Система маршрутизації ШІ на основі намірів для спільної роботи над питаннями безпеки у режимі реальному часу

Опитувальники безпеки, аудити відповідності та оцінки ризиків постачальників залишаються постійною проблемою для SaaS‑компаній. Традиційний процес — ручне сортування, статичні списки призначень і випадковий обмін електронними листами — створює затримки, призводить до людських помилок і ускладнює масштабування у міру зростання кількості опитувальників.

А що, якщо кожне питання могло миттєво маршрутизуватися до точної особи (або AI‑ассистента), що володіє необхідними знаннями, одночасно відображаючи підтверджуючі докази з живого графа знань?

Представляємо Систему маршрутизації ШІ на основі намірів (IBARE), новий архітектурний шаблон, що забезпечує співпрацю в реальному часі, орієнтовану на наміри, у платформах типу Procurize. IBARE поєднує передові технології розуміння природної мови, постійно збагачений граф знань та легковаговий шар оркестрації мікросервісів, щоб надати:

• Класифікація питань за субсекунди — система розуміє підлеглий намір питання (наприклад, “шифрування в спокої”, “процес реагування на інциденти”, “місце зберігання даних”), а не лише базується на пошуку ключових слів.
• Динамічний підбір експертів — використовуючи профілі навичок, метрики навантаження та історичну якість відповідей, IBARE обирає найвідповіднішого експерта (SME), AI‑ассистента або їх гібридну пару.
• Контекстуальне отримання доказів — рішення про маршрутизацію збагачується релевантними уривками політик, аудиторськими артефактами та версійними доказами, отриманими з федеративного графа знань.
• Зворотний зв’язок у реальному часі — кожне відповідане питання повертається в модель, покращуючи виявлення намірів та ранжування експертів для майбутніх опитувальників.

У наступних розділах ми розберемо архітектуру, пройдемо реальний приклад використання, розглянемо ключові деталі впровадження та кількісно оцінмо бізнес‑вплив.

1. Чому намір, а не ключові слова?

Більшість існуючих інструментів автоматизації опитувальників базуються на простій маршрутизації за ключовими словами або правилами:

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

Такі підходи розпадаються, коли питання сформульовані неоднозначно, містять кілька тем або використовують специфічний галузевий жаргон.

Виявлення намірів йде далі, інтерпретуючи що саме потрібне запитувачу:

Витягуючи семантичний намір, система може направляти питання члену команди, чиї знання відповідають дії або концепції, а не лише поверхневому терміну.

2. Архітектура високого рівня

Нижче наведено діаграму Mermaid, що візуалізує основні компоненти та потік даних IBARE.

  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;

Ключові компоненти

3. Детальний розгляд реального сценарію

Сценарій: Інженер з продажу отримує запит від потенційного корпоративного клієнта:

“Чи можете ви надати деталі про те, як ви ізолюєте дані клієнтів у мульти‑тенантному середовищі та які механізми шифрування ви використовуєте для даних у спокої?”

Крок 1 – Подання

Інженер вставляє питання у інтерфейс Procurize. UI надсилає POST‑запит до API з необробленим текстом.

Крок 2 – Витяг наміру

Служба виявлення намірів пропускає текст через донавчену трансформер‑модель, яка повертає розподіл ймовірностей за таксономією у 120 намірів. Для цього питання три найвищі наміри:

1. Ізоляція тенантів – 0.71
2. Шифрування‑в‑спокої – 0.65
3. Резидентність даних – 0.22

Ці наміри зберігаються у вигляді багатокласового вектора у записі питання.

Крок 3 – Запит до графа знань

KG отримує вектор намірів і виконує семантичний пошук схожості (за допомогою векторних ембеддінг документів). Повертає:

Найбільш релевантні артефакти упакуються у пакети доказів.

Крок 4 – Підбір експертів

Служба профілів навичок шукає всіх експертів з тегами Хмарна архітектура, Безпека, Відповідність. Кожен профіль порівнюється з вектором наміру; одночасно враховуються:

• Поточне навантаження (відкриті задачі, довжина черги)
• Оцінка якості відповідей (середня за минулі анкети)
• Тайм‑зона (для мінімізації затримки)

Топовий кандидат – Олексій Пател, старший інженер з безпеки хмари (композитний бал 0.92). Також пропонується AI‑ассистент CryptoBot з балом 0.87.

Крок 5 – Маршрутизація та сповіщення

Двигун маршрутизації створює завдання співпраці, яке містить:

• Оригінальне питання
• Визначені наміри
• Пакет доказів (посилання на завантаження)
• Пропозицію AI‑ассистента (необов’язково)

Олексій отримує push‑сповіщення у Slack та в UI Procurize, а CryptoBot запускається у фоновому режимі, готовий доповнити відповідь.

Крок 6 – Складання відповіді

Олексій переглядає докази, додає контекст про останні оновлення платформи, і викликає CryptoBot, щоб автоматично згенерувати абзац про алгоритм шифрування (AES‑256‑GCM). Об’єднана відповідь редагується, затверджується та надсилається.

Крок 7 – Зворотний зв’язок

Замовник позначає відповідь як “повністю задовільну”. Збирач зворотного зв’язку реєструє:

• Текст відповіді
• Ідентифікатори використаних доказів
• Оцінку задоволеності (5/5)

Імпорт у граф знань додає новий вузол “Answer‑2025‑10‑21‑001”, зв’язаний з оригінальним питанням, доказами та намірами. Цей вузол буде врахований у майбутніх подібних пошуках.

