# AI‑poháňaný rozhodovací engine pre reálnu časovú súladnosť s kontrafaktuálnym uvažovaním

Podniky dnes čelia neúprosnému prúdu regulačných aktualizácií, posunu politík a konfliktom naprieč jurisdikciami. Tradičné pravidlovo‑založené systémy súladu reagujú pomaly, často až po tom, čo už došlo k porušeniu. Aby sa prešlo z **reaktívneho** na **proaktívny** súlad, organizácie potrebujú engine, ktorý dokáže **okamžite uvažovať o scenároch „čo‑ak“**, vysvetliť svoje závery a prispôsobiť sa vývoju politík.

V tomto článku preskúmame **nový AI‑poháňaný rozhodovací engine pre reálnu časovú súladnosť**, postavený na troch pilieroch:

1. **Kontrafaktuálne uvažovanie** – pýtanie sa „Čo by sa stalo, keby sme zmenili X?“  
2. **Kauzálne grafové neurónové siete (CGNN)** – učenie skrytej príčinnovo‑dôsledkovej štruktúry regulačných ekosystémov.  
3. **Udalostne‑riadené prúdy dát** – príjem zmien politík, auditných logov a operačnej telemetrie v milisekundách.

Spoločne tieto komponenty vytvárajú platformu **Decision‑as‑Code**, ktorá poskytuje **okamžité, vysvetliteľné verdikty o súlade** pre akúkoľvek prichádzajúcu požiadavku – či už ide o bezpečnostný dotazník SaaS, klauzulu zmluvy alebo zmenu produktovej roadmapy.

---

## 1. Prečo je kontrafaktuálne uvažovanie dôležité pre súlad

Súlad je v podstate o **zmierňovaní rizík**. Regulačný orgán môže zakázať určitú činnosť spracovania dát, ale skutočná otázka pre podnik je **„Ak upravíme tento krok, dosiahneme stále obchodný cieľ a zostaneme v súlade?“** Kontrafaktuálne uvažovanie poskytuje odpoveď simuláciou alternatívnych svetov bez ich skutočnej realizácie.

### 1.1 Od binárnych kontrol k pravdepodobnostným „čo‑ak“

| Tradičný pravidlový engine | Kontrafaktuálny engine |
|----------------------------|------------------------|
| Vracia **schválenie/odmietnutie** na základe statických pravidiel. | Vracia **pravdepodobnostné rozdelenie** výsledkov pre viacero hypotetických zmien. |
| Neposkytuje informáciu *prečo* pravidlo zlyhalo. | Generuje **kauzálne vysvetlenie**, ktoré spája zmenu s dopadom na súlad. |
| Vyžaduje manuálne aktualizácie pravidiel pre každú novú reguláciu. | Učí **kauzálne vzťahy** z dát, čím znižuje potrebu manuálnej údržby. |

### 1.2 Praktický príklad

FinTech startup chce **ukladať používateľské transakčné logy v novej cloudovej oblasti**. Engine pre súlad vyhodnocuje:

- **Skutočný svet**: Aktuálna oblasť spĺňa požiadavky [GDPR](https://gdpr.eu/), nová oblasť nie.  
- **Kontrafaktuálny svet**: „Čo ak šifrujeme logy pomocou európskych schválených služieb správy kľúčov?“  
- **Výsledok**: Engine predpovedá **92 % pravdepodobnosť súladu** a poskytne krok‑za‑krokom plán mitigácie.

Rozhodnutie je doručené **za menej ako 200 ms**, čo tímu produktu umožní pokračovať bez čakania na manuálny audit.

---

## 2. Kauzálne grafové neurónové siete: Mozog engine

**Kauzálna grafová neurónová sieť (CGNN)** rozširuje klasické GNN o **smerové príčinné hrany**, ktoré sa učia z historických incidentov súladu, politických dokumentov a auditných trás. Na rozdiel od modelov pracujúcich iba s koreláciou, CGNN dokáže odpovedať na **dotazy o intervenciách** – presne to, čo kontrafaktuálne uvažovanie vyžaduje.

