
# Kauzálny kontrafaktuálny naratívny engine pre generovanie reálnych časových multi‑regulačných súladov

## Úvod

Podniky pôsobiace na viacerých trhoch čelia neustálemu prúdu regulačných aktualizácií. Tradičné súladové potrubia sa spoliehajú na manuálnu interpretáciu, pravidlovo‑založené mapovanie a periodické reportovanie – procesy, ktoré sú pomalé, náchylné na chyby a nákladné. Nedávny pokrok vo veľkých jazykových modeloch (LLM) umožnil **generatívne súladové naratívy**, ale väčšina riešení stále funguje ako čierne skrinky: generujú text bez vysvetlenia *prečo* je konkrétna kontrola alebo mitigácia odporúčaná.

**Kauzálny kontrafaktuálny naratívny engine (CCNE)** túto medzeru zapĺňa. Vytvorením kauzálneho grafu regulačných požiadaviek, obchodných procesov a rizikových faktorov môže engine klásť otázky typu „čo‑ak“, generovať kontrafaktuálne scenáre a produkovať naratívy, ktoré sú zároveň **reálne‑časové** a **vysvetliteľné**. Tento článok prechádza konceptuálnymi základmi, technickou architektúrou a praktickými krokmi nasadenia CCNE, ktorý funguje naprieč viacerými regulačnými režimami.

## Prečo sú kauzálne kontrafaktuály dôležité

1. **Pochopenie príčiny** – Kauzálne grafy odhaľujú základné hnacie sily rizika súladu (napr. „Doba uchovávania dát → [GDPR](https://gdpr.eu/) článok 5 súlad“). Keď sa regulácia zmení, dopad sa šíri grafom a okamžite zvýrazní ovplyvnené kontroly.

2. **Preskúmanie čo‑ak** – Kontrafaktuálne uvažovanie umožňuje úradníkom súladu klásť otázky typu „Ak znížime uchovávanie dát na 30 dní, splníme stále [ISO 27001](https://www.iso.org/standard/27001) A.8.2?“ Engine simuluje výsledok a vygeneruje naratív, ktorý vysvetľuje kompromis.

3. **Auditovateľnosť** – Každé odporúčanie je podložené sledovateľnou kauzálnou cestou a kontrafaktuálnym dôkazom, čo spĺňa požiadavky auditorov na dôkazy nad rámec vygenerovaného odseku.

4. **Regulačná harmónia** – Zarovnaním viacerých ontológií na spoločný kauzálny základ môže engine zosúladiť konfliktné požiadavky (napr. rozdielne pravidlá o lokalite dát v GDPR vs. CCPA) a vytvoriť jednotný naratív.

## Prehľad architektúry

CCNE pozostáva z piatich úzko prepojených vrstiev:

1. **Ingestia a zarovnanie ontológie** – Streamuje regulačné texty, interné politiky a metadáta procesov do jednotného znalostného grafu.  
2. **Staviteľ kauzálneho grafu** – Extrahuje vzťahy príčina‑účinok pomocou LLM‑augmentovaného extrahovania informácií a ukladá ich ako smerované hrany.  
3. **Kontrafaktuálny engine** – Generuje alternatívne svety prepínaním stavov uzlov a hodnotí dopad na súlad pomocou pravdepodobnostného inferovania.  
4. **Generatívna naratívna vrstva** – Podmieňuje LLM na kauzálnej ceste a kontrafaktuálnych dôkazoch, aby vytvorila ľudsky čitateľné vysvetlenia.  
5. **Orchestrácia a reálny‑časové API** – Obsluhuje požiadavky, riadi latenciu a zaznamenáva provenance pre auditné stopy.

Nižšie je vysoká úroveň diagramu Mermaid zobrazujúca tok dát.

```mermaid
graph LR
    A["Regulačný kanál"] --> B["Ingesta služba"]
    C["Úložisko firemných politík"] --> B
    D["Jezero procesných metadát"] --> B
    B --> E["Zjednotený znalostný graf"]
    E --> F["Staviteľ kauzálneho grafu"]
    F --> G["Úložisko kauzálneho grafu"]
    G --> H["Kontrafaktuálny engine"]
    H --> I["Generátor naratívu"]
    I --> J["Reálny‑časové API"]
    J --> K["Dashboard súladu"]
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style K fill:#bbf,stroke:#333,stroke-width:2px
```

## Ingestia dát a zarovnanie ontológie

### Streamovanie z viacerých zdrojov

- **Regulačné kanály** (EU Gazette, SEC EDGAR, miestne agentúry) sa konzumujú cez RSS, API alebo web‑scrapery.  
- **Interné artefakty** (politiky, SOP, registre rizík) sa ťahajú z dokumentových systémov pomocou konektorov.  
- **Telemetria procesov** (logy workflow, IAM udalosti) prúdi z event hubov (Kafka, Pulsar) do surového jazera.

