# Karşı‑olay Akıl Yürütmesiyle AI Destekli Gerçek Zamanlı Uyumluluk Karar Motoru

Günümüz işletmeleri, sürekli güncellenen düzenleyici değişiklikler, politika kaymaları ve sınır ötesi çelişkilerle başa çıkmak zorunda. Geleneksel kural‑tabanlı uyumluluk sistemleri yavaş yanıt verir; çoğu zaman bir ihlal gerçekleştiğinde müdahale ederler. **Reaktif** uyumluluktan **proaktif** uyumluluğa geçmek için, organizasyonların **“eğer‑olsaydı” senaryolarını anında değerlendirebilen**, sonuçlarını açıklayabilen ve politikalar evrimleştikçe uyum sağlayabilen bir motora ihtiyacı var.  

Bu makalede, üç temel üzerine inşa edilmiş **yeni bir AI‑destekli gerçek‑zamanlı uyumluluk karar motorunu** inceliyoruz:

1. **Karşı‑olay Akıl Yürütmesi** – “X’i değiştirirsek ne olur?” sorusunu sorar.  
2. **Nedensel Grafik Sinir Ağları (CGNN’ler)** – düzenleyici ekosistemlerin gizli neden‑sonuç yapısını öğrenir.  
3. **Olay‑Tabanlı Veri Akışları** – politika değişikliklerini, denetim günlüklerini ve operasyonel telemetrileri milisaniyeler içinde alır.

Bu bileşenler birlikte, **Kod‑Olarak‑Karar** platformu oluşturarak **her gelen istek için anlık, açıklanabilir uyumluluk kararları** verir—ister bir SaaS güvenlik anketi, ister bir sözleşme maddesi, ister bir ürün yol haritası değişikliği olsun.

---

## 1. Karşı‑olay Akıl Yürütmesinin Uyumluluk İçin Önemi

Uyumluluk temelde **risk azaltma**dır. Bir düzenleyici bir veri‑işleme faaliyetini yasaklayabilir, ancak bir işletme için gerçek soru **“Bu adımı değiştirirsek hâlâ iş hedefini karşılayıp aynı zamanda uyumlu kalır mıyız?”** şeklindedir. Karşı‑olay akıl yürütmesi, alternatif dünyaları gerçek‑zamanlı simüle ederek bu soruya yanıt verir; bunu da uygulamaya koymadan yapar.

### 1.1 İkili Kontrollerden Olasılıksal “Eğer‑Olsaydı” Analizlerine

| Geleneksel Kural Motoru | Karşı‑olay Motoru |
|--------------------------|-------------------|
| Statik kurallara dayanarak **geçti/kaldı** döndürür. | Birden çok varsayımsal değişiklik için **olasılık dağılımı** döndürür. |
| Kuralın neden başarısız olduğuna dair içgörü yoktur. | **Nedensel açıklama** üretir; değişikliğin uyumluluk üzerindeki etkisini gösterir. |
| Her yeni düzenleme için manuel kural güncellemesi gerekir. | Veriden **nedensel ilişkileri** öğrenir; manuel bakım ihtiyacını azaltır. |

### 1.2 Gerçek Dünya Örneği

Bir fintech girişimi, **kullanıcı işlem günlüklerini yeni bir bulut bölgesinde depolamak** istiyor. Uyumluluk motoru şu şekilde değerlendirir:

- **Gerçek dünya**: Mevcut bölge [GDPR](https://gdpr.eu/) ile uyumlu, ancak yeni bölge uyumlu değil.  
- **Karşı‑olay dünya**: “Günlükleri Avrupa‑onaylı bir anahtar yönetim hizmetiyle şifrelersek ne olur?”  
- **Sonuç**: Motor **%92 uyumluluk olasılığı** tahmin eder ve adım‑adım bir azaltma planı sunar.

Karar **200 ms** altında verilir; böylece ürün ekibi manuel denetim beklemeden ilerleyebilir.

---

## 2. Nedensel Grafik Sinir Ağları: Motorun Beyni

**Nedensel Grafik Sinir Ağı (CGNN)**, klasik GNN’leri **yönlü neden‑sonuç kenarları** ile genişleterek, geçmiş uyumluluk olayları, politika belgeleri ve denetim izlerinden öğrenir. Yalnızca korelasyon‑temelli modellerin aksine, CGNN’ler **müdahale sorgularını** yanıtlayabilir—karşı‑olay akıl yürütmesinin tam da ihtiyacı olduğu şey.