### 2.1 Budovanie kauzálneho znalostného grafu

1. **Typy uzlov** – Regulácie, Kontroly, Dátové aktíva, Obchodné procesy, Indikátory rizika.  
2. **Typy hrán** – *vynucuje*, *závisí_na*, *mitiguje*, *konfliktuje_s*.  
3. **Temporálna vrstva** – Zachytáva verzovanie politík a ich posun v čase.

```mermaid
graph TD
    "Regulácia A" -->|"vynucuje"| "Kontrola X"
    "Kontrola X" -->|"závisí_na"| "Dátové aktívum D"
    "Dátové aktívum D" -->|"exponuje"| "Indikátor rizika R"
    "Regulácia B" -->|"konfliktuje_s"| "Kontrola X"
    "Aktualizácia politiky" -->|"aktualizuje"| "Regulácia A"
```

Graf sa **automaticky napĺňa** pomocou:

- **Document AI** na extrakciu entít z PDF, webových stránok a právnych textov.  
- **Prúdy udalostí** (Kafka, Pulsar), ktoré posielajú notifikácie o zmenách politík.  
- **Spätných väzieb**, kde audítori označujú falošné pozitíva/negatíva, čím sa upresňujú váhy hrán.

### 2.2 Tréning CGNN

- **Supervízovaný loss** na známych výsledkoch súladu (schválené/odmietnuté).  
- **Kauzálna regularizácia**, ktorá penalizuje cykly porušujúce známe regulačné hierarchie.  
- **Temporálne kontrastné učenie** na odlíšenie skutočného posunu od šumu.

Výsledný model dokáže **propagovať intervenciu** (napr. „šifrovať dáta“) cez graf a vypočítať následný dopad na riziko nesúladu.

---

## 3. Prehľad architektúry v reálnom čase

Nižšie je vysoká úroveň diagramu celého systému. Všetky komponenty komunikujú cez **event‑driven API**, čím sa zabezpečuje podsekundová latencia.

```mermaid
flowchart LR
    subgraph Ingestion
        A[Prúd zmien politík] -->|Kafka| B[Procesor politík]
        C[Operačná telemetria] -->|Kafka| B
        D[Užívateľská požiadavka (napr. dotazník)] -->|REST| E[Router požiadaviek]
    end
    B -->|Aktualizácia| G[Úložisko znalostného grafu]
    E -->|Dotaz| F[Rozhodovacia služba]
    F -->|Volá| G
    F -->|Volá| H[Kontrafaktuálny engine]
    H -->|Používa| I[CGNN inference]
    I -->|Vracia| H
    H -->|Poskytuje| J[Vysvetliteľný verdikt]
    J -->|REST| E
    E -->|Odpoveď| D
```

**Kľúčové charakteristiky**

- **Škálovateľnosť** – Bezstavové mikroservisy je možné automaticky škálovať za service mesh.  
- **Pozorovateľnosť** – OpenTelemetry zachytáva každý zásah pre auditovateľnosť.  
- **Bezpečnosť** – Všetky dáta v pokoji sú šifrované; zmeny politík sú podpísané certifikátmi X.509.

---

## 4. Detailný pracovný tok rozhodovania

1. **Príchod požiadavky** – SaaS poskytovateľ odošle odpoveď na bezpečnostný dotazník.  
2. **Routing** – Router požiadaviek identifikuje relevantné domény politík (napr. [ISO 27001](https://www.iso.org/standard/27001) / GDPR).  
3. **Dotaz na graf** – Rozhodovacia služba vyextrahuje podgraf obsahujúci dotknuté kontroly a aktíva.  
4. **Generovanie kontrafaktuálov** – Kontrafaktuálny engine navrhne minimálne intervencie (napr. pridať šifrovanie, zmeniť rezidenciu dát).  
5. **Kauzálna inferencia** – CGNN vyhodnotí každú intervenciu, vráti pravdepodobnosť súladu a kauzálnu cestu.  
6. **Vysvetliteľnosť** – Engine zostaví ľudsky čitateľný príbeh: „Šifrovanie poľa X algoritmom Y znižuje expozíciu GDPR o 78 %, pretože prerušuje hranu *exponuje* k indikátoru rizika R.“  
7. **Odpoveď** – Poskytovateľ dostane okamžitý verdikt spolu s konkrétnymi krokmi na nápravu.

Celý cyklus zvyčajne trvá **150‑250 ms**, čo spĺňa latenciu požadovanú pre interaktívne portály súladu.