### Normalizačný pipeline

1. **Predspracovanie textu** – OCR pre skenované PDF, detekcia jazyka a tokenizácia.  
2. **Sémantické rozdelenie** – Rozkladá dlhé zákony na atomické klauzuly pomocou LLM‑riadeného segmentovania.  
3. **Mapovanie ontológie** – Zarovná každú klauzulu na spoločný meta‑model (napr. `DataRetention`, `AccessControl`, `AuditLog`) cez **Prompt‑Based Entity Resolver**.

### Vrstva tokenových incentív (voliteľná)

Na podporu externých regulátorov alebo partnerov, aby prispievali kvalitnými metadátami, platforma môže vydávať **compliance tokeny** na povolenom ledgeri. Tokeny sa udeľujú za overené mapovania a môžu sa vymeniť za analytické kredity.

## Konštrukcia kauzálneho grafu

### Techniky extrakcie

- **Dependency parsing** identifikuje slovesá naznačujúce kauzalitu („musí uchovávať“, „musí šifrovať“).  
- **LLM‑augmentované ťažobné vzory** vyzývajú model, aby označil páry príčina‑účinok, napr. „Ak je `EncryptionAtRest` povolené, potom `DataBreachRisk` klesá“.

### Schéma grafu

| Typ uzla | Príklad | Atribúty |
|----------|---------|----------|
| RegulationClause | “GDPR Art 5(1)(a)” | `source`, `effectiveDate` |
| Control | “AES‑256 Encryption” | `implementationStatus`, `cost` |
| RiskFactor | “Unauthorized Access” | `probability`, `impactScore` |
| BusinessProcess | “Customer Data Export” | `owner`, `frequency` |

Hrany nesú **kauzálnu váhu** (0‑1) odvodenú z dôveryhodnosti. Graf je uložený v **property graph databáze** (Neo4j, JanusGraph) pre rýchle prechádzanie.

## Modul kontrafaktuálneho uvažovania

### Engine „čo‑ak“

Engine využíva **pravdepodobnostné grafové modely** (Bayesovské siete) postavené na kauzálnom grafe. Na vyhodnotenie kontrafaktuálu:

1. **Intervencia** – Nastaví stav uzla (napr. `DataRetention = 30 days`).  
2. **Do‑calculi** – Propaguje intervenciu cez sieť, prepočítava posteriorné pravdepodobnosti pre podriadené rizikové uzly.  
3. **Skórovanie výsledku** – Porovná nový profil rizika s prahmi súladu.

### Príklad dotazu

> *„Ak nahradíme on‑premise logging cloud‑based SIEM, splníme stále [ISO 27001](https://www.iso.org/standard/27001) A.12.4?“*

Engine intervenuje na `LoggingSolution = CloudSIEM`, spustí inferenciu a vráti pravdepodobnosť súladu (napr. 0.92). Výsledok sa následne odovzdá generátoru naratívu.

## Generatívna naratívna vrstva

### Inžinierstvo promptov

LLM dostane štruktúrovaný prompt obsahujúci:

- **Regulačný kontext** (text klauzuly, jurisdikcia)  
- **Kauzálnu cestu** (zoznam uzlov a hrán)  
- **Výsledok kontrafaktuálu** (pravdepodobnosť, delta rizika)  
- **Direktívy tónu** (stručný, výkonný súhrn, technické detaily)

Príklad (zjednodušený):

```
You are a compliance analyst. Explain why switching to CloudSIEM improves ISO 27001 A.12.4 compliance. Include the causal chain: CloudSIEM → RealTimeLogAggregation → ReducedLogLoss → ComplianceScore 0.92. Keep the tone professional and include a brief recommendation.
```

### Výstupné funkcie

- **Odsek vysvetlenia** – ľudsky čitateľný naratív.  
- **Tabuľka dôkazov** – Markdown tabuľka spájajúca každé tvrdenie s ID uzla grafu.  
- **Auditný hash** – SHA‑256 kauzálnej cesty, uložený na nemennom ledgeri pre neskoršiu verifikáciu.

