# Dirbtinio intelekto varoma realaus laiko atitikties poveikio prognozavimas produktų planams naudojant priežastinius grafinius neuroninius tinklus

## Įvadas

Labai reguliuojamose pramonės šakose – fintech, sveikatos technologijos, SaaS ir besivystantys AI produktai – produktų planai nuolat kelia grėsmes dėl naujų reglamentų, politikos svyravimų ir tarptautinių konfliktų. Tradicinis atitikties stebėjimas reaguoja po įvykio, priverčiant komandas perprojektuoti funkcijas, atidėti išleidimus arba patirti brangų koregavimą.  

**Realio laiko atitikties poveikio prognozavimo variklis**, kuris numato, kaip būsimos reguliavimo pokyčiai paveiks produkto funkcijų rinkinį, gali paversti atitiktį iš trukdžio į strateginį pranašumą. Šiame straipsnyje pristatoma **novatoriška AI architektūra**, kuri sujungia:

* **Priežastinius grafinius neuroninius tinklus (CGNN)**, modeliuojančius priežasties‑poveikio ryšius tarp reguliavimo punktų, produkto komponentų ir verslo rezultatų.  
* **Generatyvųjį AI (didelės kalbos modelio ansambliai)**, kuris sintezuoja įmanomas ateities reguliavimo tekstų ir politikos scenarijų versijas.  
* **Įvykių valdomus srauto kanalus**, kurie milisekundėmis įrašo oficialius leidinius, standartų organizacijų pranešimus ir vidinius politikos atnaujinimus.  

Rezultatas – **realio laiko atitikties poveikio prognozė**, tiesiogiai tiekiama į produktų valdymo įrankius (Jira, Azure DevOps, Productboard) ir leidžianti duomenimis pagrįstą planų prioritetų nustatymą.

---

## Kodėl priežastiniai grafiniai neuroniniai tinklai?

Įprasti grafiniai neuroniniai tinklai puikiai išmoksta įterptinius vektorius iš reliacinių duomenų, tačiau neturi aiškios priežastinės struktūros. Atitikties prognozavime reikia atsakyti į klausimą: „Jei reguliavimas X pasikeistų, kaip pasikeis funkcijos Y rizikos balas?“ CGNN įterpia **priežastinius briaunas** (pvz., *reguliavimas → duomenų apdorojimo modulis → vartotojo privatumo rizika*) ir mokosi **intervencijoms jautrių** reprezentacijų.  

Pagrindiniai privalumai:

| Privalumas | Paaiškinimas |
|------------|---------------|
| **Intervencijos jautrumas** | CGNN gali simuliuoti „kas‑jei“ scenarijus keičiant briaunų svorius, suteikdami kiekybinius poveikio įvertinimus. |
| **Laiko samprotavimas** | Integruojant laiko žymėtus reguliavimo įvykius, modelis fiksuoja vėlavimo efektus (pvz., naujas [GDPR](https://gdpr.eu/) pataisymas gali paveikti duomenų saugojimo politiką po 30 dienų). |
| **Paaiškinamumas** | Briaunų svarbos balai gali būti vizualizuojami, tenkinant audito reikalavimus ir stiprinant suinteresuotų šalių pasitikėjimą. |

---

## Sistemos architektūros apžvalga

Žemiau pateikiama aukšto lygio „Mermaid“ diagrama, vaizduojanti visą duomenų srauto procesą.

```mermaid
graph LR
    A["Reguliavimo srauto kanalas"] --> B["RAG‑pagrindo teksto normalizatorius"]
    B --> C["Klauzulių išskyrimas (NLP)"]
    C --> D["Priežastinio grafiko kūrėjas"]
    D --> E["CGNN poveikio variklis"]
    F["Produkto funkcijų grafikas"] --> D
    G["Verslo KPI saugykla"] --> E
    E --> H["Scenarijų generatorius (LLM ansamblis)"]
    H --> I["Planų prioritetų paslauga"]
    I --> J["Produktų valdymo UI"]
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style J fill:#bbf,stroke:#333,stroke-width:2px
```

