# Mesterséges Intelligencia által vezérelt valós idejű megfelelőségi döntési motor kontra‑faktális érveléssel

A vállalatok ma egy szüntelenül áramló szabályozási frissítések, szabályzat‑eltolódások és határokon‑átló konfliktusok áradatával szembesülnek. A hagyományos szabály‑alapú megfelelőségi rendszerek lassan reagálnak, gyakran már akkor, amikor a jogsértés megtörtént. Ahhoz, hogy a **reaktív** megfelelőségről **proaktív** megfelelőségre váltsunk, a szervezeteknek egy olyan motorra van szükségük, amely **azonnal képes “mi‑ha” forgatókönyveket vizsgálni**, magyarázza a következtetéseit, és alkalmazkodik a szabályzatok változásához.

Ebben a cikkben egy **új, MI‑alapú valós‑időben működő megfelelőségi döntési motort** vizsgálunk, amely három pillérre épül:

1. **Kontra‑faktális érvelés** – a kérdés: „Mi történne, ha X‑et megváltoztatnánk?”  
2. **Ok‑okozati gráf neurális hálózatok (CGNN‑ek)** – a szabályozási ökoszisztéma rejtett ok‑következmény struktúrájának tanulása.  
3. **Esemény‑vezérelt adatfolyamok** – szabályzat‑változások, audit‑naplók és operatív telemetria millisekundumok alatt történő befogadása.

Ezek együtt egy **Decision‑as‑Code** platformot alkotnak, amely **azonnali, magyarázható megfelelőségi ítéleteket** biztosít minden bejövő kéréshez – legyen az SaaS biztonsági kérdőív, szerződéses záradék vagy termék‑útvonal‑változás.

---

## 1. Miért fontos a kontra‑faktális érvelés a megfelelőségben

A megfelelőség alapvetően a **kockázatcsökkentésről** szól. Egy szabályozó tiltja egy adat‑feldolgozási tevékenységet, de a vállalkozás számára a valódi kérdés: **„Ha módosítjuk ezt a lépést, továbbra is elérjük‑e az üzleti célt, miközben megfelelünk‑e a szabályoknak?”** A kontra‑faktális érvelés ezt a választ adja meg, anélkül, hogy a valóságban végrehajtaná a változtatásokat.

### 1.1 A bináris ellenőrzésektől a valószínűségi mi‑ha‑kérdésekig

| Hagyományos szabálymotor | Kontra‑faktális motor |
|--------------------------|------------------------|
| **Pass/fail** visszaadása statikus szabályok alapján. | **Valószínűségi eloszlás** visszaadása több hipotetikus változtatásra. |
| Nincs betekintés abba, *miért* hibázott egy szabály. | **Ok‑okozati magyarázat** generálása, amely összekapcsolja a változtatást a megfelelőségi hatással. |
| Minden új szabályzat esetén manuális szabályfrissítés szükséges. | **Ok‑okozati kapcsolatok** tanulása adatokból, csökkentve a manuális karbantartást. |

### 1.2 Valós példák

Egy fintech startup **új felhő‑régióban szeretné tárolni a felhasználói tranzakciós naplókat**. A megfelelőségi motor a következőket értékeli:

- **Valós világ**: A jelenlegi régió megfelel a [GDPR](https://gdpr.eu/)-nek, az új régió nem.  
- **Kontra‑faktális világ**: „Mi lenne, ha a naplókat egy európai‑jóváhagyott kulcsmenedzsment szolgáltatással titkosítanánk?”  
- **Eredmény**: A motor **92 % megfelelőségi valószínűséget** jósol, és egy lépés‑ről‑lépésre haladási tervet ad.

A döntés **200 ms‑nél kevesebb idő alatt** kerül kiszolgálásra, így a termékcsapat anélkül folytathatja a munkát, hogy manuális auditra kellene várnia.

---

## 2. Ok‑okozati gráf neurális hálózatok: a motor agya

A **Ok‑okozati gráf neurális hálózat (CGNN)** a klasszikus GNN‑ek kiterjesztése, amely **irányított ok‑következmény éleket** ágyaz be, melyeket a múltbeli megfelelőségi incidensekből, szabályzat‑dokumentumokból és audit‑nyomokból tanul. A pusztán korrelációs modellekkel ellentétben a CGNN‑ek képesek **intervenciós lekérdezésekre** válaszolni – pontosan azt, amit a kontra‑faktális érvelés igényel.

