AI pogonjena generacija obogaćena preuzimanjem za sastavljanje dokaza u stvarnom vremenu u sigurnosnim upitnicima

Sigurnosni upitnici, procjene rizika dobavljača i revizije usklađenosti postali su svakodnevna uska grla za SaaS tvrtke. Ručno traženje politika, revizijskih izvještaja i snimaka konfiguracija ne samo da troši sate inženjeringa, već i uvodi rizik od zastarjelih ili nepodudarnih odgovora.

Generacija obogaćena preuzimanjem (RAG) nudi novi paradigem: umjesto da se oslanja isključivo na statični veliki jezični model (LLM), RAG preuzima najrelevantnije dokumente u trenutku upita i prosljeđuje ih modelu za sintezu. Rezultat je odgovor u stvarnom vremenu potkrijepljen dokazima koji se može pratiti natrag do izvornog izvora, zadovoljavajući i zahtjeve brzine i i auditable‑nost.

U ovom članku ćemo:

• Razložiti osnovnu RAG arhitekturu i objasniti zašto odgovara radnom toku upitnika.
• Pokazati kako Procurize može ugraditi RAG cjevovod bez ometanja postojećih procesa.
• Pružiti korak‑po‑korak vodič implementacije, od ingestije podataka do provjere odgovora.
• Raspraviti sigurnosne, privatnost i usklađenosti aspekte specifične za ovaj pristup.
• Istaknuti mjerljivi ROI i buduća poboljšanja kao što su kontinuirano učenje i dinamičko ocjenjivanje rizika.

1. Zašto tradicionalni LLM‑ovi ne zadovoljavaju sigurnosna upitnika

Ovi jazovi vraćaju organizacije natrag na ručno kopiranje‑i‑zalijepljivanje, poništavajući obećanu učinkovitost AI‑a.

2. Generacija obogaćena preuzimanjem – osnovni pojmovi

U svojoj srži, RAG se sastoji od tri pokretna dijela:

1. Pretraživač – indeks (često vektorski) koji može brzo izvući najrelevantnije dokumente za dani upit.
2. Generativni model – LLM koji konzumira dohvaćene isječke i izvorni upit upitnika kako bi proizveo koherentan odgovor.
3. Sloj fuzije – logika koja kontrolira koliko isječaka se prosljeđuje, njihov redoslijed i težinu tijekom generacije.

2.1 Vektorske pohrane za dohvat dokaza

Ugrađivanje svakog artefakta usklađenosti (politike, revizijski izvještaji, snimci konfiguracije) u gusto vektorski prostor omogućuje semantičko pretraživanje sličnosti. Popularne open‑source opcije uključuju:

• FAISS – Brz, GPU‑akceleriran, idealan za visokopropusne cjevovode.
• Milvus – Cloud‑native, podržava hibridno indeksiranje (skalarnog + vektorskog).
• Pinecone – Upravljana usluga s ugrađenim sigurnosnim kontrolama.

2.2 Prompt inženjering za RAG

Dobro osmišljen prompt osigurava da LLM tretira dohvaćeni kontekst kao autoritarne dokaze.

You are a compliance analyst responding to a security questionnaire. Use ONLY the provided evidence excerpts. Cite each excerpt with its source ID. If an answer cannot be fully supported, flag it for manual review.

prevodi se u:

Vi ste analitičar usklađenosti koji odgovara na sigurnosni upitnik. Koristite SAMO izvorne odlomke dokaza. Navedite svaki odlomak s njegovim ID‑om izvora. Ako odgovor ne može biti potpuno potkrijepljen, označite ga za ručni pregled.

Prompt se može predložiti u Procurize tako da svako pitanje upitnika automatski primi priložene dokaze.

3. Integracija RAG‑a u platformu Procurize

Dolje je visokorazinski dijagram toka koji ilustrira gdje se RAG uklapa u postojeći radni tok Procurize‑a.

  graph LR
    A["Stavka upitnika"] --> B["RAG servis"]
    B --> C["Pretraživač (vektorska pohrana)"]
    C --> D["Top‑k isječci dokaza"]
    D --> E["LLM generator"]
    E --> F["Nacrt odgovora s citatima"]
    F --> G["Procurize sučelje za pregled"]
    G --> H["Pohranjen konačni odgovor"]
    style B fill:#f9f,stroke:#333,stroke-width:2px
    style G fill:#bbf,stroke:#333,stroke-width:2px

Ključne točke integracije

• Okidač – Kad korisnik otvori neodgovorenu stavku upitnika, Procurize pošalje tekst pitanja RAG mikroservisu.
• Obogaćivanje konteksta – Pretraživač izvuče do k (obično 3‑5) najrelevantnijih isječaka dokaza, svaki označen stabilnim identifikatorom (npr. policy:ISO27001:5.2).
• Nacrt odgovora – LLM proizvodi nacrt koji uključuje inline citate poput [policy:ISO27001:5.2].
• Ljudska kontrola – Sučelje za pregled ističe citate, omogućuje recenzentima da uređuju, odobravaju ili odbacuju. Odobreni odgovori se pohranjuju s metapodacima podrijetla.

