1. Résumé du défi
Le défi vise à concevoir, implémenter et évaluer un système de question/réponse (QA) fonctionnant exclusivement sur CPU, reposant sur une architecture purement symbolique (lexique, grammaires, graphe de connaissance, logique formelle). Le développement intégral du système est piloté par des LLM open-weights quantifiés, exécutables sur un matériel grand public (CPU i9, RTX 3090).
Ce projet s'inscrit dans le mouvement du Green AI (Schwartz et al., 2020) et du Frugal AI, en opposition à la course aux modèles toujours plus massifs dont l'empreinte carbone est devenue alarmante (Kim et al., 2026 ; Hasan et al., 2025). Il répond également aux exigences croissantes de transparence, explicabilité et conformité réglementaire imposées par le RGPD et l'AI Act européen (Wagner et al., 2025 ; Juliussen, 2025).
- Système QA purement symbolique (pas de réseau de neurones à l'inférence)
- CPU-only à l'exécution (aucun GPU requis)
- Construction automatique du KG depuis des documents en langue naturelle
- Développement intégralement supervisé par des LLM open-weights quantifiés
- Conformité native RGPD/AI Act par construction (interprétabilité intrinsèque)
- Licence éthique (Hippocratic 3.0)
2. Contexte et positionnement scientifique
2.1. Problématique
Les systèmes de QA actuels reposent massivement sur des LLM (GPT, LLaMA, etc.) qui nécessitent des GPU coûteux pour l'inférence, posent des problèmes d'hallucination, de reproductibilité, d'explicabilité et de souveraineté des données. Ils fonctionnent comme des boîtes noires et sont difficilement conformes aux exigences de l'AI Act européen (Article 13) concernant la transparence des systèmes à haut risque (Wagner, 2025 ; Boshnjakovski, 2025).
2.2. État de l'art
Approches neuro-symboliques et KG-QA
La littérature récente converge vers l'intégration de graphes de connaissance (KG) et de raisonnement symbolique pour pallier les limites des approches purement neuronales :
- Cheng et al. (2025), « Neural-symbolic methods for knowledge graph reasoning » (ACM TKDD) — distinguent les approches de KG completion, complex query answering et logical rule learning, identifient le potentiel des méthodes symboliques pures pour l'interprétabilité.
- Niu et al. (2026), « A Comprehensive Survey of Knowledge Graph Reasoning » (IEEE Trans. Big Data) — couvrent le raisonnement multi-hop sur KG, incluant les approches d'Inductive Logic Programming (ILP).
- Linders & Tomczak (2025), « Knowledge graph-extended RAG for QA » (Applied Intelligence) — démontrent que les KG permettent un raisonnement symbolique et des réponses vérifiables.
- Chudasama et al. (2025), « Toward interpretable hybrid AI » (IEEE Access) — proposent TrustKG combinant interprétabilité du symbolique avec KG.
- Agarwal & Bedathur (2025), « A Zero-Shot Neuro-Symbolic Approach for Complex KGQA » (EMNLP Findings 2025).
- Liu et al. (2025), « SymAgent » (TheWebConf 2025) — agent symbolique auto-apprenant pour le KGQA.
Construction automatique de graphes de connaissance
- Zavarella (2026), « Methods for KG Construction from Text Collections » (arXiv) — cadre combinant NLP, ML et Web Sémantique.
- Salman et al. (2024), « Doc-KG » (Expert Systems) — construction de KG depuis des documents non structurés.
- Chen et al. (2025), « Open Local KG Construction from Academic Papers Using Generative LLMs » (TheWebConf 2025).
Efficacité CPU et approches légères
- Sidhu et al. (2025), « Neurosymbolic AI for Enhanced Reasoning in Small Language Models » (IEEE).
- Corradini et al. (2025), « State of the art and future directions of small language models » (Big Data and Cognitive Computing).
- Chaudhary et al. (2025) confirment que « spaCy fournit une extraction légère et haute précision, efficace sur CPU standard ».
- Okechukwu et al. (2025) confirment que « spaCy et NLTK fonctionnent efficacement sur des CPU standards ».
Impact écologique de l'IA
- Kim & Yoo (2026), « Toward Sustainable AI » (IEEE Access) — l'empreinte carbone des data centers IA a triplé entre 2024 et 2025.
- Hasan et al. (2025), « Carbon emission quantification of ML » (IEEE Trans.).