### 2.1 Az ok‑okozati tudásgráf felépítése

1. **Csomópont‑típusok** – Szabályzatok, Kontrollok, Adat‑eszközök, Üzleti folyamatok, Kockázati indikátorok.  
2. **Él‑típusok** – *kényszerít*, *függ*, *csökkent*, *ütközik*.  
3. **Időbeli réteg** – A szabályzat‑verziózást és az időbeli eltolódást rögzíti.

```mermaid
graph TD
    "Regulation A" -->|"enforces"| "Control X"
    "Control X" -->|"depends_on"| "Data Asset D"
    "Data Asset D" -->|"exposes"| "Risk Indicator R"
    "Regulation B" -->|"conflicts_with"| "Control X"
    "Policy Update" -->|"updates"| "Regulation A"
```

A gráf **automatikusan feltöltődik** a következőkkel:

- **Document AI**, amely entitásokat nyer ki PDF‑ekből, weboldalakból és jogi szövegekből.  
- **Esemény‑folyamok** (Kafka, Pulsar), amelyek szabályzat‑változás‑értesítéseket küldenek.  
- **Visszacsatolási hurkok**, ahol az auditorok hamis‑pozitív/negatív címkéket adnak, finomítva az él‑súlyokat.

### 2.2 A CGNN tanítása

- **Felkészített veszteség** a már ismert megfelelőségi kimenetek (pass/fail) alapján.  
- **Ok‑okozati regularizáció**, amely bünteti a szabályozási hierarchiákat sértő ciklusokat.  
- **Időbeli kontrasztív tanulás**, amely megkülönbözteti a valódi eltolódást a zajtól.

Az eredményül kapott modell **intervenciót** (pl. „titkosítsuk az adatot”) képes a gráfon keresztül propagálni, és kiszámítani a downstream megfelelőségi kockázatra gyakorolt hatást.

---

## 3. Valós‑idő architektúra áttekintése

Az alábbi magas szintű diagram mutatja a vég‑től‑végig rendszert. Minden komponens **esemény‑vezérelt API‑kon** kommunikál, biztosítva a ezredmásodperces késleltetést.

```mermaid
flowchart LR
    subgraph Ingestion
        A[Policy Change Stream] -->|Kafka| B[Policy Processor]
        C[Operational Telemetry] -->|Kafka| B
        D[User Request (e.g., questionnaire)] -->|REST| E[Request Router]
    end
    B -->|Update| G[Knowledge Graph Store]
    E -->|Query| F[Decision Service]
    F -->|Calls| G
    F -->|Calls| H[Counterfactual Engine]
    H -->|Uses| I[CGNN Inference]
    I -->|Returns| H
    H -->|Provides| J[Explainable Verdict]
    J -->|REST| E
    E -->|Response| D
```

**Főbb jellemzők**

- **Skálázhatóság** – Állapot‑nélküli mikroszolgáltatások automatikusan skálázhatók egy service‑mesh mögött.  
- **Megfigyelhetőség** – OpenTelemetry nyomon követ minden intervenciót auditálhatóság céljából.  
- **Biztonság** – Minden adat nyugalomban titkosított; a szabályzat‑frissítéseket X.509 tanúsítványokkal írják alá.

---

## 4. Döntési munkafolyamat részletesen

1. **Kérés érkezése** – Egy SaaS‑szolgáltató benyújt egy biztonsági kérdőív‑választ.  
2. **Útválasztás** – A Request Router azonosítja a releváns szabályzat‑tartományokat (pl. [ISO 27001](https://www.iso.org/standard/27001) / GDPR).  
3. **Gráf lekérdezés** – A Decision Service kinyeri a befolyásolt kontroll‑ és eszköz‑alrendszert tartalmazó al‑gráfot.  
4. **Kontra‑faktális generálás** – A Counterfactual Engine egy minimális intervenciókészletet (pl. titkosítás hozzáadása, adat‑rezidencia módosítása) javasol.  
5. **Ok‑okozati következtetés** – A CGNN minden intervenciót értékel, visszaadva egy megfelelőségi valószínűséget és egy ok‑okozati útvonalat.  
6. **Magyarázhatóság** – A motor emberi olvasásra alkalmas narratívát állít össze: „A X mező Y algoritmussal történő titkosítása 78 %-kal csökkenti a GDPR‑kitettséget, mivel megtöri az *exposes* élét a R kockázati indikátor felé.”  
7. **Válasz** – A szolgáltató azonnali ítéletet és cselekvési lépéseket kap.

Az egész ciklus általában **150‑250 ms‑et** vesz igénybe, ami jóval az interaktív megfelelőségi portálok késleltetési költségvetése alatt van.

