Motor za usmjeravanje AI temeljen na namjeri za suradnju u realnom vremenu na sigurnosnim upitnicima

Sigurnosni upitnici, revizije usklađenosti i procjene rizika dobavljača stalni su izvor problema za SaaS tvrtke. Tradicionalni tijek rada — ručna triža, statični popisi dodjela i ad‑hoc e‑mail komunikacija — stvara latenciju, uvodi ljudske pogreške i otežava skaliranje kako volumen upitnika raste.

Što ako bi svako pitanje moglo biti trenutačno usmjereno pravoj osobi (ili AI‑asistentu) koja posjeduje potrebna znanja, dok se istovremeno prikazuju potporni dokazi iz živog grafa znanja?

Upoznajte Motor za usmjeravanje AI temeljen na namjeri (IBARE), novi arhitektonski obrazac koji omogućuje suradnju u stvarnom vremenu, vođenu namjerom, unutar platformi poput Procurize. IBARE spaja najnovije razumijevanje prirodnog jezika, kontinuirano obogaćeni graf znanja i lagani sloj orkestracije mikro‑servisa kako bi isporučio:

• Klasyfikaciju pitanja u podsekundama – sustav razumije temeljnu namjeru pitanja (npr. “enkripcija u mirovanju”, “tok odgovora na incident”, “rezidencijalnost podataka”) umjesto da se oslanja isključivo na podudaranje ključnih riječi.
• Dinamičko podudaranje stručnjaka – koristeći profile vještina, metrike opterećenja i povijesnu kvalitetu odgovora, IBARE odabire najprikladnijeg SME‑a, AI‑asistenta ili hibridni par.
• Kontekstualno dohvaćanje dokaza – odluka o usmjeravanju obogaćena je relevantnim odlomcima politika, audit artefaktima i verzioniranim dokazima iz federiranog grafa znanja.
• Povratni krug u stvarnom vremenu – svaki odgovor vraća se u model, poboljšavajući otkrivanje namjere i rangiranje stručnjaka za buduće upitnike.

U nastavku razlažemo arhitekturu, prikazujemo stvarni slučaj upotrebe, istražujemo ključne detalje implementacije i kvantificiramo poslovni učinak.

1. Zašto namjera, a ne ključne riječi?

Većina postojećih alata za automatizaciju upitnika oslanja se na jednostavno podudaranje ključnih riječi ili pravila:

if "encryption" in question → assign to Security Engineer
if "GDPR" in question → assign to Data Privacy Lead

Ti pristupi propadaju kada su pitanja nejasno formulirana, sadrže više tema ili koriste specifičan žargon.

Otkrivanje namjere ide korak dalje interpretirajući što stvarno pita postavljač:

Ekstrahiranjem semantičke namjere, sustav može usmjeriti pitanje članu tima čija stručnost odgovara akciji ili konceptu, a ne samo površnom terminu.

2. Visokorazinska arhitektura

Dolje je Mermaid dijagram koji vizualizira primarne komponente i protok podataka IBARE‑a.

  flowchart TD
    subgraph Frontend
        UI[User Interface] -->|Submit Question| API[REST / GraphQL API]
    end

    subgraph Core
        API --> Intent[Intent Detection Service]
        Intent --> KG[Dynamic Knowledge Graph]
        Intent --> Skills[SME Skill‑Profile Service]
        KG --> Evidence[Evidence Retrieval Service]
        Skills --> Ranking[Expert Ranking Engine]
        Evidence --> Ranking
        Ranking --> Router[Routing Engine]
    end

    subgraph Workers
        Router -->|Assign| SME[Subject‑Matter Expert / AI Assistant]
        SME -->|Answer| Feedback[Feedback Collector]
        Feedback --> KI[Knowledge‑Graph Ingestion]
        Feedback --> Model[Model Retraining Loop]
    end

    classDef external fill:#f9f9f9,stroke:#333,stroke-width:1px;
    class UI,API,SME external;

Ključne komponente

3. Detaljni prikaz stvarnog scenarija

Scenarij: Prodajni inženjer prima zahtjev od potencijalnog enterprise kupca:

“Možete li nam dati detalje o tome kako izolirate podatke kupca u multitenantnom okruženju i koje enkripcijske mehanizme koristite za podatke u mirovanju?”

Korak 1 – Predaja

Inženjer zalijepi pitanje u Procurize nadzornu ploču. UI pošalje POST zahtjev API‑ju s sirovim tekstom.