**Komponentų paaiškinimai**

1. **Reguliavimo srauto kanalas** – Kafka temos įrašo RSS, API srautus ir webhook pranešimus iš reguliuotojų (pvz., SEC, ES Komisija, **ISO** standartų organizacijos).  
2. **RAG‑pagrindo teksto normalizatorius** – Retrieval‑augmented generation išvalo OCR klaidas, verčia daugiakalbį tekstą ir suderina jį su kanonine klauzulių taksonomija.  
3. **Klauzulių išskyrimas (NLP)** – Vardų atpažinimo ir ryšių išskyrimo metodai sukuria struktūrizuotus klauzulių objektus (id, jurisdikcija, įsigaliojimo data, paveiktos duomenų kategorijos).  
4. **Priežastinio grafiko kūrėjas** – Sujungia klauzulių objektus su **Produkto funkcijų grafiku** (mikroservisų priklausomybės, duomenų srautai) ir sukuria **priežastinį žinių grafiką**.  
5. **CGNN poveikio variklis** – Mokosi iš istorinių atitikties incidentų, išmoksta briaunų svorius ir vykdo Monte‑Carlo simuliacijas kiekvienai gaunamai klauzulei.  
6. **Scenarijų generatorius (LLM ansamblis)** – Dideli kalbos modeliai generuoja įmanomas ateities reguliavimo projektus (pvz., „projektas **[EU AI Act](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai)** pataisymas“) siekiant praturtinti simuliacijos erdvę.  
7. **Planų prioritetų paslauga** – Sujungia poveikio balus su verslo KPI (pajamos, klientų išsiskyrimas, techninis skolos lygis) ir generuoja reitinguotą užduočių sąrašą.  
8. **Produktų valdymo UI** – Vizualūs skydeliai rodo šilumos žemėlapius, priežastinius kelius ir pasitikėjimo intervalus, leidžiančius produktų savininkams priimti informuotus kompromisus.

---

## Duomenų srautas detaliau

### 1. Realaus laiko reguliavimo įsisavinimas

* **Šaltiniai** – Oficialūs RSS kanalai, reguliatorių API (pvz., `https://api.fda.gov`) ir trečiųjų šalių atitikties agregatoriai.  
* **Transportas** – Apache Pulsar, užtikrinantis mažą vėlavimą ir „tiksliai vieną kartą“ semantiką.  
* **Schema** – Avro schema su laukais: `source_id`, `raw_text`, `timestamp`, `jurisdiction`.

### 2. Retrieval‑augmented normalizavimas

* **Retriever** – ElasticSearch indeksas su ankstesniais reguliavimo dokumentais.  
* **Generator** – Atviro kodo LLM (pvz., Llama‑3‑70B), pritaikytas teisinių tekstų kalbai.  
* **Promptas** – „Perrašykite šią klauzulę paprasta lietuvių kalba, išlaikant teisinį ketinimą.“  
* **Išvestis** – Normalizuota klauzulių JSON su `clause_id`, `summary`, `keywords`.

### 3. Klauzulių išskyrimas ir ontologijos susiejimas

* **Modelis** – SpaCy + pritaikytas NER teisinių subjektų atpažinimui (pvz., „duomenų valdytojas“, „rizikos pagrindu paremtas požiūris“).  
* **Ontologija** – Srities specifinė OWL ontologija, susiejanti reguliavimo koncepcijas su produkto komponentais.  
* **Rezultatas** – Triplės, pvz., `(Clause123, affects, DataRetentionService)`.

### 4. Priežastinio grafiko kūrimas

* **Mazgo tipai** – `Regulation`, `Feature`, `DataAsset`, `BusinessMetric`.  
* **Briaunų tipai** – `causes`, `mitigates`, `depends_on`.  
* **Svorio inicializavimas** – Pradinės žinios iš atitikties ekspertų (pvz., GDPR 5 straipsnio briaunai suteikiamas svoris 0,8).