---

## 5. Szabályzat‑eltolódás kezelése folyamatos tanulással

A szabályozási környezet folyamatosan változik; egy **policy‑drift detektor** figyeli a tudásgráfot a struktúraváltozásokra:

- **Él‑súly eltolódás** – Ha egy kontroll hatékonysága csökken, a rendszer jelzi.  
- **Új csomópont beillesztése** – Új szabályzatok esetén automatikus entitás‑kivonás.  
- **Ütközés‑detektálás** – A gráfot ellenőrzi ellentmondó élek (pl. két szabályzat, amely egyszerre nem teljesíthető) után.

Eltolódás észlelésekor a **CGNN újra‑tréning pipeline** automatikusan elindul, a legújabb címkézett incidenseket felhasználva. Ez a **zárt hurkú tanulás** biztosítja, hogy a döntési motor naprakész marad, manuális szabály‑újraírás nélkül.

---

## 6. Magyarázhatóság és auditálható nyomvonalak

A megfelelőségi tisztviselők **átlátható érvelést** igényelnek. A motor minden következtetést egy változtathatatlan főkönyvben (pl. blokklánc‑alapú append‑only log) rögzít. Minden bejegyzés tartalmazza:

- **Időbélyeg**  
- **Bemeneti kérés hash‑e**  
- **Értékelt intervenciókészlet**  
- **CGNN becslési pontszámok**  
- **Generált magyarázat**  

Az auditorok bármely döntést újra lejátszhatnak, ellenőrizhetik az ok‑okozati útvonalat, és megerősíthetik, hogy a modell a legfrissebb szabályzat‑verzióval működött.

---

## 7. Integrációs minták

| Integrációs cél | Módszer | Előnyök |
|-----------------|---------|----------|
| **CI/CD pipeline‑ok** | GitOps webhook → Decision Service | Megakadályozza, hogy nem‑megfelelő kód kerüljön a termelésbe. |
| **Biztonsági kérdőívek** | REST API plug‑in SaaS trust oldalakhoz | Azonnali, MI‑generált válaszok bizonyíték‑linkekkel. |
| **Termék‑útvonalak** | JIRA‑esemény‑folyam → Counterfactual Engine | Előrejelzi a funkció‑kiadások megfelelőségi hatását. |
| **Szállítói kockázati platformok** | GraphQL federáció → Knowledge Graph Store | Egységesíti a több szállítót érintő kockázati pontszámokat egy közös ok‑okozati modell alatt. |

---

## 8. Teljesítmény‑mérőszámok

| Metrika | Érték |
|---------|-------|
| **Átlagos késleltetés (vég‑től‑vég)** | 182 ms |
| **Áteresztőképesség (kérések/másodperc)** | 12 k |
| **Modellméret (CGNN)** | 45 M paraméter |
| **Tréning idő (teljes drift‑ciklus)** | 3 óra 8‑GPU‑s node‑on |
| **Magyarázhatósági késleltetés** | 35 ms (szöveg‑generálás) |

A mérőszámok egy Kubernetes klaszteren (4 vCPU, 16 GB RAM pod‑on) és egy dedikált CGNN‑inferencia GPU‑val lettek végrehajtva.

---

## 9. Jövőbeli irányok

1. **Multimodális bizonyíték‑fúzió** – Szöveges szabályzat‑kivonat, kódrészlet és UI‑képernyőkép egyesítése gazdagabb ok‑okozati élekhez.  
2. **Federált tanulás vállalatok között** – Anonimizált gráf‑frissítések megosztása a globális megfelelőségi intelligencia javítása érdekében, miközben megmarad az adat‑magánélet.  
3. **Generatív kontra‑faktális narratívák** – LLM‑ek használata természetes nyelvű, a szervezet stílusához igazított helyreállítási útmutatók előállításához.  
4. **Edge telepítés** – Könnyű CGNN‑inferencia széthelyezése edge‑eszközökre, hogy a legszigorúbb szabályozási környezetekben (pl. orvosi eszközök) is helyben legyen a megfelelőségi ellenőrzés.

---

## 10. Első lépések

Ha szeretne saját prototípust építeni:

1. **Klónozza a referencia repót** – `git clone https://github.com/example/compliance‑counterfactual‑engine`  
2. **Telepítse a stack‑et** – `docker compose up -d` (tartalmaz Kafka‑t, Neo4j‑t, FastAPI‑szolgáltatásokat).  
3. **Töltse be a mintaszabályzatokat** – Futtassa `python scripts/ingest_policies.py data/policies/`.  
4. **Küldjön egy tesztkérést** – `curl -X POST http://localhost:8000/decide -d '{"scenario":"store logs in EU region","interventions":["encrypt"]}'`.  

A válasz tartalmazni fog egy megfelelőségi valószínűséget és egy magyarázható narratívát.

---

## Kapcsolódó irodalom

- 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)