
# Generovanie adaptívnych syntetických dát v reálnom čase pre Edge AI pomocou drift‑vedomého posilňovacieho učenia

Edge AI prechádza z výskumného zaujímavého projektu na technológiu produkčnej úrovne, ktorá poháňa všetko od autonómnych dronov po inteligentné kamery. Jednou z najväčších výziev, ktorým čelia nasadenia na okraji, je **nedostatok dát**: zber, označovanie a prenos veľkých objemov reálnych dát do cloudu je často neuskutočniteľný kvôli limitom šírky pásma, reguláciám ochrany súkromia a latencii. Syntetické dáta ponúkajú presvedčivú alternatívu, ale tradičné pipeline generujú statické datasety, ktoré rýchlo zastarávajú, keď sa operačné prostredie mení.

V tomto článku predstavujeme **drift‑vedomú slučku posilňovacieho učenia (RL)**, ktorá neustále prispôsobuje generovanie syntetických dát reálnym charakteristikám edge streamov. Rámec spája tri hlavné piliere:

1. **Detekcia posunu distribúcie (drift)** – ľahké štatistické monitory, ktoré signalizujú, keď sa distribúcia edge dát odchýli od syntetického referenčného stavu.  
2. **Vzorkovanie založené na posilňovacom učení** – RL agent, ktorý sa učí upravovať hyper‑parametre generátora (napr. prieskum latentného priestoru, podmienené premenné) tak, aby maximalizoval odmenu kvality.  
3. **Spätná väzba vysvetliteľnej AI (XAI)** – model‑agnostické vysvetlenia, ktoré odhaľujú, prečo sú určité syntetické vzorky uprednostňované, čo umožňuje auditorom a inžinierom overiť súlad.

Výsledkom je **samoo optimalizujúca pipeline syntetických dát**, ktorá na požiadanie poskytuje vysoko‑kvalitné, súkromie‑zachovávajúce dáta, udržiava presnosť edge modelov a zároveň rešpektuje regulačné obmedzenia.

---

## 1. Prečo tradičné pipeline syntetických dát zlyhávajú na okraji

| Obmedzenie | Vplyv na Edge AI |
|------------|-------------------|
| **Statické generovanie** | Syntetické dáta sa vytvoria raz a potom zostanú nezmenené. Keď sa prostredie zmení (napr. osvetlenie, drift senzorov), výkonnosť modelu klesá. |
| **Centralizovaný tréning** | Dáta musia byť odoslané do cloudu na generovanie, čo prináša latenciu a náklady na šírku pásma. |
| **Slepé vzorkovanie** | Náhodné alebo heuristické vzorkovanie nezaručuje, že generované vzorky pokrývajú nové okrajové prípady. |
| **Nedostatok vysvetliteľnosti** | Inžinieri nemôžu sledovať, prečo bol syntetický vzor vygenerovaný, čo sťažuje audity súladu. |

Tieto nedostatky vedú k **driftu modelu**, vyššej chybe inferencie a potenciálnym porušeniam predpisov o ochrane súkromia, ako je [GDPR](https://gdpr.eu/) alebo [CCPA](https://oag.ca.gov/privacy/ccpa). Je potrebný dynamický, spätne‑riadený prístup.

---

## 2. Základné koncepty

### 2.1 Detekcia driftu na okraji

Algoritmy detekcie driftu musia byť **ľahké**, aby bežali na obmedzených zariadeniach. Dve skupiny fungujú dobre:

* **Štatistické testy** – Kolmogorov‑Smirnov (KS) test, Index stability populácie (PSI).  
* **Monitory založené na embeddingoch** – plytký auto‑encoder bežiaci na okraji, ktorý produkuje embeddingy porovnávané s referenčnou distribúciou pomocou kosínusovej podobnosti.

Keď signál driftu prekročí konfigurovateľný prah, pipeline spustí **žiadosť o regeneráciu**.

### 2.2 Posilňovacie učenie pre adaptívne vzorkovanie

RL agent považuje generovanie syntetických dát za **Markovov proces rozhodovania (MDP)**:

* **Stav (s)** – aktuálne metriky driftu, história odmien a konfigurácia generátora.  
* **Akcia (a)** – úpravy hyper‑parametrov generátora (napr. variancia latentného vektora, podmienenie novými senzorickými modalitami).  
* **Odmena (r)** – kompozitné skóre, ktoré vyvažuje **vernosť syntetických dát**, **spotrebu rozpočtu súkromia** a **zisk výkonnosti modelu** na validačnom výreze.