Korak 2 – Ekstrakcija namjere

Intent Detection Service proslijedi tekst kroz fino podešeni transformer koji vraća distribuciju vjerojatnosti preko taksonomije od 120 namjera. Za ovo pitanje tri najviše namjere su:

1. Izolacija najemnika – 0.71
2. Enkripcija‑u‑mirovanju – 0.65
3. Rezidencijalnost podataka – 0.22

Te namjere se pohranjuju kao višelabelni vektor uz zapis pitanja.

Korak 3 – Upit grafa znanja

KG prima vektor namjere i izvršava semantičko pretraživanje (koristeći vektorske embeddinge klauzula politika). Vraća:

Najrelevantniji artefakti pakiraju se kao paketi dokaza.

Korak 4 – Podudaranje profila stručnjaka

Skills Service traži sve stručnjake označene s Cloud Architecture, Security Engineering i Compliance. Svakom stručnjaku se izračunava ugrađeni vektor vještine koji se uspoređuje s vektorom namjere. Paralelno se uzimaju:

• Trenutačno opterećenje (pendinirajući zadaci, duljina reda)
• Ocjena kvalitete odgovora (prosjek iz prošlih upitnika)
• Vremenska zona (radi smanjenja latencije)

Najbolji kandidat je Alex Patel (Senior Cloud Security Engineer) s kombiniranom ocjenom 0.92. Također se predlaže AI‑asistent specijaliziran za kriptografske politike (CryptoBot) s ocjenom 0.87.

Korak 5 – Usmjeravanje i obavijest

Routing Engine kreira zadatak suradnje koji uključuje:

• Izvorno pitanje
• Otkrivene namjere
• Paket dokaza (linkovi za preuzimanje)
• Predloženi AI‑asistent (opcionalno)

Alex prima push obavijest u Slacku i kroz Procurize UI, dok se CryptoBot pokreće u pozadini spreman dopuniti odgovor.

Korak 6 – Sastavljanje odgovora

Alex pregledava dokaze, dodaje dodatni kontekst o nedavnim nadogradnjama platforme, i poziva CryptoBot da automatski generira kratak odlomak koji opisuje korišteni kriptografski algoritam (AES‑256‑GCM). Spojeni odgovor se uređuje, odobrava i šalje.

Korak 7 – Povratni krug

Kupac označi odgovor kao „potpuno zadovoljava“. Feedback Collector zapisuje:

• Tekst odgovora
• Povezane ID‑ove dokaza
• Ocjenu zadovoljstva (5/5)

Knowledge‑Graph Ingestion dodaje novi čvor “Answer‑2025‑10‑21‑001” povezan s originalnim pitanjem, dokazima i namjerama. Taj čvor postaje dio budućih sličnosti pretraga.

Korak 8 – Ažuriranje modela

Novi označeni podaci (pitanje + potvrđene namjere + odgovor) dodaju se u pipeline za trening. Nakon akumulacije npr. 1 000 takvih interakcija, model namjere se ponovno trenira, poboljšavajući prepoznavanje nijansiranih namjera poput “tenant‑level key management”.

4. Temeljni tehnički blokovi

4.1 Model otkrivanja namjere

• Arhitektura: RoBERTa‑large fino podešen na proprijeti podatkovni set od 50 k anotiranih rečenica upitnika.
• Funkcija gubitka: Binary cross‑entropy za višelabel klasifikaciju.
• Augmentacija treninga: Back‑translation za višejezičnu robusnost (engleski, njemački, japanski, španjolski).
• Učinkovitost: Macro‑F1 = 0.91 na validacijskom setu; prosječna latencija ≈ 180 ms po zahtjevu.

4.2 Platforma grafa znanja

• Motor: Neo4j 5.x s ugrađenim vektorskim indeksima (biblioteka Neo4j Graph Data Science).
• Shema u osnovi:
  • Tipovi entiteta: Policy, Control, Evidence, Question, Answer, Expert.
  • Veze: VALIDATES, EVIDENCES, AUTHORED_BY, RELATED_TO.
• Versioniranje: Svaki artefakt pohranjuje version i valid_from, omogučujući audit‑ready vremensko putovanje.

