
# Generování syntetických dat založených na kauzálním grafu pro regulatorní soulad

## Úvod

Syntetická data se stala základním kamenem pro trénink AI modelů v situacích, kdy jsou reálná data nedostupná, citlivá nebo silně regulovaná. Zatímco tradiční generativní techniky (GANy, difúzní modely, simulátory řízené LLM) vynikají v napodobování statistických rozdělení, často ignorují **kauzální vztahy**, které regulátoři stále častěji požadují zachovat.

Regulátoři jako **[AI Act](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai)** EU, americký **FDA** pro zdravotnická zařízení a **[CCPA](https://oag.ca.gov/privacy/ccpa)** pro ochranu soukromí spotřebitelů směřují k **vysvětlitelnosti** a **sledovatelnosti** datových pipeline. Syntetický dataset, který pouze reprodukuje marginální statistiky, může projít povrchní kontrolou, ale selže, když regulátor požádá: „Můžete prokázat, že syntetické záznamy respektují podkladové kauzální mechanismy zdrojové populace?“

Do hry vstupuje **generování syntetických dat založených na kauzálním grafu** (CG‑SDG). Explicitním modelováním struktury příčiny‑následku původních dat můžeme generovat syntetické záznamy, které:

* Zachovávají právně relevantní závislosti (např. věk → zdravotní výsledek, kreditní skóre → schválení úvěru).
* Poskytují transparentní auditní stopu spojující každou syntetickou vlastnost s kauzálním uzlem.
* Umožňují **kontrafaktuální analýzu** pro spravedlnost a mitigaci biasu.
* Podporují **dynamický soulad**, jak se regulace vyvíjejí.

Tento článek vás provede teorií, praktickou implementací a přínosy pro soulad CG‑SDG, se zaměřením na to, jak organizace mohou tuto metodu zakomponovat do stávajících datových pipeline a rámců správy dat.

---

## Proč jsou kauzální grafy důležité pro soulad

| Regulační požadavek | Tradiční syntetická data | Přístup s kauzálním grafem |
|----------------------|--------------------------|----------------------------|
| **Vysvětlitelnost** | Generace jako černá skříňka, těžko obhajitelná | Každá syntetická vlastnost je odvozena z explicitní kauzální rovnice |
| **Audity spravedlnosti** | Detekce biasu po‑hoc, omezená náprava | Kontrafaktuální dotazy odhalují vliv chráněných atributů |
| **Datová linie** | Omezené metadata o původu | Uzly grafu fungují jako kotvy linie, umožňují neměnné auditní stopy |
| **Dynamické aktualizace politik** | Přeučení celého modelu při změně pravidla | Aktualizace pouze postižených kauzálních hran, zbytek pipeline zůstává beze změny |

Zarovnáním generování syntetických dat s **orientovaným acyklickým grafem (DAG)**, který kóduje doménové znalosti, získávají organizace **jediný zdroj pravdy** pro datové vědce i compliance týmy.

---

## Vytvoření kauzálního grafu ze zdrojových dat

### 1. Zachycení doménových znalostí

Začněte s odborníky (SME), kteří vyjmenují proměnné a hypotetické kauzální vazby. Pro případ ve zdravotnictví typické uzly zahrnují:

* Demografie (Věk, Pohlaví, Etnicita)
* Životní styl (Kouření, Cvičení)
* Klinické měření (Krevní tlak, Cholesterol)
* Výstupy (Diagnóza onemocnění, Hospitalizace)

### 2. Datově‑řízené učení struktury

Kombinujte vstup odborníků s algoritmy jako **PC**, **GES** nebo **NOTEARS** k objevení dalších hran. Výsledný graf by měl být **validován** proti známé medicínské literatuře, aby se zabránilo sporným spojům.

### 3. Parametrizace

Přiřaďte každé hraně funkční formu nebo podmíněnou pravděpodobnostní tabulku (CPT). Pro spojité proměnné fungují lineární či nelineární regresní modely; pro kategorické proměnné jsou běžné multinomické logistické regrese.

### 4. Validace

Proveďte **d‑separační testy** a **intervenční simulace**, aby graf reprodukoval pozorované podmíněné nezávislosti a respektoval známé intervence (např. účinek medikace).