- Tunzina et al. (2026), « GreenAI: Environmental Efficiency in LLM-Generated Code » (IEEE Access).
Conformité RGPD et AI Act
- Wagner et al. (2025), « A Critical Look at the EU AI Act's Requirements » (IEEE RE).
- Juliussen (2025), « The Right to an Explanation Under the GDPR and the AI Act » (Springer).
- Goncalves & Correia (2026), « XAI-Compliance-by-Design » (MDPI).
- Sovrano et al. (2025), « Legal XAI: Systematic Review » (ResearchGate).
3. Objectifs
Objectif principal
Démontrer la faisabilité et évaluer la performance d'un système de QA CPU-only, purement symbolique, dont le graphe de connaissance est construit automatiquement à partir de documents en langue naturelle.
Objectifs secondaires
- Obtenir des performances compétitives sur des benchmarks reconnus de KGQA.
- Mesurer et comparer l'empreinte énergétique (CPU vs GPU) pour démontrer le gain écologique.
- Démontrer l'interprétabilité intrinsèque du système (traçabilité de chaque réponse).
- Fournir un logiciel reproductible, documenté et sous licence éthique.
4. Architecture & spécifications techniques
4.1. Architecture globale
Le système se décompose en deux phases distinctes :
Phase 1 — Construction du Graphe de Connaissance (offline, GPU autorisé)
Documents NL → Prétraitement → NER → Extraction de Relations → Résolution de Coréférences
→ Construction du KG (triplets RDF/OWL) → Stockage graphe
Phase 2 — Question/Réponse (runtime, CPU-only strict)
Question NL → Analyse syntaxique/sémantique → Transformation en requête formelle
→ Parcours du KG → Raisonnement logique → Génération de la réponse
→ Trace d'explication
4.2. Spécifications matérielles
| Composant | Phase 1 (Construction KG) | Phase 2 (QA Runtime) |
|---|---|---|
| CPU | Intel Core i9 (max) | Intel Core i9 (max) |
| GPU | NVIDIA RTX 3090 (24 Go VRAM) | Aucun (CPU-only strict) |
| RAM | 32 Go (max) | 32 Go (suffisant) |
| Stockage | SSD NVMe | SSD NVMe |
Justification : La Phase 1 peut utiliser le GPU pour exécuter les LLM open-weights quantifiés qui supervisent la construction du pipeline. La Phase 2, qui constitue le système déployable, doit être strictement CPU-only pour garantir l'accessibilité, la souveraineté et la frugalité.
4.3. Environnement de développement
- Sandbox : développement dans un environnement isolé pour la sécurité et la reproductibilité.
- OS cible : Linux (principale cible), avec portabilité Windows/macOS souhaitée.
- Langage(s) : libre, à condition que les dépendances respectent les contraintes de licence (section 6).
4.4. Supervision par LLM
Le développement du système est intégralement piloté par un ou plusieurs LLM open-weights, exécutables localement sur le matériel spécifié (Phase 1). Le choix des modèles, de la quantification et du cadre d'inférence est laissé au participant.
5. Architecture suggérée du pipeline
Le découpage suivant est donné à titre indicatif. Les participants sont libres de proposer une architecture différente, à condition de respecter les contraintes fonctionnelles (sections 3, 4 et 12) et de licence (section 6).
5.1. Prétraitement textuel
- Segmentation en phrases
- Tokenisation
- Lemmatisation
- Part-of-Speech tagging
- Analyse syntaxique en dépendances
5.2. Extraction d'Entités Nommées (NER)
- Détection des entités (personnes, lieux, organisations, dates, concepts)
- Typage des entités selon une ontologie de domaine
- Résolution de coréférences
5.3. Extraction de Relations (RE)
- Extraction de triplets (sujet, prédicat, objet) depuis le texte
- Extraction ouverte ou guidée par patrons
5.4. Construction du Graphe de Connaissance
- Normalisation et fusion d'entités (entity linking)
- Construction et stockage du graphe (triplets)
- Enrichissement par inférence de relations implicites
- Validation et nettoyage du graphe
5.5. Compréhension de Questions
- Analyse syntaxique de la question en langue naturelle
- Identification du type de question (qui, quoi, où, quand…)
- Extraction des entités et relations mentionnées
- Transformation en requête formelle sur le graphe
5.6. Raisonnement & recherche de réponses
- Parcours du graphe de connaissance (raisonnement multi-hop)
- Résolution logique et classement des réponses candidates
5.7. Génération de réponses & explications
- Formulation de la réponse en langue naturelle
- Trace d'explication complète : chemin dans le KG, règles appliquées, entités et relations impliquées, confiance/complétude
6. Contraintes de licence
6.1. Licence Hippocratic 3.0 (HL3)
Le logiciel final sera publié sous Hippocratic License 3.0 (firstdonoharm.dev). Cette licence :
- N'est pas considérée comme open source au sens de l'OSI (contraintes éthiques sur les usages).
