# AI‑მოყვანილი რეალურ‑დროში შესაბამისობის გადაწყვეტილებების ძრავა კონტრფაქტუალური აზროვნებით

დღესდღეობით კომპანიებს სჭირდება მუდმივი რეგულაციული განახლებების, პოლიტიკის ცვლისა და მრავალჟურიდიციული კონფლიქტების ნაკადი. ტრადიციული წესებზე დაფუძნებული შესაბამისობის სისტემები რეაგირებენ ნელად, ხშირად დარღვევის შემდეგ. რეაქტიული compliance‑ისგან პროქტიული compliance‑ზე გადასასვლელად, ორგანიზაციებს სჭირდება ძრავა, რომელიც **მყისიერად “თუ‑თუ” სცენარებზე აზროვნებს**, ახსნის თავისი დასკვნებს და ადაპტირდება პოლიტიკის განვითარებაზე.  

ამ სტატიაში ჩვენ განვიხილავთ **ახალ AI‑მოყვანილ რეალურ‑დროში შესაბამისობის გადაწყვეტილებების ძრავას**, რომელიც შედგება სამ სვეტიდან:

1. **კონტრფაქტუალური აზროვნება** – “რას მოხდება, თუ X‑ის შეცვლით?”  
2. **მიზეზობრივი გრაფიკული ნეირონული ქსელები (CGNN‑ები)** – რეგულაციული ეკოსისტემის დამალული მიზეზ-ეფექტის სტრუქტურის სწავლა.  
3. **მოვლენა‑დროული მონაცემთა ნაკადები** – პოლიტიკის ცვლილებების, აუდიტის ლოგების და ოპერაციული ტელემეტრიის შეყვანა მილიწამებში.

ერთად, ეს კომპონენტები ქმნიან **Decision‑as‑Code** პლატფორმას, რომელიც იძლევა **მყისიერ, განმარტებადი შესაბამისობის გადაწყვეტილებებს** ნებისმიერი შემომავალი მოთხოვნისთვის — იყოს იგი SaaS უსაფრთხოების კითხვარი, კონტრაქტის პუნქტი ან პროდუქტის რუკის ცვლილება.

---

## 1. რატომ მნიშვნელოვანია კონტრფაქტუალური აზროვნება შესაბამისობაში

სათავსი ძირითადად ეხება **რისკის შემცირებას**. რეგულატორი შეიძლება აკრძალოს მონაცემთა დამუშავების აქტივობა, მაგრამ ბიზნეს მნიშვნელოვანი კითხვა არის **“თუ ჩვენ შეცვლით ამ ნაბიჯს, დავასრულებთ ბიზნეს‑მიზანს, თანაც დარჩებით შესაბამისობაში?”** კონტრფაქტუალური აზროვნება იძლევა პასუხს, სიმულირებით ალტერნატიული სამყაროთი, რეალურად არ განახორციელებით.

### 1.1 ბინარული შემოწმებიდან პრაბაბილისტურ თუ‑თუ‑ს

| ტრადიციული წესის ძრავა | კონტრფაქტუალური ძრავა |
|--------------------------|------------------------|
| აბრუნებს **გადასახედ/არ-გადასახედ** სტატუსს სტატიკური წესებით. | აბრუნებს **შედეგის პრაბაბილისტურ განაწილებას** მრავალ ჰიპოთეტიკულ ცვლილებისთვის. |
| არ იძლევა ინფორმაციას, *რატომ* წყვეტა ვერ მოხერხდა. | ქმნის **მიზეზობრივ ახსნას**, რომელიც უკავშირდება ცვლილებას შესაბამისობის გავლენაზე. |
| საჭიროებს ხელით წესის განახლებას თითოეული ახალი რეგულაციისთვის. | სწავლობს **მიზეზურ ურთიერთობებს** მონაცემებიდან, რაც შემცირებს ხელით მოვლა. |

### 1.2 რეალური მაგალითი

FinTech‑სტარტ‑აპს სურს **მომხმარებლის ტრანზაქციის ლოგები ახალი ღრუბლოვანი რეგიონში შენახვა**. შესაბამისობის ძრავა შეფასებს:

- **რეალური სამყარო**: მიმდინარე რეგიონი შესაბამისია [GDPR](https://gdpr.eu/)‑ით, ახალი რეგიონი არა.  
- **კონტრფაქტუალური სამყარო**: “თუ ლოგები ენქრიპტავთ ევროპული‑დამოწმებული გასაღების მართვის სერვისით?”  
- **შედეგი**: ძრავა პროგნოზირებს **92 % შესაბამისობის ალბათობას** და იძლევა ნაბიჯ‑ნაბიჯ შემცირების გეგმას.

გადაწყვეტა მიწოდებულია **200 მს-ზე ნაკლები დროით**, რაც პროდუქტის გუნდს აძლევს შესაძლებლობას გაგრძელება მანუალურ აუდიტის გარეშე.

---

## 2. მიზეზობრივი გრაფიკული ნეირონული ქსელები: ძრავის ტვინი

**მიზეზობრივი გრაფიკული ნეირონული ქსელი (CGNN)** გაფართოვებულია კლასიკური GNN‑ებიდან, შევსებული **მიმართულებული მიზეზ‑ეფექტის კიდურებით**, რომელიც სწავლება ისტორიული შესაბამისობის ინციდენტებიდან, პოლიტიკის დოკუმენტებიდან და აუდიტის ტრაექტორიისგან. განსხვავებით კორელაციის‑მხოლოდ მოდელებიდან, CGNN‑ებს შეუძლიათ პასუხის გაცემა **ინტერვენციის კითხვებზე** — ზუსტად რაც საჭიროებს კონტრფაქტუალურ აზროვნებას.

### 2.1 მიზეზობრივი ცოდნის გრაფის შექმნა

1. **კვანძის ტიპები** — რეგულაციები, კონტროლები, მონაცემის აქტივები, ბიზნეს‑პროცესები, რისკის ინდიკატორები.  
2. **კიდის ტიპები** — *ენფორსებს*, *დამოკიდებულია*, *მიტიგაციას*, *კონფლიქტს*.  
3. **ტემპორალური ფენა** — რეგულაციის ვერსიებისა და დროზე ცვლის გადახედვა.

```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"
```

გრაფი **ავტომატურად შევსებულია** შემდეგით:

- **Document AI** entit‑ის ამოღება PDF‑ებიდან, ვებ‑გვერდებიდან და იურიდიული ტექსტებიდან.  
- **მოვლენა ნაკადები** (Kafka, Pulsar) რომელიც აწვდის პოლიტიკის ცვლილებების შეტყობინებებს.  
- **უკუკავშირი** სადაც აუდიტორები მონიშნავენ ფოლსი‑პოზიტივებს/ნეგატივებს, რაც ცვლის კიდის წონას.

### 2.2 CGNN‑ის ტრენინგი

- **სუპერვიზირებული დაკარგვა** ცნობილ შესაბამისობის შედეგებზე (გადასახედ/არ‑გადასახედ).  
- **მიზეზობრივი რეგულირება** რომელიც ცდის ციკლებს, რომლებიც დარღვევს ცნობილი რეგულაციული იერარქიებს.  
- **ტემპორალური კონტრასტული სწავლება** რეალურ ცვლისა და ხმაურის განსხვავებისთვის.

შედეგის მოდელი **ინტერვენციის პროპაგაციის** (მაგ. “მონაცემის ენქრიპცია”) საშუალებით შეიძლება გაანგარიშოს downstream‑ის გავლენა შესაბამისობის რისკზე.

---

## 3. რეალურ‑დროში არქიტექტურის მიმოხილვა

ქვემოთ მოცემულია სისტემის მაღალი‑დონე დიაგრამა. ყველა კომპონენტი კომუნიკაციას ახდენს **მოვლენა‑დროული API‑ებით**, რაც უზრუნველყოფს sub‑second‑latency‑ს.

```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
```

**მნიშვნელოვანი თვისებები**

- **მასშტაბირებადობა** – სტატeless micro‑services‑ის ავტომატური მასშტაბირება სერვისი‑მეშის უკან.  
- **დამახასიათებლობა** – OpenTelemetry‑ით ტრეკდება ყველა ინტერვენცია აუდიტის მიზნით.  
- **უსაფრთხოება** – ყველა მონაცემი დისკზე დაშიფრული; პოლიტიკის განახლებები ხელმოწერილია X.509‑სერტიფიკატებით.