Algoritmus **Proximal Policy Optimization (PPO)** funguje dobre, pretože je vzorkovo‑efektívny a môže byť trénovaný offline na centrálnom serveri, potom destilovaný do ľahkej politickej siete, ktorá beží na okraji.

### 2.3 Smyčka spätného vysvetlenia AI

Vysvetliteľnosť sa dosahuje pomocou **SHAP** (Shapley Additive Explanations) aplikovaného na rozhodnutia RL politiky. Pripisovaním príspevkov odmeny konkrétnym akciám môžu inžinieri:

* Overiť, že sú dodržané obmedzenia súkromia.  
* Identifikovať, ktoré dimenzie driftu (napr. teplota, osvetlenie) poháňajú úpravy syntetických dát.  
* Vytvárať auditné logy pre regulačný súlad.

---

## 3. Prehľad architektúry

Nižšie je diagram Mermaid, ktorý zachytáva end‑to‑end tok.

```mermaid
flowchart TD
    A[Edge Sensor Stream] --> B[Drift Detector]
    B -->|No Drift| C[Edge Inference Engine]
    B -->|Drift Detected| D[RL Policy (Edge)]
    D --> E[Generator Config Update]
    E --> F[Synthetic Data Generator (Cloud/Edge Hybrid)]
    F --> G[Synthetic Sample Pool]
    G --> H[Model Retraining Scheduler]
    H --> I[Updated Edge Model]
    I --> C
    D --> J[Explainability Module]
    J --> K[Audit Log & Dashboard]
    K --> L[Compliance Review]
    L --> M[Regulatory Body]
```

*Diagram ukazuje, ako detekcia driftu spúšťa RL politiku, ktorá potom riadi generátor. Vysvetliteľnosť napája audit a súlad.*  

---

## 4. Podrobný prehľad

### 4.1 Monitorovanie driftu na okraji

1. **Extrahovanie príznakov** – Každých N sekúnd edge zariadenie extrahuje nízkodimenzionálny vektor príznakov (napr. histogram gradientov, štatistiky senzorov).  
2. **Aktualizácia referencie** – Kĺzavé okno posledných M vektorov tvorí **referenčnú distribúciu**.  
3. **Štatistický test** – Vypočíta sa KS vzdialenosť medzi aktuálnym batchom a referenciou. Ak `KS > τ`, vyvolá sa drift flag.

```python
def detect_drift(current_batch, reference_batch, threshold=0.05):
    ks_stat = ks_2samp(current_batch, reference_batch).statistic
    return ks_stat > threshold
```

### 4.2 Vykonávanie RL politiky

Politická sieť dostáva vektor:

```
state = [ks_stat, psi_score, recent_reward, generator_lr, latent_variance]
```

Vypúšťa pravdepodobnostné rozdelenie nad diskrétnymi akciami:

```
actions = {
    0: "increase latent variance",
    1: "decrease latent variance",
    2: "add new conditioning variable",
    3: "reduce privacy budget usage",
    4: "no change"
}
```

Vybraná akcia sa aplikuje na konfiguráciu generátora, ktorá sa potom pošle do **Hybridného generátora** (časť na zariadení, časť v cloude).

### 4.3 Návrh hybridného generátora

* **Dekóder na okraji** – Ľahký dekóder beží na zariadení, aby rýchlo renderoval syntetické vzorky pre okamžité testovanie inferencie.  
* **Generátor v cloude** – Plnohodnotný difúzny model alebo GAN sídli v cloude a produkuje vysoké rozlíšenie, keď je to potrebné.

Edge zariadenie požaduje **veľkosť batchu** úmernú závažnosti driftu, čím sa zabezpečí, že šírka pásma sa využíva len vtedy, keď prínos prevyšuje náklady.

### 4.4 Výpočet odmeny

Odmena kombinuje tri termíny:

```
reward = α * fidelity_score
       + β * privacy_score
       + γ * performance_gain
```

* **Fidelity Score** – Merané **Fréchet Inception Distance (FID)** medzi syntetickými a malým odkladovým reálnym batchom.  
* **Privacy Score** – Inverzne úmerný hodnote **ε** v účtovníctve diferenciálnej ochrany súkromia.  
* **Performance Gain** – Rozdiel v presnosti edge modelu pred a po krátkom doladení na syntetickom batchi.