4.3 Servis profila stručnjaka

• Izvori podataka: HR direktorij (vještine, certifikati), interni sustav ticketinga (vremena završetka zadataka) i ocjena kvalitete iz anketa nakon odgovora.
• Generiranje embeddinga: FastText embeddingi fraza vještina, spojeni s vektorom opterećenja.
• Formula rangiranja:

score = α * intent_similarity
      + β * expertise_match
      + γ * availability
      + δ * historical_quality

gdje su α=0.4, β=0.35, γ=0.15, δ=0.10 (tuneirano Bayesovom optimizacijom).

4.4 Orkestracija i mikro‑servisi

Sve komponente su kontejnerizirane (Docker) i koordinirane putem Kubernetes uz Istio service mesh za observabilnost. Asinkrona komunikacija koristi NATS JetStream za low‑latency event streaming.

4.5 Sigurnost i privatnost

• Zero‑Knowledge Proofs (ZKP): Za izuzetno osjetljive dokaze (npr. interne penetration‑testove) KG pohranjuje samo ZKP obveze; stvarni file ostaje šifriran u eksternom trezoru (AWS KMS) i dešifriran na zahtjev dodijeljenog stručnjaka.
• Differential Privacy: Pipeline za trening modela dodaje kalibrirani Laplaceov šum na agregirane gradijente kako bi zaštitio sadržaj pojedinačnog upitnika.
• Audit Trail: Svaka odluka usmjeravanja, dohvat dokaza i uređivanje odgovora zapisuje se u nepromjenjivu append‑only ledger (Hyperledger Fabric), zadovoljavajući SOC 2 zahtjeve za sljedivost.

5. Mjerenje poslovnog učinka

Pilot studija s tri enterprise SaaS klijenta kroz šest mjeseci pokazala je neto ROI od 4.3×, prvenstveno zahvaljujući skraćenju prodajnih ciklusa i smanjenju pravnog opterećenja.

6. Lista provjere za timove

1. Definirajte taksonomiju namjera – surađujte s timovima za sigurnost, pravne poslove i proizvode kako biste naveli visoke‑razinske namjere (≈ 100‑150).
2. Prikupite podatke za trening – anotirajte najmanje 10 k povijesnih rečenica upitnika s pripadajućim namjerama.
3. Izgradite profile vještina – povucite podatke iz HR‑a, Jira‑e i internih anketa; normalizirajte opis vještina.
4. Postavite graf znanja – uvezite postojeće politike, dokaze i njihovu povijesnu verziju.
5. Integrirajte s hubom za suradnju – povežite motor za usmjeravanje s Slack‑om, Teams‑om ili prilagođenim UI‑jem.
6. Uspostavite povratni krug – prikupljajte ocjene zadovoljstva i dodajte ih u pipeline za retrening.
7. Nadzirajte KPI‑e – postavite Grafana ploče za latenciju, stopu uspješne dodjele i drift modela.

7. Budući smjerovi

7.1 Višemedijsko otkrivanje namjere

Uključite slike dokumenata (npr. skenirane ugovore) i audio isječke (glasovne bilješke) pomoću CLIP‑stil višemedijskih modela, proširujući mogućnost usmjeravanja izvan čistog teksta.

7.2 Federirani grafovi znanja

Omogućite cross‑organizational graph federaciju gdje partneri mogu dijeliti anonimizirane isječke politika, poboljšavajući pokrivenost namjera bez otkrivanja povjerljivih podataka.

7.3 Automatsko generiranje profila stručnjaka

Iskoristite LLM‑e za sintetiziranje draft profila vještina za nove zaposlenike na temelju parsiranja životopisa, smanjujući napor pri onboardingu.

8. Zaključak

Motor za usmjeravanje AI temeljen na namjeri preoblikuje način na koji se upravlja radnim tokovima sigurnosnih upitnika. Interpretirajući pravu namjeru iza svakog pitanja, dinamički ga podudarajući s pravim ljudskim ili AI stručnjakom i oslanjajući se na živi graf znanja, organizacije mogu:

• Ubrzati vrijeme odgovora s tjedana na sate,
• Povećati kvalitetu odgovora kroz dokaze prilagođene kontekstu,
• Skalirati suradnju kroz distribuirane timove, i
• Održavati auditable, usklađene procese koji zadovoljavaju regulatore i kupce.

Za SaaS tvrtke koje žele osigurati svoju upravu rizika dobavljača za budućnost, IBARE pruža konkretan, proširiv okvir – koji se može inkrementalno usvajati i kontinuirano poboljšavati kako evoluira pejzaž usklađenosti.