---

## 4. გადაწყვეტილების სამუშაო ნაკადი დეტალურად

1. **მოთხოვნის მიღება** – SaaS‑მომწოდებელი სთავაზობს უსაფრთხოების კითხვარის პასუხს.  
2. **რაუტინგი** – Request Router იდენტიფიცირებს შესაბამისი პოლიტიკის დომენებს (მაგ. [ISO 27001](https://www.iso.org/standard/27001) / GDPR).  
3. **გრაფის მოთხოვნა** – Decision Service იღებს ქვეგრაფს, რომელიც ეხება გავლენას მქონე კონტროლებს და აქტივებს.  
4. **კონტრფაქტუალური გენერაცია** – Counterfactual Engine ქმნის მინიმალურ ინტერვენციებს (მაგ. ენქრიპციის დამატება, მონაცემის რეზიდენციის შეცვლა).  
5. **მიზეზობრივი ინფერენცია** – CGNN შეფასებს თითოეულ ინტერვენციას, აბრუნებს შესაბამისობის ალბათობას და მიზეზურ გზას.  
6. **განმარტება** – ძრავა აერთიანებს ადამიანისთვის გასაგებად ნარატივს: “X‑ის ენქრიპცია Y‑ის ალგორითმით GDPR‑ის ექსპოზურას 78 %‑ით შემცირებს, რადგან იწვევს *exposes* კიდის გაწყვეტას Risk Indicator R‑თან.”  
7. **პასუხი** – მომწოდებელმა იღებს მყისიერ გადაწყვეტილებას, თანაც მოქმედების ნაბიჯებით.

მთლიანი ციკლი ჩვეულებრივ დასრულდება **150‑250 ms**‑ის შუალედში, რაც სრულად აკმაყოფილებს ინტერაქტიული შესაბამისობის პორტალების ლატენციის ბიუჯეტს.

---

## 5. პოლიტიკის ცვლის მართვა მუდმივი სწავლებით

რეგულაციული ლანდშაფტი მუდმივად იცვლება; **პოლიტიკის ცვლის დეტექტორი** თვალყურს ადევნებს ცოდნის გრაფის სტრუქტურალურ ცვლილებებს:

- **კიდის წონის გადახვევა** – თუ კონტროლის ეფექტურობა იკლებება, სისტემა ალერმს იძლევა.  
- **ახალი კვანძის დამატება** – ახალი რეგულაციები ავტომატურად ამოღდება.  
- **კონფლიქტის აღმოჩენა** – გრაფი სკანირდება წინააღმდეგობებზე (მაგ. ორი რეგულაცია, რომლებიც ერთდროულად ვერ შესრულდება).

ცვლის აღმოჩენისას **CGNN‑ის ტრენინგის პაიპლაინი** ავტომატურად ირთვება, უახლესი ლეიბლებული ინციდენტებით. ეს **დახურული‑ლუპის სწავლება** უზრუნველყოფს, რომ გადაწყვეტილების ძრავა ყოველთვის იყოს განახლებული, ხელით წესის გადაწერის გარეშე.

---

## 6. განმარტებადობა და აუდიტის ტრაექტორია

შესაბამისობის ოფიცრებს სჭირდება **გამჭვირვალე აზროვნება**. ძრავა იწერებს ყველა ინფერენციას იმმიუტაბლურ ლეჯერში (მაგ. ბლოკჩეინ‑ზე დაფუძნებული append‑only‑log). თითოეულ ლეჯერის ჩანაწერში შედის:

- **ტაიმსტამპი**  
- **შემოთავაზებული მოთხოვნის ჰეში**  
- **შეფასებული ინტერვენციების ნაკრები**  
- **CGNN‑ის ინფერენციის ქულები**  
- **გენერირებული განმარტება**  

აუდიტორებს შეუძლიათ ნებისმიერი გადაწყვეტილების გადახედვა, გადამოწმება მიზეზურ გზაზე და დადასტურება, რომ მოდელი დაიცვა უახლესი ვერსია პოლიტიკის.