### 5. CGNN mokymo ciklas

```python
import torch
from torch_geometric.nn import GCNConv

class CausalGNN(torch.nn.Module):
    def __init__(self, in_dim, hidden_dim, out_dim):
        super().__init__()
        self.conv1 = GCNConv(in_dim, hidden_dim)
        self.conv2 = GCNConv(hidden_dim, out_dim)

    def forward(self, x, edge_index, edge_weight):
        h = torch.relu(self.conv1(x, edge_index, edge_weight))
        out = self.conv2(h, edge_index, edge_weight)
        return out
```

* **Nuostoliai** – Kontrfaktinis nuostolis `L = Σ (ŷ_do(a) - y_actual)^2`, kur `do(a)` žymi intervenciją klauzulei `a`.  
* **Mokymo duomenys** – Istoriniai incidentai (pvz., „Reguliavimas X įvedė → Funkcija Y vėlavo 3 mėnesius“).  

### 6. Scenarijų generavimas

* **Prompto šablonas** – „Sukurkite įmanomą ES AI įstatymo pataisą, kuri įveda naują rizikos vertinimo reikalavimą generatyviems modeliams.“  
* **Ansamblis** – Kombinuojami Claude‑3, GPT‑4o ir domeniškai pritaikytas modelis; konsensusas renkamas balsuojant tarp rezultatų.  

### 7. Poveikio skaičiavimas ir planų integracija

* **Poveikio metrika** – `Impact = Σ (edge_weight * KPI_sensitivity)`.  
* **Pasitikėjimo intervalas** – 95 % CI gaunamas iš Monte‑Carlo vykdymų (10 000 simuliacijų vienai klauzulei).  
* **Prioriteto algoritmas** – Svertinis sumavimas: `Score = α·Impact + β·RevenuePotential - γ·TechnicalDebt`.  

---

## Verslo nauda

| Nauda | Skaitinis pavyzdys |
|-------|--------------------|
| **Sutrumpintas laikas iki rinkos** | Prognozės sumažina atitikties perdirbimą nuo 4 sav. iki 1 sav., taupant $250 k per išleidimą. |
| **Rizikos matomumas** | Šilumos žemėlapiai atskleidžia 23 % ateities funkcijų, kurių rizikos >80 %, leidžiant proaktyviai mažinti grėsmes. |
| **Audito pasirengimas** | Briaunų svarbos žurnalai automatiškai atitinka **[ISO 27001](https://www.iso.org/standard/27001)** ir SOX įrodymų reikalavimus. |
| **Strateginis suderinimas** | Planų balai sutampa 92 % su vadovybės rizikos tolerancija, didinant suinteresuotų šalių pasitikėjimą. |

---

## Įgyvendinimo planas

1. **Prototipo etapas (0‑3 mėn.)**  
   * Įdiegti lengvą Kafka‑Pulsar tiltą.  
   * Naudoti iš anksto apmokytą LLM teksto normalizavimui; rezultatus saugoti PostgreSQL JSONB stulpelyje.  
   * Sukurti minimalų priežastinį grafiką su 50 mazgų (aukščiausio lygio funkcijos) ir 120 briaunų.  

2. **Bandomasis etapas (3‑6 mėn.)**  
   * Apmokyti CGNN naudojant paskutinius 2 metus atitikties incidentų.  
   * Integruoti su vienos produktų komandos Jira lenta per webhook, pridedant „Compliance Impact“ pasirinktą lauką.  
   * Vykdyti A/B testą: komandos su prognozėmis vs. kontrolinė grupė.  

3. **Mastelio didinimo etapas (6‑12 mėn.)**  
   * Išplėsti į visas produktų linijas, pridėti daugių jurisdikcijų sluoksnius.  
   * Pakeisti prototipo LLM į pritaikytą Claude‑3‑Sonnet dėl didesnio tikslumo.  
   * Patalpinti Planų prioritetų paslaugą kaip Kubernetes mikroservisą už API vartų.  