Крок 8 – Оновлення моделі

Нові марковані дані (питання + підтверджені наміри + відповідь) додаються до pipeline навчання. Після накопичення 1 000 взаємодій модель перенавчається, підвищуючи точність у виявленні складних намірів, наприклад “керування ключами у мульти‑тенантному середовищі”.

4. Основні технічні складові

4.1 Модель виявлення намірів

• Архітектура: RoBERTa‑large, донавчена на власному наборі з 50 тис. анотованих речень анкети.
• Функція втрат: бінарна крос‑ентропія для багатокласової класифікації.
• Аугментація навчання: зворотний переклад для багатомовної стійкості (англійська, німецька, японська, іспанська).
• Продуктивність: Macro‑F1 = 0.91 на валідаційному наборі; середня затримка ≈ 180 мс за запит.

4.2 Платформа графа знань

• Двигунок: Neo4j 5.x з вбудованими індексами векторної схожості (через бібліотеку Neo4j Graph Data Science).
• Схема:
  • Типи сутностей: Policy, Control, Evidence, Question, Answer, Expert.
  • Відношення: VALIDATES, EVIDENCES, AUTHORED_BY, RELATED_TO.
• Версіонування: Кожен артефакт має властивість version та мітку часу valid_from, що дає можливість аудиту в часі.

4.3 Служба профілів навичок

• Джерела даних: HR‑каталог (навички, сертифікати), система тикетів (час виконання задач), оцінки якості (після відповіді).
• Генерація ембеддінг: FastText‑ембеддінги фраз навичок, конкатеновані з вектором навантаження.
• Формула ранжування:

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

де α=0.4, β=0.35, γ=0.15, δ=0.10 (тюнінг через Bayesian optimization).

4.4 Оркестрація мікросервісів

Усі сервіси упаковані в Docker‑контейнери та координуються Kubernetes з Istio для спостереження. Асинхронна комунікація – NATS JetStream для низьколатентних подій.

4.5 Безпека та конфіденційність

• Zero‑Knowledge Proofs (ZKP): Для надзвичайно чутливих доказів (наприклад, внутрішні результати пенетраційного тесту) KG зберігає лише ZKP‑коміти; сам файл залишаєcь зашифровано у зовнішньому сховищі (AWS KMS) і розшифровується лише для призначеного експерта.
• Диференціальна приватність: На етапі навчання модель отримує каліброване шумове додавання Лапласа до агрегованих градієнтів, захищаючи вміст окремих питань.
• Аудит‑лог: Кожне рішення про маршрутизацію, пошук доказів і редагування відповіді журналюється у незмінному реєстрі (Hyperledger Fabric), задовольняючи вимоги SOC 2 щодо трасованості.

5. Кількісний оцінка бізнес‑впливу

Пілотний запуск у трьох SaaS‑клієнтів протягом шести місяців продемонстрував чистий ROI = 4.3×, переважно завдяки скороченню циклів продажу та зниженню юридичних витрат.

6. Перелік дій для команд

1. Визначити таксономію намірів – узгодити з безпекою, юридичним відділом та продуктовими командами ≈ 100‑150 намірів.
2. Зібрати навчальні дані – анотувати щонайменше 10 к історичних питань з відповідними намірами.
3. Створити профілі навичок – підключити дані HR, Jira та внутрішні опитування; нормалізувати опис навичок.
4. Розгорнути граф знань – імпортувати існуючі політики, докази та їх історію змін.
5. Інтегрувати з центром співпраці – підключити routing‑engine до Slack, Teams або кастомного UI.
6. Налаштувати зворотний зв’язок – збирати рейтинги задоволеності та автоматично додавати їх у pipeline перенавчання.
7. Моніторити KPI – налаштувати Grafana‑дашборди для затримок, успішності маршрутизації та дрейфу моделі.

7. Перспективи розвитку

7.1 Багатомодальна виявлення намірів

Додати зображення документів (скановані контракти) та аудіо‑записи (голосові брифінги) за допомогою CLIP‑подібних моделей, розширюючи можливість маршрутизації поза текстом.

7.2 Федеративні графи знань

Запровадити спільний граф між партнёрськими компаніями, дозволяючи обмінюватися анонімізованими фрагментами політик без розкриття конфіденційних даних.

7.3 Автоматичне створення профілів експертів

Використовувати LLM‑моделі для синтезу початкових профілів нових співробітників на основі їх резюме, зменшуючи час на онбординг.

8. Висновок

Система маршрутизації ШІ на основі намірів переосмислює процеси роботи з опитувальниками безпеки. Шляхом розуміння справжнього наміну за питанням, динамічного підбору експертів та контекстуального підкріплення доказами, організації можуть:

• Скоротити час відповіді з тижнів до годин,
• Підвищити якість за рахунок точного підбору знань,
• Масштабувати співпрацю у розподілених командах, та
• Зберегти аудиторську прозорість, задовольняючи вимоги регуляторів і клієнтів.

Для SaaS‑компаній, які прагнуть оптимізувати управління ризиками постачальників, IBARE пропонує конкретний, розширюваний шаблон, що може бути впроваджений поступово та постійно вдосконалюваний у відповідності до зростаючих вимог ринку.