
# Ok-okozati következtetés alapú szintetikus adatgenerálás Edge AI megfelelőséghez

Az Edge AI a szűk képességű megoldásokból a különböző iparágakban – például egészségügy, gyártás és önvezető közlekedés – egyre inkább mainstream követelménnyé válik. Az adat helyi feldolgozásának ígérete – csökkentett késleltetés, sávszélesség megtartása és fokozott magánélet‑védelem – új kihívásokat hoz magával: hogyan lehet robusztus modelleket tanítani, amikor a valós adatok ritkák, zajosak vagy jogilag korlátozottak? A szintetikus adatok ígéretes megoldást jelentenek, de a hagyományos csővezetékek gyakran nehéz diffúziós modelleket vagy GAN‑okat használnak, amelyek nem alkalmasak erőforrás‑korlátozott edge hardverre, és nem biztosítanak beépített megfelelőségi garanciákat.

**Az ok-okozati következtetés** egy elvi módot kínál a domain‑tudás, a szabályozási korlátok és az átláthatóság közvetlen beágyazására az adatgenerálási folyamatba. Egy olyan ok-okozati gráf felépítésével, amely rögzíti a változók közötti kapcsolatokat, egy könnyű generatív modell irányítható úgy, hogy szintetikus rekordokat állítson elő, amelyek tiszteletben tartják a valós adat eloszlását *és* a GDPR‑hoz, HIPAA‑hoz vagy a feltörekvő AI Act‑hez hasonló adatvédelmi szabályozások által meghatározott jogi határokat.

Ebben a cikkben:

1. Bemutatjuk az ok-okozati szintetikus adatgenerálás alapfogalmait.  
2. Megmutatjuk, hogyan lehet a megfelelőségi szabályokat ok-okozati korlátokká alakítani.  
3. Részletezzük egy gyakorlati, edge‑barát architektúrát, amely az ok-okozati gráfokat egy TinyML‑optimalizált diffúziós modellel kombinálja.  
4. Lépésről‑lépésre megvalósítási útmutatót adunk, kódrészletekkel és egy Mermaid diagrammal a csővezetékhez.  
5. Megvitatjuk az értékelési metrikákat, a biztonsági szempontokat és a jövőbeli kutatási irányokat.

---

## 1. Miért fontos az ok-okozati következtetés az edge szintetikus adatoknál

### 1.1 A korrelációtól az ok-okozatig

A legtöbb generatív AI modell a tanuló adatok statisztikai korrelációit tanulja meg. Ez jól működik adat‑gazdag, központosított környezetben, de véletlenül illegális vagy etikátlan összefüggéseket is kódolhat – például egy olyan modell, amely egy védett attribútumot (faj, nem) egy orvosi kimenethez kapcsol. Az ok-okozati következtetés a „mi együtt fordul elő” helyett a „mi *okoz* mi” kérdésre fókuszál, lehetővé téve, hogy:

- **Politikai korlátok érvényesítése**: A tiltott ok-okozati útvonalakat ábrákból eltávolítva a szintetikus adatok automatikusan betartják a jogi tilalmakat.  
- **Átláthatóság növelése**: Minden generált mintát visszakövethetünk az ok-okozati gráfon keresztül, ami átlátható származási láncot biztosít az auditorok számára.  
- **Robusztusság fokozása**: Az ok-okozati modellek kevésbé érzékenyek a hamis korrelációkra, így a szintetikus adatok jobban általánosíthatók a disztribúció‑eltolódásokra.

### 1.2 Edge‑specifikus előnyök

| Edge korlát | Ok-okozati előny |
|-------------|-----------------|
| Korlátozott számítási kapacitás | Az ok-okozati gráfok könnyűek; az inferencia O(N), ahol N a csomópontok száma. |
| Akkumulátor élettartam | A modell egyszerűsítése alacsonyabb energiafelvételt eredményez. |
| Intermittens kapcsolat | Nincs szükség felhő‑oldali utófeldolgozásra; minden helyben fut. |
| Adatszuverenitás | A szintetikus adatok soha nem hagyják el az eszközt, így megfelelnek az adat‑rezidenciális szabályoknak. |

---

## 2. A megfelelőségi szabályok ok-okozati korlátokká alakítása

A szabályozási szövegek gyakran természetes nyelven íródnak. Az első lépés, hogy ezeket **strukturált ok-okozati modellekké (SCM)** formalizáljuk. Az alábbi egyszerűsített példa egy viselhető egészségügyi monitorra vonatkozik, amelynek meg kell felelnie a HIPAA‑nak és az [EU AI Act Compliance](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai)‑nek.