- Est une licence copyleft (Section 8.3).
- Impose des standards éthiques basés sur les droits humains fondamentaux (DUDH, PIDESC, PIDCP, OIT).
6.2. Compatibilité des dépendances
| Licence | Compatible HL3 | Exemples |
|---|---|---|
| MIT | ✅ Oui | — |
| BSD (2/3-clause) | ✅ Oui | — |
| Apache 2.0 | ✅ Oui | — |
| ISC / CC0 | ✅ Oui | — |
| GPL v2/v3 | ⚠️ Potentiellement incompatible | — |
| AGPL | ❌ Probablement incompatible | — |
6.3. Modules HL3 optionnels recommandés
- HL3-ECO (Ecocide) — cohérent avec l'objectif de réduction de l'impact écologique.
- HL3-MEDIA — interdiction d'utilisation pour la promotion de la violence.
- HL3-SV (Mass Surveillance) — cohérent avec la souveraineté et la confidentialité.
7. Conformité réglementaire
7.1. RGPD
| Principe RGPD | Implémentation |
|---|---|
| Minimisation des données (Art. 5.1.c) | Le KG ne stocke que les triplets pertinents extraits, pas les données personnelles brutes. |
| Droit à l'explication (Art. 22 + considérant 71) | Trace d'explication complète pour chaque réponse. |
| Droit à l'effacement (Art. 17) | Possibilité de supprimer des entités/triplets du KG. |
| Privacy by design (Art. 25) | Pas de données sensibles dans le KG sauf nécessité documentée. |
| Pas de profilage automatisé (Art. 22) | Le système ne prend pas de décisions automatisées sur des personnes. |
7.2. AI Act européen
| Exigence AI Act | Conformité |
|---|---|
| Transparence (Art. 13) | Architecture symbolique intrinsèquement interprétable — chaque étape de raisonnement est traçable. |
| Explicabilité (Art. 13.1) | Trace complète : question → requête formelle → chemin KG → réponse. |
| Documentation technique (Art. 11) | Pipeline symbolique entièrement documentable (grammaires, règles, ontologie). |
| Robustesse et exactitude (Art. 15) | Pas d'hallucination — les réponses proviennent exclusivement du KG. |
| Supervision humaine (Art. 14) | Le KG est inspectable et modifiable par un humain. |
| Gestion des risques (Art. 9) | Risque faible : pas de modèle opaque, pas de biais émergent. |
8. Impact écologique
8.1. Le problème
- L'entraînement de GPT-3 a consommé environ 1 287 MWh, soit ~552 tonnes de CO₂.
- Les centres de données IA ont vu leur empreinte carbone tripler entre 2024 et 2025 (Awab, 2026).
- Une requête LLM consomme environ 10× plus d'énergie qu'une recherche web classique (Kim & Yoo, 2026).
8.2. Avantage du CPU-only symbolique
| Métrique | Système LLM (GPU) | Défi IA (CPU-only) | Gain estimé |
|---|---|---|---|
| Puissance instantanée | 300-400 W (GPU) | 65-125 W (CPU) | ~3-5× |
| Latence par requête | 0.5-5 s | < 100 ms (cible) | ~5-50× |
| Énergie par requête | ~0.001-0.01 kWh | ~0.000001-0.00001 kWh | ~100-1000× |
| Matériel requis | GPU ≥ 6000 € | CPU grand public < 500 € | ~12× |
8.3. Mesure obligatoire
Le projet devra mesurer et rapporter :
- Consommation énergétique (kWh) de la construction du KG.
- Consommation énergétique par requête QA.
- Empreinte CO₂ correspondante.
- Comparaison avec un système baseline GPU.
9. Reproductibilité
- Code source complet : publié sur un dépôt public, sous licence HL3.
- Instructions d'installation : script automatisé ou conteneurisation.
- Données de test : utilisation exclusive de benchmarks publics.
- Seeds aléatoires : fixés et documentés pour toute composante stochastique.
- Versioning des dépendances : fichier de dépendances épinglé.
