graphs: A Survey (IEEE Transactions on Knowledge and Data Engineering)](https://ieeexplore.ieee.org/document/10234567)  
- [GitOps for Continuous Compliance (GitHub Blog)](https://github.blog/2025-03-12-gitops-compliance/)