---

## 5. Spracovanie posunu politík pomocou kontinuálneho učenia

Regulačné prostredie sa mení; **detektor posunu politík** monitoruje graf na štrukturálne zmeny:

- **Posun váhy hrany** – Ak klesne účinnosť kontroly, systém to označí.  
- **Vkladanie nových uzlov** – Nové regulácie spustia automatickú extrakciu entít.  
- **Detekcia konfliktov** – Graf sa skenuje na protichodné hrany (napr. dve regulácie, ktoré nemožno splniť súčasne).

Pri detekcii posunu sa automaticky spustí **pipeline retréningu CGNN**, ktorý ingestuje najnovšie označené incidenty. Tento **uzavretý cyklus učenia** zabezpečuje, že engine zostane aktuálny bez manuálnych úprav pravidiel.

---

## 6. Vysvetliteľnosť a auditovateľné záznamy

Audítori požadujú **transparentné odôvodnenie**. Engine zaznamenáva každú inferenciu do nemenného ledgeru (napr. blockchain‑backed append‑only log). Každý záznam obsahuje:

- **Časovú známku**  
- **Hash vstupnej požiadavky**  
- **Sadu vyhodnotených intervencií**  
- **CGNN skóre inferencie**  
- **Vygenerované vysvetlenie**  

Audítori môžu akúkoľvek rozhodnutie prehrať, overiť kauzálnu cestu a potvrdiť, že model dodržiaval najnovšiu verziu politiky.

---

## 7. Integračné vzory

| Cieľ integrácie | Metóda | Výhody |
|-----------------|--------|--------|
| **CI/CD pipeline** | GitOps webhook → Rozhodovacia služba | Zabraňuje nasadeniu nekompatibilného kódu do produkcie. |
| **Bezpečnostné dotazníky** | REST API plug‑in pre SaaS trust stránky | Poskytuje okamžité AI‑generované odpovede s odkazmi na dôkazy. |
| **Produktové roadmapy** | Prúd udalostí z JIRA → Kontrafaktuálny engine | Predpovedá dopad na súlad pri uvoľňovaní nových funkcií. |
| **Platformy rizika dodávateľov** | GraphQL federácia → Úložisko grafu | Zjednocuje skóre rizika viacerých dodávateľov pod jedným kauzálnym modelom. |

---

## 8. Výkonnostné benchmarky

| Metrika | Hodnota |
|--------|---------|
| **Priemerná latencia (end‑to‑end)** | 182 ms |
| **Priepustnosť (požiadaviek/sekunda)** | 12 k |
| **Veľkosť modelu (CGNN)** | 45 M parametrov |
| **Čas tréningu (celý cyklus posunu)** | 3 hodiny na 8‑GPU uzle |
| **Latencia vysvetliteľnosti** | 35 ms (generovanie textu) |

Benchmarky boli vykonané na Kubernetes klastri (4 vCPU, 16 GB RAM na pod) s dedikovaným GPU pre inferenciu CGNN.

---

## 9. Budúce smerovanie

1. **Multimodálne fúzie dôkazov** – Kombinovať textové úryvky politík, úryvky kódu a snímky UI pre bohatšie kauzálne hrany.  
2. **Federované učenie medzi podnikovými subjektmi** – Zdieľať anonymizované aktualizácie grafu na zlepšenie globálnej inteligencie o súlade pri zachovaní súkromia dát.  
3. **Generatívne kontrafaktuálne príbehy** – Využiť LLM na tvorbu prirodzených návodov na nápravu prispôsobených tónu a štýlu organizácie.  
4. **Nasadenie na okraji (edge)** – Presunúť ľahkú CGNN inferenciu na edge zariadenia pre on‑prem kontrolu súladu v prísne regulovaných prostrediach (napr. medicínske zariadenia).

---

## 10. Ako začať

Ak máte záujem prototypovať tento engine:

1. **Naklonujte referenčný repozitár** – `git clone https://github.com/example/compliance‑counterfactual‑engine`  
2. **Nasadte stack** – `docker compose up -d` (obsahuje Kafka, Neo4j, FastAPI služby).  
3. **Načítajte vzorové politiky** – spustite `python scripts/ingest_policies.py data/policies/`.  
4. **Pošlite testovaciu požiadavku** – `curl -X POST http://localhost:8000/decide -d '{"scenario":"store logs in EU region","interventions":["encrypt"]}'`.  

Odpoveď bude obsahovať pravdepodobnosť súladu a vysvetliteľný príbeh.