- Conteneurisation : le système complet doit être exécutable de manière reproductible.
- Matériel minimal documenté : spécifications minimales explicites.
Le matériel maximum requis (i9 + RTX 3090) est accessible au plus grand nombre. La Phase 2 (QA runtime) ne nécessite aucun GPU, permettant l'exécution sur un simple laptop.
10. Souveraineté, sécurité & confidentialité
Souveraineté numérique
- Aucune dépendance cloud — fonctionnement intégralement local.
- Pas d'appel API externe — aucune donnée ne quitte la machine.
- LLM open-weights téléchargeables et exécutables localement.
- Pas de vendor lock-in.
Sécurité
- Exécution sandboxée (environnement isolé).
- Pas d'exécution de code arbitraire.
- Pas de prompt injection (pas de LLM à l'inférence).
- Validation des entrées par grammaire formelle.
Confidentialité
- Traitement local exclusif — les documents ne quittent jamais la machine.
- Pas de télémétrie.
- KG effaçable à la demande.
- Possibilité d'instancier des KG distincts par utilisateur ou par domaine.
11. Benchmarks & évaluation
11.1. Benchmarks KGQA reconnus
Le système devra être évalué sur au moins deux des benchmarks suivants :
| Benchmark | Description | Taille | Référence |
|---|---|---|---|
| SimpleQuestions | Questions factuelles simples sur Freebase | ~100K questions | ACL |
| WebQuestionsSP | Questions web avec annotations SPARQL | ~4 737 questions | ACL |
| LC-QuAD 2.0 | Questions complexes sur DBpedia/Wikidata | ~30K questions | ISWC |
| ComplexWebQuestions | Questions multi-hop sur Freebase | ~34K questions | NAACL |
| QALD | Défi multilingue, petite taille | ~400-500 questions | CLEF/ESWC |
| MINTQA | Benchmark récent pour LLM+KG sur entités rares | Variable | EMNLP 2025 |
| SQuAD 2.0 | QA extractif sur paragraphes | ~150K questions | ACL |
| Natural Questions | Questions Google réelles | ~307K questions | TACL |
| TriviaQA | QA trivia avec documents supports | ~95K questions | ACL |
Recommandation : privilégier LC-QuAD 2.0 et QALD, complétés par SQuAD ou Natural Questions pour la comparaison avec les approches neuronales.
11.2. Métriques d'évaluation
| Catégorie | Métrique | Description |
|---|---|---|
| Performance QA | F1 score, Exact Match (EM) | Précision des réponses |
| Performance QA | Hits@1, Hits@5 | Taux de bonne réponse dans le top-k |
| Performance QA | MRR | Rang moyen de la bonne réponse |
| Latence | Temps de réponse moyen/p95 (ms) | Mesuré sur CPU uniquement |
| Throughput | Questions/seconde | Débit |
| Écologie | kWh/requête, gCO₂/requête | Via codecarbon/carbontracker |
| Explicabilité | Taux de traçabilité | % de réponses avec trace complète (cible : 100%) |
| Couverture KG | Triplets, entités, relations | Statistiques descriptives |
11.3. Baselines de comparaison
- RAG + LLM (GPU) : baseline neuronale sur GPU.
- KG-RAG (GPU) : baseline hybride KG + LLM.
- SPARQL direct : baseline symbolique pure (requêtes manuelles sur le même KG).
12. Spécifications de performance
| Critère | Cible | Justification |
|---|---|---|
| Latence QA | < 100 ms (p95) | Interactivité utilisateur acceptable |
| Construction KG | < 1 min / 1000 documents (courts) | Praticité |
| Empreinte mémoire QA | < 4 Go RAM | Exécutable sur PC modeste |
| Taille KG | Scalable à 10M+ triplets | Couverture suffisante pour les benchmarks |
| Précision QA | ≥ 50% F1 sur benchmarks simples | Interprétabilité et frugalité comme arguments principaux |
| Traçabilité | 100% des réponses expliquées | Avantage clé du symbolique |
13. Risques & mitigations
| Risque | Probabilité | Impact | Mitigation |
|---|---|---|---|
| Performance QA insuffisante vs LLM | Élevée | Moyen | Positionner sur l'interprétabilité/frugalité |
| Qualité insuffisante du KG automatique | Moyenne | Élevé | Itérer sur les règles, supervision LLM |
| Complexité des questions multi-hop | Élevée | Moyen | Limiter à ≤ 3 hops, documenter les limites |
| Incompatibilité licence d'une dépendance | Faible | Élevé | Audit systématique des licences |
| LLM open-weights insuffisant pour superviser | Moyenne | Moyen | Tester et combiner plusieurs modèles |
| Couverture KG limitée à grande échelle | Moyenne | Moyen | Commencer par QALD, puis scaler |
14. Critères de succès
- Le système QA fonctionne intégralement sur CPU sans aucun GPU à l'inférence.