## Reálny‑časová orchestrácia

### Riadenie latencie

- **Cache vrstva** ukladá nedávne kontrafaktuálne výsledky pre opakované dotazy (napr. bežné scenáre „30‑dňová retencia“).  
- **Asynchrónne spracovanie** – Ťažké aktualizácie grafu bežia v pozadí; API vracia stav „pending“ s webhookom pre dokončenie.

### Zmluva API

```json
POST /api/v1/compliance/narrative
{
  "regulation": "GDPR",
  "clause": "Art5(1)(a)",
  "intervention": {"DataRetentionDays": 30},
  "outputFormat": "markdown"
}
```

Odpoveď obsahuje `narrative`, `evidenceTable` a `auditHash`.

## Vysvetliteľnosť a audit

1. **Provenance graf** – Každý naratív odkazuje na presné kauzálne hrany použité pri jeho tvorbe.  
2. **Kontrafaktuálny sled** – Na požiadanie sa môže vygenerovať vizuálny Mermaid diagram zobrazujúci intervenciu a ovplyvnené uzly.  
3. **Nemenný ledger** – Použitie povoleného blockchainu (napr. Hyperledger Fabric) na uloženie `auditHash` zabezpečuje dôkaz o nezmeniteľnosti.

### Ukážkový Mermaid diagram kontrafaktuálu

```mermaid
graph TD
    A["DataRetention = 90 days"] --> B["Risk: Data Breach = 0.15"]
    C["Intervention: DataRetention = 30 days"] --> D["Risk: Data Breach = 0.07"]
    style C fill:#ff9,stroke:#333,stroke-width:2px
    style D fill:#9f9,stroke:#333,stroke-width:2px
```

## Nasadzovacie úvahy

| Oblasť | Odporúčanie |
|--------|-------------|
| **Škálovateľnosť** | Nasadiť kauzálny graf v distribuovanej grafovej databáze; použiť Kubernetes pre stateless služby. |
| **Bezpečnosť** | Šifrovať dáta v pokoji, uplatňovať zero‑trust sieťové politiky a izolovať token‑minting služby. |
| **Súlad** | Zarovnať platformu samotnú s [ISO 27001](https://www.iso.org/standard/27001) a [SOC 2](https://secureframe.com/hub/soc-2/what-is-soc-2); udržiavať samostatný úložiskový dôkaz pre požiadavky regulátorov. |
| **Monitorovanie** | Sledovať latenciu, dôveru inferencie a zdravie tokenovej ekonomiky cez Prometheus + Grafana dashboardy. |

## Budúce smerovanie

- **Meta‑learning pre optimalizáciu promptov** – Neustále doladiť LLM na základe spätnej väzby používateľov, aby sa zvýšila relevantnosť naratívov.  
- **Multimodálne dôkazy** – Zapracovať vizuálne artefakty (napr. screenshoty UI kontrol) pomocou vision‑enabled LLM.  
- **Prenos naprieč doménami** – Využiť naučené kauzálne vzory z financií na urýchlenie súladu v zdravotníctve.  
- **Samoliečivé grafy** – Detekovať zastarané hrany pomocou drift detection a automaticky spúšťať retraining extrakčných modelov.

## Záver

**Kauzálny kontrafaktuálny naratívny engine** transformuje súlad z reaktívneho kontrolného zoznamu na proaktívny, vysvetliteľný systém rozhodovacej podpory. Spojením kauzálnej analýzy grafov, kontrafaktuálnej simulácie a generatívnej AI získavajú organizácie okamžité, auditovateľné naratívy, ktoré sa v reálnom čase prispôsobujú regulačným zmenám. Implementácia vyššie načrtnutej architektúry vybavuje podniky transparentnosťou, ktorú regulátori požadujú, a agilitou, ktorú moderný trh vyžaduje.

## Ďalšie zdroje

- [Counterfactual Reasoning in Large Language Models – arXiv preprint](https://arxiv.org/abs/2403.01234)