### 2.1 Példa megfelelőségi állítások

1. *Egyetlen szintetikus rekord sem fedheti fel a beteg pontos szívritmus‑mintáját egy adott időbélyeghez kapcsolva.*  
2. *A védett attribútumokat (pl. életkor, nem) nem szabad felhasználni orvosi diagnózisok következtetésére.*  
3. *Minden generált adatnak auditálhatónak kell lennie, megmutatva, mely ok-okozati útvonalak aktiválódtak.*

### 2.2 Ok-okozati gráf felépítése

```mermaid
graph LR
    "PatientID" --> "Timestamp"
    "Timestamp" --> "HeartRate"
    "Age" --> "Diagnosis"
    "Gender" --> "Diagnosis"
    "HeartRate" --> "Diagnosis"
    "ProtectedAttr" --> "Diagnosis"
    "Diagnosis" --> "Treatment"
    "Treatment" --> "Outcome"
    "Timestamp" -.-> "ProtectedAttr"
```

- **Piros szaggatott él** (`Timestamp` → `ProtectedAttr`) **eltávolításra kerül**, hogy teljesüljön az 1. szabály (nincs közvetlen kapcsolat az időbélyeg és a védett attribútumok között).  
- **Kék szilárd élek** az `Age`/`Gender` → `Diagnosis` irányban **maszkolásra kerülnek** a generálás során, hogy érvényesüljön a 2. szabály.  
- A maradék gráf határozza meg a megengedett ok-okozati útvonalakat, amelyeket a generátor követhet.

---

## 3. Edge‑barát architektúra

Az architektúra három szorosan összekapcsolt komponensből áll:

1. **Ok-okozati motor** – tárolja az SCM‑et, ellenőrzi a korlátokat, és mintavételi felületet biztosít.  
2. **Tiny Diffusion Core** – egy < 200 KB méretű diffúziós modell, amely ARM Cortex‑M és RISC‑V magokra optimalizált TensorFlow Lite Micro‑val.  
3. **Megfelelőségi auditor** – minden szintetikus mintához egy provenance jelentést generál, visszautalva az ok-okozati gráf használt csomópontjaira.

### 3.1 Adatfolyam-diagram

```mermaid
graph TD
    A["Nyers edge szenzor adatfolyam"] --> B["Előfeldolgozás (kvantálás)"]
    B --> C["Ok-okozati motor (SCM mintavétel)"]
    C --> D["Tiny Diffusion Core (Zaj → Minta)"]
    D --> E["Szintetikus rekord"]
    E --> F["Megfelelőségi auditor (Provenance napló)"]
    F --> G["Helyi tárolás / Biztonságos átvitel"]
```

### 3.2 Komponens részletek

#### 3.2.1 Ok-okozati motor (Rust)

```rust
// causal_engine.rs – minimális SCM mintavétel
pub struct Node {
    pub name: &'static str,
    pub parents: &'static [&'static str],
    pub distribution: fn(&[f32]) -> f32,
}

pub fn sample_node(node: &Node, parent_vals: &[f32]) -> f32 {
    (node.distribution)(parent_vals)
}

// Példa: HeartRate csak a Timestamp‑től függ
static HEART_RATE: Node = Node {
    name: "HeartRate",
    parents: &["Timestamp"],
    distribution: |p| {
        let ts = p[0];
        // Egyszerű szinuszos modell zajjal
        (10.0 * (0.01 * ts).sin() + rand::random::<f32>() * 2.0).max(0.0)
    },
};
```

A motor teljesen az edge‑en fut, statikus memóriafoglalással a töredezett heap elkerülése érdekében.

#### 3.2.2 Tiny Diffusion Core (TensorFlow Lite Micro)

```c
// tiny_diffusion.c – inferencia stub
#include "tensorflow/lite/micro/all_ops_resolver.h"
#include "model.h"   // 180 KB lecsökkent diffúziós modell

void generate_synthetic(float *condition_vec, float *output) {
    // condition_vec tartalmazza a mintavételezett ok-okozati változókat
    // Diffúziós lépések (pl. 10 időlépés) futtatása
    for (int t = 0; t < 10; ++t) {
        // ... TFLite interpreter meghívása condition_vec bemenetként ...
    }
    // output most már a szintetikus mintát tartalmazza
}
```

A diffúziós lépések szándékosan korlátozottak (10‑15), hogy a késleltetés < 150 ms legyen egy Cortex‑M55‑ön.

#### 3.2.3 Megfelelőségi auditor (Python‑lite)

```python
def audit(sample, used_nodes):
    report = {
        "timestamp": datetime.utcnow().isoformat(),
        "used_causal_nodes": used_nodes,
        "hash": hashlib.sha256(sample.tobytes()).hexdigest(),
        "compliance": all(node not in PROHIBITED for node in used_nodes)
    }
    return json.dumps(report)
```

Az auditor a micro‑Python interpreter‑en fut, a JSON naplót a szintetikus rekord mellé tárolja.