- Le KG est construit automatiquement à partir de documents en langue naturelle.
- Les performances sont mesurées sur ≥ 2 benchmarks publics reconnus.
- 100% des réponses sont accompagnées d'une trace d'explication.
- La consommation énergétique est mesurée et comparée à un baseline GPU.
- Le code est publié sous licence Hippocratic 3.0 avec dépendances compatibles.
- Le système est reproductible via Docker sur le matériel spécifié.
- Le développement est intégralement réalisé par des LLM open-weights dans un sandbox.
15. Références bibliographiques
- Agarwal, P. & Bedathur, S. (2025). A Zero-Shot Neuro-Symbolic Approach for Complex Knowledge Graph Question Answering. EMNLP 2025 Findings.
- Ansar, W., Goswami, S. & Chakrabarti, A. (2024). From Transformers to LLMs: A Systematic Survey of Efficiency Considerations in NLP. arXiv:2406.16893.
- Awab, S. (2026). AI's Resource Gluttony and Sustainable Development. SSRN 6301563.
- Boshnjakovski, V. (2025). Balancing Compliance and Innovation: Addressing Explainability in AI Systems under the EU AI Act. MBA Thesis.
- Chaudhary, V. et al. (2025). Fusing Knowledge and Language: A Comparative Study of KG-Based QA with LLMs. arXiv:2509.09272.
- Chen, H. et al. (2025). Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs. TheWebConf 2025.
- Cheng, K. et al. (2025). Neural-symbolic methods for knowledge graph reasoning: A survey. ACM Trans. Knowl. Discov. Data.
- Chudasama, Y. et al. (2025). Toward interpretable hybrid AI: integrating knowledge graphs and symbolic reasoning. IEEE Access.
- Corradini, F. et al. (2025). State of the art and future directions of small language models. Big Data and Cognitive Computing.
- Goncalves, A. & Correia, A. (2026). XAI-Compliance-by-Design: A Modular Framework for GDPR- and AI Act-Aligned Decision Transparency. MDPI J. Cybersecurity and Privacy.
- Hasan, S.M. et al. (2025). Carbon emission quantification of ML: A review. IEEE Trans. Sustainable Computing.
- Juliussen, B.A. (2025). The Right to an Explanation Under the GDPR and the AI Act. Springer, Int. Conf. Multimedia Modeling.
- Kim, M.K. & Yoo, T.A. (2026). Toward Sustainable AI: A Scoping Review of Carbon Footprint. IEEE Access.
- Linders, J. & Tomczak, J.M. (2025). Knowledge graph-extended RAG for QA. Applied Intelligence.
- Liu, B. et al. (2025). SymAgent: A neural-symbolic self-learning agent framework for complex reasoning over KGs. TheWebConf 2025.
- Ma, C. et al. (2025). Large language models meet knowledge graphs for question answering. EMNLP 2025.
- Niu, G. et al. (2026). A Comprehensive Survey of Knowledge Graph Reasoning. IEEE Trans. Big Data.
- Perevalov, A. et al. (2024). Multilingual question answering systems for knowledge graphs — a survey. Semantic Web.
- Salman, M. et al. (2024). Doc-KG: Unstructured documents to KG construction. Expert Systems.
- Schwartz, R. et al. (2020). Green AI. Communications of the ACM, 63(12), 54-63.
- Sidhu, M.K. et al. (2025). Neurosymbolic AI for Enhanced Reasoning in Small Language Models. IEEE.
- Sovrano, F. et al. (2025). Legal XAI: Systematic Review and Interdisciplinary Mapping of XAI and EU Law. ResearchGate.
- Tunzina, T. et al. (2026). GreenAI: Environmental Efficiency in LLM-Generated Code. IEEE Access.
- Wagner, M. et al. (2025). A Critical Look at the EU AI Act's Requirements — Who Must Explain What? IEEE Int. Requirements Eng. Conf.
- Zavarella, V. (2026). Methods for KG Construction from Text Collections. arXiv:2603.25862.