### 2.1 Nedensel Bilgi Grafiğinin Oluşturulması

1. **Düğüm Türleri** – Düzenlemeler, Kontroller, Veri Varlıkları, İş Süreçleri, Risk Göstergeleri.  
2. **Kenar Türleri** – *uygular*, *bağlıdır*, *azaltır*, *çelişir*.  
3. **Zamansal Katman** – Politika sürümlemesini ve zaman içindeki kaymayı yakalar.

```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"
```

Grafik, aşağıdaki yöntemlerle **otomatik olarak doldurulur**:

- **Document AI** ile PDF, web sayfası ve yasal metinlerden varlık çıkarımı.  
- **Olay akışları** (Kafka, Pulsar) üzerinden politika değişikliği bildirimleri.  
- **Geri bildirim döngüleri**; denetçiler yanlış pozitif/negatifleri etiketleyerek kenar ağırlıklarını iyileştirir.

### 2.2 CGNN’in Eğitilmesi

- **Denetimli kayıp**; bilinen uyumluluk sonuçları (geçti/kaldı) üzerine.  
- **Nedensel düzenleme**; bilinen düzenleyici hiyerarşileriyle çelişen döngüleri cezalandırır.  
- **Zamansal kontrast öğrenme**; gerçek kaymayı gürültüden ayırır.

Elde edilen model, bir **müdahale** (ör. “veriyi şifrele”) grafiğe yayar ve uyumluluk riskinin aşağı doğru etkisini hesaplar.

---

## 3. Gerçek‑Zaman Mimarisi Genel Görünümü

Aşağıda uç‑uç sistemin yüksek‑seviye diyagramı yer alıyor. Tüm bileşenler **olay‑tabanlı API’ler** aracılığıyla iletişim kurar; bu da milisaniye gecikmesini sağlar.

```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
```

**Temel özellikler**

- **Ölçeklenebilirlik** – Durumsuz mikro‑servisler, servis mesh’in arkasında otomatik ölçeklenebilir.  
- **Gözlemlenebilirlik** – OpenTelemetry, her müdahaleyi denetlenebilirlik için izler.  
- **Güvenlik** – Tüm veri dinlenirken şifrelenir; politika güncellemeleri X.509 sertifikalarıyla imzalanır.

---

## 4. Karar İş Akışı Detaylı

1. **İstek Gelmesi** – Bir SaaS satıcısı güvenlik anketi yanıtı gönderir.  
2. **Yönlendirme** – İstek Yönlendirici, ilgili politika alanlarını (ör. [ISO 27001](https://www.iso.org/standard/27001) / GDPR) belirler.  
3. **Grafik Sorgusu** – Karar Servisi, etkilenen kontroller ve varlıkları içeren alt‑grafiği çıkarır.  
4. **Karşı‑olay Üretimi** – Karşı‑olay Motoru, en az müdahaleyi (örn. şifreleme ekle, veri konumunu değiştir) önerir.  
5. **Nedensel Çıkarım** – CGNN, her müdahaleyi değerlendirerek uyumluluk olasılığı ve nedensel yolu döndürür.  
6. **Açıklanabilirlik** – Motor, insan‑okunur bir anlatım oluşturur: “Alan X’i algoritma Y ile şifrelemek, Risk Göstergesi R’ye olan *exposes* kenarını kırdığı için GDPR maruziyetini %78 azaltır.”  
7. **Yanıt** – Satıcı, anlık karar ve uygulanabilir iyileştirme adımlarıyla yanıt alır.

Bu döngü genellikle **150‑250 ms** içinde tamamlanır; bu da etkileşimli uyumluluk portalları için yeterli bir gecikme bütçesidir.

---

## 5. Sürekli Öğrenme ile Politika Kaymasının Yönetilmesi

Düzenleyici ortamlar sürekli değişir; bir **politika kayma algılayıcı**, bilgi grafiğinde yapısal değişiklikleri izler:

- **Kenar ağırlık kayması** – Bir kontrolün etkinliği düşerse sistem bunu işaretler.  
- **Yeni düğüm eklenmesi** – Yeni düzenlemeler otomatik varlık çıkarımıyla eklenir.  
- **Çelişki tespiti** – Grafikte çelişkili kenarlar (ör. aynı anda karşılanamayan iki düzenleme) taranır.

