# Kauzálne AI pre predikciu dopadu súladu v reálnom čase

Regulačné prostredie sa mení neuveriteľnou rýchlosťou. Jedna úprava zákona o ochrane osobných údajov môže ovplyvniť desiatky produktových funkcií, posunúť dátumy vydania a zmeniť rizikové skóre. Tradičné nástroje súladu reagujú až po tom, čo sa zmena zaznamená – kým je zmena zaznamenaná, produktová mapa už môže byť neaktuálna.  

Vstupuje **kauzálne AI**: kombinácia kauzálnej inferencie, grafových neurónových sietí (GNN) a kontinuálneho prúdenia udalostí, ktorá predpovedá *ako* regulačná zmena ovplyvní produkt **predtým**, než sa zmena prejaví v podriadených systémoch. Tento článok vás prevedie kompletným návrhom **Kauzálnej grafovej neurónovej siete (Causal‑GNN)** poháňanej predikciou dopadu súladu, od príjmu dát po inferenciu v reálnom čase, a ukáže, ako vložiť predikcie do produktovej pipeline v štýle GitOps.

---

## 1. Prečo kauzálne AI prekonáva predikcie založené len na korelácii

| Aspekt | Modely založené len na korelácii | Kauzálne AI modely |
|--------|----------------------------------|--------------------|
| **Čo sa učia** | Štatistická ko‑výskyt (napr. „funkcia X sa často mení po regulácii Y“). | Orientované príčinné vzťahy (napr. „regulácia Y *prinúti* vypnutie funkcie X“). |
| **Robustnosť voči skrytomu premennému** | Nízka – skryté premenné môžu vytvárať falošné vzory. | Vysoká – kauzálne grafy explicitne modelujú skryté premenné. |
| **Protikladové (counterfactual) uvažovanie** | Nie je možné. | Natívne – môžete sa opýtať „Čo keby regulácia Y nikdy neexistovala?“. |
| **Vysvetliteľnosť** | Obmedzená – skóre dôležitosti funkcií je neprehľadné. | Silná – každá hrana v grafe je ľudsky čitateľné príčinné tvrdenie. |

V súlade je schopnosť vykonávať **protikladové simulácie** neoceniteľná. Produktoví manažéri sa môžu opýtať: „Ak bude prijatá nadchádzajúca [GDPR](https://gdpr.eu/) úprava, ktoré API budú potrebovať prepracovanie?“ a okamžite dostať kvantifikovanú predikciu dopadu.

---

## 2. Vysoká úroveň architektúry

```mermaid
graph LR
    A[Príjem prúdu udalostí] --> B[Staviteľ časovo orientovaného KG]
    B --> C[Konstruktor kauzálneho grafu]
    C --> D[Tréningová pipeline]
    D --> E[Model Causal‑GNN]
    E --> F[Služba inferencie v reálnom čase]
    F --> G[Synchronizácia roadmapy (GitOps)]
    F --> H[Dashboard vysvetliteľnosti]
    I[Úložisko politík súladu] --> C
    J[Registrácia produktových funkcií] --> B
    K[Audit log] --> D
```

*Obrázok 1 – End‑to‑end pipeline predikcie kauzálneho súladu.*

1. **Príjem prúdu udalostí** – Kafka, Pulsar alebo Azure Event Hubs prijímajú oznámenia o reguláciách, aktualizácie politík a interné záznamy zmien.  
2. **Staviteľ časovo orientovaného KG** – Normalizuje udalosti do časovo orientovaného KG (entity: regulácie, funkcie, kontroly; vzťahy: „ovplyvňuje“, „vyžaduje“).  
3. **Konstruktor kauzálneho grafu** – Aplikuje doménovo špecifické objavovanie kauzality (napr. PC algoritmus, NOTEARS) na orientáciu hrán a priradenie skóre istoty.  
4. **Tréningová pipeline** – Generuje supervízované a samosupervízované úlohy (predikcia hrán, proti‑skutočná strata) na trénovanie Causal‑GNN.  
5. **Služba inferencie v reálnom čase** – Exponuje gRPC/REST endpoint, ktorý prijíma scenár „čo‑ak“ a vracia skóre dopadu pre každú funkciu.  
6. **Synchronizácia roadmapy (GitOps)** – Automaticky otvorí pull request v repozitári produktovej roadmapy s navrhovanými úpravami a odôvodnením.  
7. **Dashboard vysvetliteľnosti** – Vizualizuje kauzálny podgraf, ktorý spustil každú predikciu, podporujúc audit a revízie súladu.