Hyper‑parametre `α, β, γ` nastavuje tím pre súlad, aby uprednostnil súkromie alebo výkon podľa požiadaviek.

### 4.5 Integrácia vysvetliteľnosti

Po každom kroku RL sa spustí SHAP na politickú sieť:

```python
import shap
explainer = shap.Explainer(policy_network)
shap_values = explainer(state)
```

Výsledná atribučná mapa sa uloží do **Audit Log**, vizualizuje v dashboarde a môže byť exportovaná pre revíziu regulátorom.

---

## 5. Kontrolný zoznam implementácie

| Krok | Popis | Nástroje / Knižnice |
|------|-------|----------------------|
| 1️⃣ | Extrakcia príznakov a detekcia driftu na okraji | NumPy, SciPy, TensorFlow Lite |
| 2️⃣ | Tréning RL politiky (offline) | PyTorch, Stable‑Baselines3 (PPO) |
| 3️⃣ | Destilácia politiky pre edge | ONNX, TensorFlow Lite Converter |
| 4️⃣ | Nasadenie hybridného generátora | NVIDIA TensorRT, Diffusers (Hugging Face) |
| 5️⃣ | Výpočet odmeny | scikit‑learn (FID), Opacus (DP), PyTorch Lightning |
| 6️⃣ | Vysvetliteľnosť a auditovanie | SHAP, Elastic Stack (ELK) |
| 7️⃣ | CI/CD a monitorovanie | GitHub Actions, Prometheus, Grafana |

---

## 6. Výhody oproti konvenčným prístupom

| Metrika | Tradičná statická pipeline | Adaptívna RL‑riadená pipeline |
|---------|----------------------------|-------------------------------|
| **Latencia adaptácie** | Hodiny‑dni (manuálny retréning) | Sekundy‑minúty (automatizovaná slučka) |
| **Úspora šírky pásma** | Celý dataset sa nahráva pri každom cykle | Incrementálne batch požiadavky len pri drifte |
| **Presnosť modelu** | Pokles o 5‑15 % po drifte | Udržiava v rozmedzí 1‑2 % od optimálu |
| **Rozpočet súkromia** | Fixná spotreba, často prekročená | Dynamické rozpočtovanie rešpektuje limity ε |
| **Transparentnosť súladu** | Obmedzený audit trail | Kompletné SHAP‑vysvetlenia pri každej iterácii |

---

## 7. Reálne príklady použitia

1. **Inteligentné mestské kamery** – Kamery zažívajú denné zmeny osvetlenia. Adaptívna pipeline neustále generuje syntetické nočné zábery, čím udržiava modely detekcie objektov ostré bez uchovávania reálnych videí.  
2. **Priemyselný IoT – prediktívna údržba** – Drift senzorov spôsobený opotrebovaním je detegovaný, čo spúšťa syntetické vibračné vzory pomáhajúce edge modelom včas predpovedať poruchy.  
3. **Zdravotnícke nositeľné zariadenia** – Posun základnej línie fyziologických signálov (napr. srdcová frekvencia) vyvolá generovanie syntetických ECG, čo umožní na‑zariadení detekciu arytmií bez prenosu surových dát.

---

## 8. Výzvy a mitigácie

| Výzva | Mitigácia |
|-------|-----------|
| **Pretrénovanie politiky** – RL môže zneužívať slabiny odmeny. | Pravidelné audity politiky, regularizácia odmeny a adversariálne testovanie. |
| **Obmedzenia zdrojov na okraji** – Spúšťanie SHAP môže byť náročné. | Vykonávať SHAP v cloude na vzorke, lokálne cacheovať vysvetlenia. |
| **Zložitosť účtovania ochrany súkromia** – Vyváženie ε naprieč mnohými generáciami. | Použiť **privacy ledger**, ktorý agreguje ε na zariadení a vynucuje limity. |
| **Falošné pozitíva detekcie driftu** – Šumové senzory spúšťajú zbytočnú regeneráciu. | Kombinovať viacero detektorov (štatistické + embedding) a aplikovať hysterézu. |