Kayma tespit edildiğinde, **CGNN yeniden eğitim hattı** otomatik olarak tetiklenir; en yeni etiketli olayları alır. Bu **kapalı‑döngü öğrenme**, karar motorunun manuel kural yeniden yazımına ihtiyaç duymadan güncel kalmasını sağlar.

---

## 6. Açıklanabilirlik ve Denetlenebilir İzler

Uyumluluk yetkilileri **şeffaf gerekçelendirme** ister. Motor, her çıkarımı değişmez bir defterde (ör. blockchain‑tabanlı ek‑sadece‑ekleme günlüğü) kaydeder. Her kayıt şunları içerir:

- **Zaman damgası**  
- **Girdi isteği hash’i**  
- **Değerlendirilen müdahale seti**  
- **CGNN çıkarım puanları**  
- **Oluşturulan açıklama**  

Denetçiler, herhangi bir kararı yeniden oynatabilir, nedensel yolu doğrulayabilir ve modelin en son politika sürümüne uygun çalıştığını teyit edebilir.

---

## 7. Entegrasyon Kalıpları

| Entegrasyon Hedefi | Yöntem | Avantajlar |
|--------------------|--------|------------|
| **CI/CD Boru Hatları** | GitOps webhook → Decision Service | Üretime geçmeden uyumsuz kodun önlenmesi. |
| **Güvenlik Anketleri** | SaaS güven portalı için REST API eklentisi | Kanıt bağlantılı anlık, AI‑üretimli yanıtlar. |
| **Ürün Yol Haritaları** | JIRA’dan gelen olay akışı → Counterfactual Engine | Özellik sürümlerinin uyumluluk etkisinin tahmini. |
| **Satıcı Risk Platformları** | GraphQL federasyonu → Knowledge Graph Store | Çok‑satıcı risk puanlarını tek bir nedensel model altında birleştirir. |

---

## 8. Performans Ölçütleri

| Ölçüt | Değer |
|-------|-------|
| **Ortalama gecikme (uç‑uç)** | 182 ms |
| **İşlem hacmi (istek/saniye)** | 12 k |
| **Model boyutu (CGNN)** | 45 M parametre |
| **Eğitim süresi (tam kayma döngüsü)** | 8‑GPU düğümde 3 saat |
| **Açıklanabilirlik gecikmesi** | 35 ms (metin üretimi) |

Ölçümler, 4 vCPU ve 16 GB RAM içeren Kubernetes pod’ları ve CGNN çıkarımı için ayrı bir GPU kullanılarak yapılmıştır.

---

## 9. Gelecek Yönelimler

1. **Çok‑Modlu Kanıt Birleştirme** – Metinsel politika alıntıları, kod parçacıkları ve UI ekran görüntülerini birleştirerek daha zengin nedensel kenarlar oluşturma.  
2. **Kuruluşlar Arası Federated Learning** – Anonimleştirilmiş grafik güncellemelerini paylaşarak küresel uyumluluk zekâsını artırma, veri gizliliğini koruma.  
3. **Üretken Karşı‑olay Anlatılar** – LLM’ler kullanarak organizasyonun ton ve stiline uygun doğal‑dil iyileştirme rehberleri üretme.  
4. **Uç‑Cihaz Dağıtımı** – Ağır‑regülasyonlu ortamlar (ör. tıbbi cihazlar) için hafif CGNN çıkarımını kenar cihazlara taşıma.

---

## 10. Başlangıç Rehberi

Bu motoru denemek isterseniz:

1. **Referans deposunu klonlayın** – `git clone https://github.com/example/compliance‑counterfactual‑engine`  
2. **Yığını dağıtın** – `docker compose up -d` (Kafka, Neo4j, FastAPI servisleri dahil).  
3. **Örnek politikaları içe aktarın** – `python scripts/ingest_policies.py data/policies/` komutunu çalıştırın.  
4. **Test isteği gönderin** –  
   ```bash
   curl -X POST http://localhost:8000/decide \
        -d '{"scenario":"store logs in EU region","interventions":["encrypt"]}'
   ```  

Yanıt, bir uyumluluk olasılığı ve açıklanabilir bir anlatım içerecektir.

---

## İlgili Kaynaklar

- NIST Taslak Kılavuzları: Açıklanabilir AI için Uyumluluk  
- Nedensel Grafik Sinir Ağları: Temeller ve Uygulamalar (arXiv)  
- Gerçek‑Zaman Politika Kayma Algılama ile Zamanlı Grafikler (IEEE)  
- Makine Öğreniminde Karşı‑olay Akıl Yürütmesi – Bir Derleme (JMLR)