---

## 3. Kontinuálny event‑driven príjem dát

### 3.1 Zdroje

| Zdroj | Príklad | Normalizácia |
|-------|---------|--------------|
| Regulačné kanály (EÚ, USA, APAC) | XML/JSON z EUR‑LEX, Federal Register | Entita: `Regulation`, atribúty: `jurisdikcia`, `dátumÚčinnosti`, `hashTextu`. |
| Interný repozitár politík (Git) | Markdown súbory politík | Entita: `Policy`, vzťah: `implementuje` → `Regulation`. |
| Záznamy zmien produktu (Jira, Git commity) | Issue #1234 „Pridať šifrovanie v pokoji“ | Entita: `Feature`, vzťah: `modifikuje` → `Control`. |
| Externé hrozby (STIX) | Aktualizácie MITRE ATT&CK | Entita: `Threat`, vzťah: `odhaľuje` → `Control`. |

### 3.2 Streaming pipeline

```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"
```

*Obrázok 2 – Minimalistický GoAT‑style pipeline (ilustrované; skutočná implementácia používa Kafka Connect alebo Flink).*

Pipeline zaručuje **presne‑jednorazovú** semantiku, čo je kľúčové pre objavovanie kauzality, kde duplicitné hrany skresľujú odhady istoty.

---

## 4. Budovanie kauzálneho znalostného grafu

### 4.1 Model časovo orientovaného KG

Každý trojčlen je uložený s intervalom platnosti `[t_start, t_end]`. Príklad:

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

Časové indexovanie umožňuje **časovo rozdelené** objavovanie kauzality, takže model môže naučiť, že dopad regulácie sa môže vyvíjať (napr. počiatočný termín súladu vs. neskoršie vymáhanie).

### 4.2 Objavovanie kauzality

1. **Na základe obmedzení** – PC algoritmus na matici susednosti odvodený z ko‑výskytov.  
2. **Na základe skóre** – NOTEARS s penalizáciou riedkosti, aby sa predišlo prepojeniu grafu.  
3. **Doménové predpoklady** – Zakódovať známe regulačné hierarchie (napr. „Zákon o ochrane dát → Kategória osobných údajov“) ako tvrdé obmedzenia.

Výstupom je **orientovaný acyklický graf (DAG)**, kde každá hrana nesie váhu `w ∈ [0,1]` predstavujúcu silu príčiny.

---

## 5. Tréning Causal‑GNN

### 5.1 Výber modelu

Používame **Relational Graph Convolutional Network (RGCN)** rozšírený o **Temporal Attention**, aby sme zachytili časovo meniaci sa vplyv.

```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 Straty

* **Strata predikcie hrany** – binárna krížová entropia na pozorovaných hranách.  
* **Protikladová (counterfactual) strata** – pre každú tréningovú udalosť `e` vytvoríme syntetickú verziu „čo‑ak“, kde je regulácia preklopená; penalizujeme odchýlku od skutočného dopadu.  
* **Regularizácia** – L1 na váhach hrán na podporu riedkosti, čo je v súlade s dôverou v objavenú kauzálnu štruktúru.

### 5.3 Tréningový režim

| Fáza | Dáta | Cieľ |
|------|------|------|
| Zahriatie | Historický statický KG | Len strata predikcie hrany |
| Jemné doladenie kauzality | Posúvajúce sa 30‑dňové okná | Protikladová strata + strata predikcie |
| Online aktualizácia | Prúd v reálnom čase (mini‑batch) | Inkremetálny gradient, úbytok váhy |

Tréning beží na GPU‑poddotovanom Kubernetes clustri; kontrolné body modelu sú verzované v **MLflow** registri, čo umožňuje reprodukovateľné audity.

---

## 6. Služba inferencie v reálnom čase

Služba prijíma **payload scenára**:

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

Služba:

1. Načíta podgraf dosiahnuteľný z regulácie v nastavenom horizonte (napr. 3 skoky).  
2. Použije Causal‑GNN na výpočet **vektora dopadu** `I_f ∈ [0,1]^N`, kde `N` je počet funkcií.  
3. Vráti zoradený zoznam funkcií s dôveryhodnosťou a **kauzálnym sledom** (minimálna množina hrán, ktorá vysvetľuje skóre).

Príklad odpovede:

```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"
}
```

Služba je kontajnerizovaná, automaticky škáluje pomocou **KEDA** a je zabezpečená vzájomným TLS.

---

## 7. Vkladanie predikcií do produktových roadmap (GitOps)

### 7.1 Automatizácia pull‑requestov

**GitHub Action** sleduje endpoint inferencie. Keď predikcia prekročí konfigurovateľný prah rizika (napr. `score > 0.8`), vykoná nasledujúce kroky:

1. Vygeneruje markdown súbor `compliance/impact-<regulation>.md` so zhrnutím predikcie.  
2. Otvorí PR proti repozitáru roadmapy, ktorý pridá nový míľnik alebo upraví dátumy sprintov.  
3. Označí zodpovedného produktového vlastníka a vedúceho súladu.

### 7.2 Ľudská kontrola (Human‑In‑the‑Loop)

Šablóna PR obsahuje **diagram kauzálneho sledovania** (Mermaid), ktorý môžu produktoví vlastníci rozbaliť:

```mermaid
graph TD
    R["Regulácia GDPR‑2024‑Art‑15"] --> F1["Funkcia: UserDataExport"]
    F1 --> C1["Kontrola: DataEncryption"]
    R --> C2["Kontrola: RetentionPolicy"]
```

Zainteresované strany môžu komentovať, požadovať ďalšie dôkazy alebo schváliť zmenu, čím sa zabezpečí auditovateľnosť AI návrhov.

---

## 8. Governance, vysvetliteľnosť a audit

| Obava | Riešenie |
|-------|----------|
| **Modelový drift** | Týždenné pretrénovanie s čerstvými oknami udalostí; monitorovanie validačnej straty. |
| **Zaujatosti v objavovaní kauzality** | Vynútenie doménových obmedzení; spúšťanie kontrol spravodlivosti na váhach hrán. |
| **Regulačný audit** | Ukladanie každého požiadavku a odpovede do nemenného ledgeru (napr. AWS QLDB). |
| **Vysvetliteľnosť** | Poskytovanie skóre istoty pre každú hranu; možnosť rozbaliť na zdrojové dokumenty. |
| **Ochrana osobných údajov** | Všetky pipeline maskujú PII; použitie diferenciálnej ochrany pri agregácii počtov pre objavovanie kauzality. |

---

## 9. Kontrolný zoznam implementácie

- [ ] Nasadiť platformu pre prúdenie udalostí (Kafka) a definovať témy.  
- [ ] Vytvoriť službu časovo orientovaného KG s Neo4j alebo JanusGraph (časovo indexované hrany).  
- [ ] Implementovať pipeline objavovania kauzality (PC/NOTEARS) s doménovými predpokladmi.  
- [ ] Vyvinúť model Causal‑GNN a tréningové skripty (PyTorch Geometric).  
- [ ] Nasadiť službu inferencie s autoscalingom a mTLS.  
- [ ] Vytvoriť GitHub Action pre automatizáciu PR a generovanie Mermaid diagramov.  
- [ ] Integrovať auditné logovanie do nemenného úložiska.  
- [ ] Nastaviť monitorovacie dashboardy (Prometheus + Grafana) pre latenciu, chybové stavy a zdravie modelu.  

---

## 10. Budúce smerovanie

1. **Fúzia multimodálnych dôkazov** – Kombinovať textové úryvky politík, OCR výstupy PDF a štruktúrovaný STIX intel do jednotného vkladania uzlov.  
2. **Validácia pomocou Zero‑Knowledge Proofs** – Umožniť dodávateľom preukázať súlad bez odhalenia proprietárnych detailov, pričom dôkaz sa vloží do grafu ako dôveryhodná hrana.  
3. **Samoliečivý KG** – Použiť reinforcement learning na automatické navrhovanie opráv hrán, keď audity odhalia falošné pozitíva.  
4. **Transfer learning naprieč reguláciami** – Predtrénovať Causal‑GNN na globálnom korpuse regulácií a následne doladiť pre konkrétnu jurisdikciu, čím sa znížia požiadavky na dáta.  

---

## Záver

Kauzálne AI mení súlad z reaktívneho kontrolného zoznamu na **prediktívny rozhodovací motor**, ktorý hovorí jazykom produktových roadmap. Spojením kontinuálnych prúdov udalostí, časovo orientovaného znalostného grafu a špeciálne navrhnutej Causal‑GNN môžu organizácie predpovedať regulačný dopad v sekundách, spúšťať proti‑skutočné „čo‑ak“ simulácie a automaticky zosúladiť vývojové plány cez GitOps. Výsledkom je **jediný zdroj pravdy**, ktorý udržiava regulačné, inžinierske a obchodné zainteresované strany v synchronizácii – premieňa regulačnú turbulenciu na strategickú výhodu.

---

## Pozri tiež

- [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/)