---

## 9. Budúce smerovanie

* **Meta‑RL pre prenos politiky** – Trénovať meta‑politiku, ktorá sa rýchlo adaptuje na nové typy edge zariadení s minimálnym doladením.  
* **Federované RL** – Zdieľať gradienty politiky medzi zariadeniami pri zachovaní lokality dát, čím sa zníži potreba centrálnej koordinácie.  
* **Kauzálne modelovanie driftu** – Integrovať kauzálne grafy na rozlíšenie medzi neškodnými environmentálnymi zmenami a škodlivými pokusmi o otravu dát.  
* **Zero‑Trust trh syntetických dát** – Rozšíriť rámec na trh, kde sa syntetické dáta obchodujú pod overiteľnými zero‑trust zmluvami, využívajúc decentralizovanú identitu.

---

## 10. Ako začať – minimálny prototyp

Nižšie je stručný Python snippet, ktorý demonštruje hlavný cyklus na simulovanom edge zariadení.

```python
import numpy as np
from scipy.stats import ks_2samp
import torch
import shap
from stable_baselines3 import PPO

# 1. Simulovaný stream edge príznakov
def edge_stream(batch_size=128):
    while True:
        # Simulovať drift senzorov po 500 iteráciách
        drift = np.random.randn(batch_size, 10) * (1 + 0.001 * edge_stream.counter)
        edge_stream.counter += 1
        yield drift
edge_stream.counter = 0

# 2. Detektor driftu
def detect_drift(current, reference, thr=0.04):
    ks = ks_2samp(current.ravel(), reference.ravel()).statistic
    return ks > thr, ks

# 3. Načítať predtrénovanú RL politiku (offline trénovanú)
policy = PPO.load("drift_aware_policy.zip")
policy.set_env(None)  # Žiadne prostredie pre inference

# 4. Hook pre vysvetliteľnosť
explainer = shap.Explainer(policy.policy)

# 5. Hlavná slučka
reference = np.random.randn(1024, 10)  # počiatočná referencia
for batch in edge_stream():
    drifted, ks_val = detect_drift(batch, reference)
    if drifted:
        state = np.concatenate([[ks_val], np.mean(batch, axis=0)])
        action, _ = policy.predict(state, deterministic=True)
        # Mapovanie akcie na konfiguráciu generátora (zjednodušené)
        config = {"latent_var": 0.5 + 0.1 * action}
        # Požiadať o syntetický batch (placeholder)
        synthetic = np.random.randn(64, 10) * config["latent_var"]
        # Dummy výpočet odmeny
        reward = -np.mean(np.abs(synthetic - batch))
        # Log SHAP hodnôt
        shap_vals = explainer(state)
        print(f"Drift detekovaný (KS={ks_val:.3f}), akcia={action}, odmena={reward:.3f}")
        print("SHAP príspevok:", shap_vals.values)
        # Pomaly aktualizovať referenciu
        reference = np.vstack([reference[batch_size:], batch])[:1024]
    else:
        # Normálna inferenčná cesta
        pass
```

Tento prototyp ukazuje:

* **Detekciu driftu** pomocou KS testu.  
* **Inference RL politiky** na výber úpravy generátora.  
* **SHAP vysvetlenie** pre každé rozhodnutie.  

Ďalej nahraďte placeholder syntetickým generátorom (napr. diffusion model), integrujte účtovanie diferenciálnej ochrany súkromia a prepojte s vaším edge inference engine.

---

## 11. Záver

Syntetické dáta už nie sú jednorazovým trikem na augmentáciu dát; musia sa stať **živou, adaptívnou službou**, ktorá reaguje na neustále sa meniace podmienky na okraji. Spojením **detekcie driftu**, **posilňovacieho učenia** a **vysvetliteľnej AI** môžeme vybudovať pipeline, ktorá:

* Dodáva vysoko‑kvalitné, súkromie‑zachovávajúce dáta v reálnom čase.  
* Udržiava výkonnosť edge modelov bez nákladných cloudových round‑tripov.  
* Poskytuje transparentné auditné stopy, ktoré uspokoja regulátorov i audítorov.

Prijatie tohto drift‑vedomého RL rámca postaví organizácie do popredia **zodpovednej Edge AI**, otvára nové prípadové štúdie a zároveň chráni suverenitu dát.