---

## 7. ინტეგრაციის მოდელები

| ინტეგრაციის მიზანი | მეთოდი | უპირატესობები |
|--------------------|--------|----------------|
| **CI/CD პაიპლაინები** | GitOps webhook → Decision Service | აკრძალავს არასათანადო კოდის მიწოდებას პროდაქციაზე. |
| **უსაფრთხოების კითხვარები** | REST API პლაგინი SaaS‑ის trust‑page‑ზე | იძლევა მყისიერ, AI‑გენერირებულ პასუხებს, დამადასტურებელ ლინკებით. |
| **პროდუქტის რუკის გეგმები** | JIRA‑ის მოვლენა ნაკადი → Counterfactual Engine | პროგნოზირებს ფუნქციის გამოშვების შესაბამისობის გავლენას. |
| **Vendor Risk პლატფორმები** | GraphQL federation → Knowledge Graph Store | აერთიანებს მრავალ vendor‑ის რისკის ქულებს ერთობლივი მიზეზობრივი მოდელით. |

---

## 8. შესრულების მაკროფონტები

| მაკროფონი | მნიშვნელობა |
|-----------|-------------|
| **საშუალო ლატენცია (end‑to‑end)** | 182 ms |
| **გამტარუნარიანობა (requests/second)** | 12 k |
| **მოდელის ზომა (CGNN)** | 45 M პარამეტრი |
| **ტრენინგის დრო (სრული ცვლის ციკლი)** | 3 საათი 8‑GPU ნოდზე |
| **განმარტების ლატენცია** | 35 ms (ტექსტის გენერაცია) |

ტესტირება შესრულდა Kubernetes‑ის კლასტერში (4 vCPU, 16 GB RAM თითოეულ pod‑ზე) სპეციალურ GPU‑ით CGNN‑ის ინფერენციისთვის.

---

## 9. მომავალის მიმართულებები

1. **მულტიმედია მტკიცებულებების შერწყმა** – ტექსტური რეგულაციები, კოდის სნიპეტები და UI‑სკრინშოტები richer‑მიზეზობრივი კიდეების შესაქმნელად.  
2. **ფედერირებული სწავლება ორგანიზაციებს შორის** – ანონიმული გრაფის განახლებების გაზიარება გლობალურ შესაბამისობის ინტელექტის გასაზრდელად, მონაცემთა პრივატურობა შენარჩუნებით.  
3. **გენერაციული კონტრფაქტუალური ნარატივები** – LLM‑ების გამოყენება ბუნებრივი ენის შემცირების გიდების შესაქმნელად, ორგანიზაციის ტონსა და სტილს შესაბამისი.  
4. **Edge‑განაწილება** – CGNN‑ის მსუბუქი ინფერენციის გადაცემა ეჯის მოწყობილობებზე, რათა მოხდეს compliance‑ის შემოწმება მაღალი რეგულაციის გარემოებში (მაგ. სამედიცინო მოწყობილობები).

---

## 10. დაწყება

თუ გსურთ პროტოტიპის შექმნა:

1. **კლონირება** – `git clone https://github.com/example/compliance‑counterfactual‑engine`  
2. **სტეკის განთავსება** – `docker compose up -d` (შეიცავს Kafka, Neo4j, FastAPI‑სერვისებს).  
3. **ნიმუში რეგულაციების შემოღება** – გაუშვით `python scripts/ingest_policies.py data/policies/`.  
4. **ტესტის მოთხოვნის გაგზავნა** – `curl -X POST http://localhost:8000/decide -d '{"scenario":"store logs in EU region","interventions":["encrypt"]}'`.  

პასუხში მიიღებთ შესაბამისობის ალბათობას და განმარტებადი ნარატივს.

---

## იხილეთ ასევე

- 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)