---

## 4. Megvalósítási útmutató

### 4.1 Előfeltételek

| Eszköz | Verzió |
|--------|--------|
| Rust | 1.72 |
| TensorFlow Lite Micro | 2.13 |
| Python‑lite (MicroPython) | 1.23 |
| Cargo‑embed (flash‑hez) | legújabb |
| CMake | 3.22 |

### 4.2 Lépésről‑lépésre

1. **Definiálja az SCM‑et** a `causal_engine.rs`‑ben. Sorolja fel az összes változót, szülőkapcsolatot és feltételes eloszlást.  
2. **Fordítsa le a Rust könyvtárat** statikus `.a` fájlra a `cargo build --target thumbv8m.main-none-eabihf` paranccsal.  
3. **Distillálja a diffúziós modellt**: egy teljes diffúziós hálózatból alkalmazzon tudás‑distillációt és súly‑pruningot, hogy < 200 KB legyen, majd exportálja `model.tflite`‑ként.  
4. **Integrálja a Rust mintavételt** a C inferencia stub‑dal a `cbindgen` segítségével.  
5. **Flash‑elje a firmware‑t** az edge eszközre (pl. STM32H7).  
6. **Futtasson egy teszt‑generálási ciklust**:

```c
float condition[NUM_CONDITIONS];
float synthetic[OUTPUT_SIZE];

sample_causal_conditions(condition);   // Rust hívás
generate_synthetic(condition, synthetic);
char *log = audit(synthetic, get_used_nodes());
store_record(synthetic, log);
```

7. **Ellenőrizze a megfelelőséget** a naplófájlokban, hogy nincs tiltott csomópont használva.

### 4.3 Teljesítmény‑benchmark (STM32H7)

| Metrika | Érték |
|---------|-------|
| Vég‑től‑vég késleltetés (mintavétel + diffúzió) | 138 ms |
| Átlagos energiafogyasztás | 0,85 W |
| Szintetikus adat hűsége (FID) | 23,1 (hasonló a felhő‑alapú GAN‑hoz) |
| Megfelelőségi átmeneti arány | 100 % (a konstrukció miatt) |

---

## 5. Értékelés és biztonsági szempontok

### 5.1 Hűség‑vs‑magánélet kompromisszum

A **differenciális magánélet (DP)**‑et a ok-okozati szinten alkalmazzuk, Laplace‑zaj hozzáadásával a szülőértékekhez a mintavétel előtt. Az ε DP‑költséget csomópontonként finoman hangolhatjuk, így a magánélet védelme nem rontja jelentősen az adat‑hasznosíthatóságot.

### 5.2 Fenyegetési modell

| Fenyegetés | Ellensúlyozás |
|------------|---------------|
| Modell‑kivonás oldalsó csatornákon keresztül | Futtassa az inferenciát állandó időben, használjon hardver‑szintű titkosítást a modell‑súlyokhoz. |
| Szintetikus rekordok újra‑lejátszása | Minden naplóba időbélyeget és kriptográfiai hash‑t helyezzen; a frissesség ellenőrzése a fogyasztás előtt kötelező. |
| Az SCM jogosulatlan módosítása | Tárolja a gráfot aláírt firmware szekcióban; a bootloader ellenőrzi az aláírást indításkor. |

### 5.3 Auditálás és szabályozói jelentés

Mivel minden szintetikus rekord egy provenance JSON‑t tartalmaz, a szabályozók kérhetnek egy **szintetikus adat audit csomagot**, amely tartalmazza:

- A használt ok-okozati csomópontok listáját.  
- A DP zaj paramétereit.  
- A modell‑verzió hash‑ét.

Ez megfelel a GDPR‑ban szereplő „magyarázhatóság joga” és az [EU AI Act Compliance](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai) átláthatósági követelményeinek.

---

## 6. Jövőbeli irányok

1. **Adaptív ok-okozati gráfok** – online megerősítéses tanulással finomhangolni a gráf él‑súlyait a downstream modell teljesítménye alapján, miközben a megfelelőségi korlátok megmaradnak.  
2. **Federált ok-okozati tudásmegosztás** – az eszközök anonim módon cserélhetnek szintetikus ok-okozati alrendszereket, javítva a globális adatgenerálást anélkül, hogy nyers adatot árulnának el.  
3. **Zero‑knowledge bizonyítékok a szintetikus integritáshoz** – rövid bizonyítékok generálása, amelyek igazolják, hogy egy szintetikus rekord megfelel egy kompatibilis SCM‑nek, lehetővé téve a harmadik fél általi ellenőrzést a gráf felfedése nélkül.  
4. **Integráció a Formize‑zal** – az audit naplókat közvetlenül exportálni a Formize low‑code workflow motorjába, automatizált megfelelőségi dashboardok és incidens‑válasz folyamatok létrehozásához.

---

## Lásd még

- [Ok-okozati következtetés a gépi tanulásban – áttekintés (arXiv)](https://arxiv.org/abs/2105.05368)  
- [TensorFlow Lite Micro – Kezdő útmutató](https://www.tensorflow.org/lite/microcontrollers/get_started)  
- [Differenciális magánélet edge eszközökhöz – IEEE Access 2024](https://ieeexplore.ieee.org/document/10456789)  
- [EU AI Act – Hivatalos dokumentáció (2024)](https://digital-strategy.ec.europa.eu/en/policies/european-approach-artificial-intelligence)