---

## Integrace kauzálních grafů s generátory syntetických dat

Integraci lze vizualizovat jako pipeline:

```mermaid
flowchart TD
    A["Raw Source Data"] --> B["Causal Discovery (PC/NOTEARS)"]
    B --> C["Validated DAG"]
    C --> D["Parameter Estimation"]
    D --> E["Causal Sampler (Do‑Calculus)"]
    E --> F["Synthetic Data Engine (GAN / Diffusion)"]
    F --> G["Compliance Layer (Audit Log, Counterfactual Checks)"]
    G --> H["Synthetic Dataset for Model Training"]
```

1. **Causal Sampler**: Používá **do‑calculus** k vytvoření vzorků, které respektují DAG. Implementaci lze provést pomocí knihoven **DoWhy**, **causalml** nebo vlastních modulů v PyTorch.
2. **Synthetic Data Engine**: Přijímá kauzální vzorky jako podmíněné vstupy pro GAN nebo difúzní model, čímž zajišťuje vysokou věrnost při zachování kauzální struktury.
3. **Compliance Layer**: Automaticky loguje kauzální cestu pro každý vygenerovaný záznam, připojuje metadata (verze DAG, hodnoty parametrů) a provádí kontrafaktuální kontroly spravedlnosti.

---

## Zajištění regulatorního souladu

### 3.1 Neměnné auditní stopy

Uložte DAG, jeho verzi a náhodné semeno použité pro každou syntetickou dávku do **blockchain‑backed ledger** nebo **append‑only logu**. To splňuje požadavky na **sledovatelnost** a **odolnost vůči manipulaci**.

### 3.2 Zprávy o kontrafaktuální spravedlnosti

Pro každý chráněný atribut (např. pohlaví, rasa) vytvořte **kontrafaktuální dataset**, kde je atribut přepnutý, zatímco všechny ostatní kauzální předky zůstávají nezměněny. Porovnejte predikce modelu a ukažte, že syntetická data neobsahují nelegální bias.

### 3.3 Dynamické vymáhání politik

Když regulátor vydá nové pravidlo (např. „Věk nesmí být používán jako proxy pro úvěrové riziko“), aktualizujte DAG odstraněním nebo maskováním problematické hrany. Znovu spusťte sampler bez nutnosti pře‑trénování downstream GAN, čímž dramaticky zkrátíte dobu reakce na soulad.

### 3.4 Šablony dokumentace

Využijte **Formize‑style** šablon k automatickému vyplnění compliance dossier:

* **Diagram toku dat** (generovaný z DAG)
* **Kauzální dopadové prohlášení** (přirozený jazyk popisující každou hranu)
* **Verzovaný change log** (Git‑style diff aktualizací DAG)

---

## Reálná případová studie: Kreditní scoring v EU

**Pozadí** – Evropská fintech společnost potřebovala syntetický dataset pro trénink nového modelu kreditního scoringu, přičemž musela splňovat **[AI Act EU](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai)** a **[GDPR](https://gdpr.eu/)**.

**Postup**  

1. **Kauzální modelování** – Vytvořili DAG spojující *Věk*, *Příjem*, *Stav zaměstnání*, *Úvěrovou historii* a *Výsledek úvěru*. Odborníci potvrdili, že *Věk → Příjem* a *Stav zaměstnání → Příjem* jsou legitimní kauzální cesty.
2. **Regulační úprava** – AI Act zakázal přímé používání *Věk* při scoringu. Tým **zablokoval** hranu *Věk → Výsledek úvěru*, přičemž zachoval *Věk → Příjem* pro realističnost, ale zajistil, že downstream modely jej nevyužijí.
3. **Generování syntetických dat** – Pomocí **Do‑Calculus sampleru** vytvořili 1 M kauzálních vzorků, které následně podali do **Conditional GAN** podmíněného na *Příjem* a *Úvěrovou historii*.
4. **Ověření souladu** – Provedli kontrafaktuální testy spravedlnosti, vygenerovali neměnné auditní logy a vytvořili Formize compliance balíček.

**Výsledek** – Syntetický dataset dosáhl **98 % statistické podobnosti** k originálu, prošel externím auditem regulátora a zkrátil čas uvedení nového scoringového modelu na trh o **45 %**.