4. Vodič implementacije korak po korak

4.1 Priprema korpusa dokaza

4.2 Izgradnja vektorskog indeksa

from sentence_transformers import SentenceTransformer
import faiss, json, glob, os

model = SentenceTransformer('all-MiniLM-L6-v2')
docs = []   # lista (id, tekst) parova
for file in glob.glob('compliance_corpus/**/*.md', recursive=True):
    with open(file, 'r') as f:
        content = f.read()
        doc_id = os.path.splitext(os.path.basename(file))[0]
        docs.append((doc_id, content))

ids, texts = zip(*docs)
embeddings = model.encode(texts, show_progress_bar=True)

dim = embeddings.shape[1]
index = faiss.IndexFlatL2(dim)
index.add(embeddings)

faiss.write_index(index, 'compliance.index')

Pohranite mapiranje vektorskih ID‑ova na metapodatke dokumenata u lagani NoSQL za brzu pretragu.

4.3 Deploy RAG servisa

Tipičan mikroservisni stack:

• FastAPI – HTTP sučelje za Procurize.
• FAISS – In‑process vektorsko pretraživanje (ili eksterno putem gRPC).
• OpenAI / Anthropic LLM – Endpoint za generaciju (ili sam Hostani LLaMA).
• Redis – Cache najčešćih upita radi smanjenja latencije.

from fastapi import FastAPI, Body
import openai, numpy as np

app = FastAPI()

@app.post("/answer")
async def generate_answer(question: str = Body(...)):
    q_emb = model.encode([question])
    distances, idx = index.search(q_emb, k=4)
    snippets = [texts[i] for i in idx[0]]
    prompt = f"""Question: {question}
Evidence:\n{chr(10).join(snippets)}\nAnswer (cite sources):"""
    response = openai.Completion.create(
        model="gpt-4o-mini", prompt=prompt, max_tokens=300)
    return {"answer": response.choices[0].text.strip(),
            "citations": idx[0].tolist()}

4.4 Povezivanje s UI‑jem Procurize

Dodajte tipku “Generiraj s AI‑jem” pokraj svakog polja upitnika.
Kad se klikne:

1. Prikaže se spinner dok RAG servis ne odgovori.
2. Popuni textbox s nacrtom odgovora.
3. Renderira se “badge” citati; klik na badge otvara pregled izvornog dokumenta.

4.5 Verifikacija i kontinuirano učenje

• Ljudska revizija – Zahtijevajte da minimalno jedan stručnjak za usklađenost odobri svaki AI‑generirani odgovor prije objave.
• Povratna sprega – Zabilježite signale odobrenja/odbijanja i pohranite ih u tablicu “review outcomes”.
• Fine‑tuning – Periodično fino podesite LLM na odobrene pare pitanja‑odgovor kako biste smanjili halucinacije.

5. Sigurnosni i privatnostni aspekti

6. Mjerenje učinka

Pilot proveden u srednjoj SaaS firmi (≈150 inženjera) dao je sljedeće metrike kroz 6‑tjedni period:

Ovi rezultati pokazuju kako RAG ne samo ubrzava vrijeme odgovora, već i podiže kvalitetu odgovora, smanjujući napore revizora.

7. Buduća proširenja

1. Dinamičko ocjenjivanje rizika – Spojite RAG s engine‑om rizika koji prilagođava povjerenje odgovora prema starosti dokaza.
2. Multimodalni dohvat – Uključite screenshot‑ove, konfiguracijske datoteke i čak video snimke kao dohvatljive artefakte.
3. Graf znanja preko organizacija – Povežite dokaze između podružnica, omogućujući globalnu koherenciju politika.
4. Upozorenja na promjene politika u stvarnom vremenu – Kada se izvorni dokument promijeni, automatski označite sve povezane odgovore za reviziju.

8. Checklist za početak

• Konsolidirajte sve artefakte usklađenosti u jedinstveni, verzionirani repozitorij.
• Odaberite vektorsku pohranu (FAISS, Milvus, Pinecone) i generirajte embedinge.
• Deployajte RAG mikroservis (FastAPI + LLM) iza interne mreže.
• Proširite Procurize UI s “Generiraj s AI‑jem” i renderiranjem citata.
• Definirajte politiku upravljanja ljudskom revizijom i prikupljanjem povratnih informacija.
• Pokrenite pilot na nepovijesnom setu upitnika; iterirajte na temelju recenzija.

Praćenjem ovog plana, vaša organizacija može prijeći s reaktivnog, ručnog procesa upitnika na proaktivan, AI‑povezan rad koji isporučuje pouzdane dokaze jednim klikom.

Pogledajte i

• Retrieval‑Augmented Generation: The Next Wave of Enterprise AI
• FAISS: Efficient Similarity Search and Clustering of Dense Vectors
• OpenAI Cookbook – Prompt Engineering for Retrieval‑Augmented Generation