4. **Valdymas ir nuolatinis mokymasis**  
   * Sukurti **Atitikties duomenų prižiūrėtojo** rolę, kas ketvirtį tikrinančią briaunų svorius.  
   * Įdiegti **grįžtamojo ryšio ciklą**: kai prognozė pasirodo netiksli, incidentas grąžinamas į CGNN nuostolių funkciją.  
   * Periodiškai atnaujinti LLM ansamblį su naujai paskelbtomis regulacijomis, kad scenarijų generavimas išliktų šviežias.  

---

## Paaiškinamumas ir auditas

Atitikties specialistai reikalauja skaidrumo. CGNN architektūra suteikia:

* **Briaunų priskyrimo balus** – vizualizuojamus kaip briaunų storį „Mermaid“ grafike, rodantį, kurios reguliavimo klauzulės dominuoja konkrečią įtaką.  
* **Kontrfaktinius ataskaitas** – „Jei klauzė C būtų pašalinta, funkcijos F rizika sumažėtų 12 %.“  
* **Versijuotą žinių grafiką** – saugomą Git‑valdomoje Neo4j saugykloje; kiekvienas pakeitimas pasirašomas SHA‑256 maišu, užtikrinant nekeičiamos audito takelį.  

Pavyzdinė „Mermaid“ vizualizacija kontrfaktinio kelio:

```mermaid
graph TD
    R["\"Reguliavimas: AI Act Art. 7\""] -->|causes| F["\"Funkcija: Generatyvių vaizdų API\""]
    F -->|increases| K["\"Rizika: Duomenų privatumas\""]
    style R fill:#ffdddd,stroke:#c00,stroke-width:2px
    style K fill:#ffdddd,stroke:#c00,stroke-width:2px
```

---

## Iššūkiai ir jų šalinimas

| Iššūkis | Šalinimas |
|---------|-----------|
| **Duomenų retas** – Mažai istorinių incidentų naujoms regulacijoms. | Naudoti **sintetinius scenarijus** per LLM, papildant mokymo duomenis. |
| **Reguliavimo dviprasmybė** – Neaiškus tekstas sukelia triukšmingą klauzulių išskyrimą. | Įdiegti **žmogaus į ciklą** patvirtinant aukšto poveikio klauzules prieš įtraukiant į grafiką. |
| **Modelio nuokrypis** – Reguliavimas keičia briaunų svorius, jie tampa pasenę. | Planuoti **mėnesinius mokymus** ir įtraukti realaus laiko atsiliepimus iš atitikties bilietų. |
| **Mastelio problemos** – Grafikas gali išaugti dėl daugių jurisdikcijų duomenų. | Skaldyti priežastinį grafiką pagal domenus (pvz., privatumas, AI etika) ir naudoti **distributinį GNN mokymą** (DGL, PyG). |

---

## Ateities kryptys

1. **Priežastiniai difuzijos modeliai** – Sujungti difuzijos generatyvius modelius su CGNN, kad simuliuotų reguliavimo grandines per visą ekosistemą (partneriai, tiekėjai).  
2. **Federacinis mokymasis tarp įmonių** – Dalintis anonimizuotais briaunų svorio atnaujinimais tarp tos pačios pramonės įmonių, gerinant prognozes be konfidencialaus duomenų atskleidimo.  
3. **Skaitmeninio dvynuko integracija** – Sinchronizuoti poveikio variklį su produkto lygmeniu skaitmeniniu dvyniu, leidžiančiu vykdyti „kas‑jei“ simuliacijas, apimančias našumą, kaštus ir atitiktį vienu metu.  

---

## Išvada

Sujungus **priežastinius grafinius neuroninius tinklus** su **generatyviu AI‑sukurtų scenarijų sinteze**, organizacijos gali pereiti nuo reaktyvios atitikties prie **proaktyvaus, duomenimis pagrįsto planų sudarymo**. Aprašyta architektūra suteikia realaus laiko poveikio prognozes, skaidrius paaiškinimus ir sklandų integravimą į esamus produktų valdymo įrankius – paverčiant reguliavimo svyravimus į konkurencinį pranašumą.