---

## Praktický průvodce krok za krokem

| Krok | Akce | Nástroje a tipy |
|------|------|-----------------|
| 1 | **Shromáždit doménové znalosti** – rozhovory s SME, sběr politických dokumentů | Confluence, Miro pro vizuální brainstorming |
| 2 | **Spustit učení struktury** – aplikovat PC nebo NOTEARS na reprezentativní vzorek | Python knihovna `causal-learn`, Spark pro velká data |
| 3 | **Validovat a vyladit DAG** – porovnat s literaturou, provést d‑separační testy | DoWhy, Tetrad |
| 4 | **Parametrizovat hrany** – natrénovat regresní nebo pravděpodobnostní modely | scikit‑learn, PyTorch Probabilistic |
| 5 | **Implementovat kauzální sampler** – generovat do‑intervence | DoWhy `do` operátor, vlastní PyTorch sampler |
| 6 | **Integrovat s generativním modelem** – podmínit GAN/Diffusion na kauzální vzorky | StyleGAN2‑ADA, Stable Diffusion, Hugging Face Diffusers |
| 7 | **Přidat compliance vrstvu** – logovat verzi DAG, seed, kontrafaktuální kontroly | OpenTelemetry, Formize API |
| 8 | **Nasadit a monitorovat** – plánovat periodické pře‑trénování při driftu zdrojových dat | Airflow, Prefect, MLflow |
| 9 | **Audit a report** – generovat automatizované compliance dossier | Formize šablony, knihovny pro generování PDF |

---

## Přehled výhod

* **Regulační shoda** – Přímě řeší požadavky na vysvětlitelnost a spravedlnost.
* **Snížené náklady na pře‑trénování** – Aktualizace jedné hrany je levnější než přestavba celého generativního modelu.
* **Zvýšená důvěra** – Zainteresované strany mohou sledovat každý syntetický záznam zpět k jeho kauzální cestě.
* **Robustnější modely** – Kontrafaktuálně‑vědomá syntetická data zlepšují odolnost downstream modelů vůči posunům distribuce.

---

## Výzvy a mitigace

| Výzva | Mitigace |
|-------|----------|
| **Komplexní DAGy** – Vysokodimenzionální domény mohou vytvářet husté grafy. | Použijte **pruning grafu** na základě statistické významnosti; modularizujte do podgrafů. |
| **Nejistota parametrů** – Nedostatek dat pro přesné odhady CPT. | Aplikujte **bayesovské priory** a **Monte Carlo** vzorkování k zachycení nejistoty. |
| **Škálovatelnost** – Kauzální sampling může být pomalejší než čistá GAN generace. | Paralelizujte sampling napříč Spark executory; cacheujte mezivýsledky uzlů. |
| **Interpretace regulátorů** – Nejasnosti, jak regulátoři vnímají zachování kauzality. | Udržujte roli **regulačního liaison**; dokumentujte odůvodnění každé hrany v běžném jazyce. |

---

## Budoucí směry

1. **Federované učení kauzálních grafů** – Kombinovat objevování hran napříč edge zařízeními bez sdílení surových dat, což umožní **edge‑centric syntetická data** respektující privacy by design.
2. **LLM‑asistované objevování kauzality** – Promptovat velké jazykové modely k návrhu plausibilních kauzálních vazeb, následně je statisticky validovat.
3. **Zero‑Knowledge proofy pro auditní stopy** – Využít zk‑SNARKs k důkazu, že syntetický záznam respektuje DAG, aniž by se odhalily podkladové parametry.
4. **Self‑healing pipeline** – Detekovat drift v kauzálních vztazích (např. změny způsobené pandemií) a automaticky pře‑učit postižené hrany.

---

## Závěr

Generování syntetických dat založených na kauzálním grafu propojuje **vysoce kvalitní tréninková data pro AI** s **přísnými regulatorními požadavky**. Tím, že učiní strukturu příčiny‑následku explicitní, získávají organizace transparentní, auditovatelnou a adaptabilní datovou pipeline, která splňuje nově vznikající standardy AI governance a zároveň zachovává statistickou bohatost potřebnou pro moderní strojové učení.

Adopce CG‑SDG vyžaduje spolupráci mezi datovými vědci, compliance specialisty a doménovými experty, ale výnos – rychlejší uvedení na trh, snížené právní riziko a vyšší důvěra stakeholderů – činí z tohoto přístupu strategickou nutnost pro každou AI‑first enterprise.

---

## Viz také

- [DoWhy – Causal Inference for Python](https://github.com/microsoft/dowhy) – Open‑source knihovna pro kauzální uvažování a do‑calculus.  
- [EU AI Act – Oficiální dokumentace](https://digital-strategy.ec.europa.eu/en/policies/european-approach-artificial-intelligence) – Regulační rámec formující AI soulad v Evropě.  
- [Synthetic Data Generation with GANs – A Survey (2023)](https://arxiv.org/abs/2305.12345) – Komplexní přehled generativních technik.  
- [Formize Compliance Automation Platform](https://www.formize.com) – Low‑code řešení pro audit‑ready dokumentaci a automatizaci workflow.