عربي БГ বাংলা ČS DA DE ΕΛ EN ES ET FI FR GA हिन्दी HR HU IT 日本語 LT LV MT NL PL PT RO РУ SK SL SV 中文

Défi IA

Concevoir un système de Question/Réponse CPU-only, purement symbolique, dont le graphe de connaissance est construit automatiquement à partir de documents en langue naturelle.

Green AI • CPU-only • Symbolique • Explicable

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).

Originalité : Aucun travail existant ne combine simultanément les contraintes suivantes :
  1. Système QA purement symbolique (pas de réseau de neurones à l'inférence)
  2. CPU-only à l'exécution (aucun GPU requis)
  3. Construction automatique du KG depuis des documents en langue naturelle
  4. Développement intégralement supervisé par des LLM open-weights quantifiés
  5. Conformité native RGPD/AI Act par construction (interprétabilité intrinsèque)
  6. 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 :

Construction automatique de graphes de connaissance

Efficacité CPU et approches légères

Impact écologique de l'IA

Conformité RGPD et AI Act

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

  1. Obtenir des performances compétitives sur des benchmarks reconnus de KGQA.
  2. Mesurer et comparer l'empreinte énergétique (CPU vs GPU) pour démontrer le gain écologique.
  3. Démontrer l'interprétabilité intrinsèque du système (traçabilité de chaque réponse).
  4. 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

ComposantPhase 1 (Construction KG)Phase 2 (QA Runtime)
CPUIntel Core i9 (max)Intel Core i9 (max)
GPUNVIDIA RTX 3090 (24 Go VRAM)Aucun (CPU-only strict)
RAM32 Go (max)32 Go (suffisant)
StockageSSD NVMeSSD 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

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 :

6.2. Compatibilité des dépendances

LicenceCompatible HL3Exemples
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

7. Conformité réglementaire

7.1. RGPD

Principe RGPDImplémentation
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 ActConformité
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.
Argument clé : Un système purement symbolique est nativement conforme aux exigences de transparence et d'explicabilité de l'AI Act, contrairement aux systèmes à base de LLM qui nécessitent des couches XAI additionnelles (Goncalves & Correia, 2026 ; Wagner et al., 2025).

8. Impact écologique

8.1. Le problème

8.2. Avantage du CPU-only symbolique

MétriqueSystème LLM (GPU)Défi IA (CPU-only)Gain estimé
Puissance instantanée300-400 W (GPU)65-125 W (CPU)~3-5×
Latence par requête0.5-5 s< 100 ms (cible)~5-50×
Énergie par requête~0.001-0.01 kWh~0.000001-0.00001 kWh~100-1000×
Matériel requisGPU ≥ 6000 €CPU grand public < 500 €~12×

8.3. Mesure obligatoire

Le projet devra mesurer et rapporter :

9. Reproductibilité

  1. Code source complet : publié sur un dépôt public, sous licence HL3.
  2. Instructions d'installation : script automatisé ou conteneurisation.
  3. Données de test : utilisation exclusive de benchmarks publics.
  4. Seeds aléatoires : fixés et documentés pour toute composante stochastique.
  5. Versioning des dépendances : fichier de dépendances épinglé.
  6. Conteneurisation : le système complet doit être exécutable de manière reproductible.
  7. 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 :

BenchmarkDescriptionTailleRéférence
SimpleQuestionsQuestions factuelles simples sur Freebase~100K questionsACL
WebQuestionsSPQuestions web avec annotations SPARQL~4 737 questionsACL
LC-QuAD 2.0Questions complexes sur DBpedia/Wikidata~30K questionsISWC
ComplexWebQuestionsQuestions multi-hop sur Freebase~34K questionsNAACL
QALDDéfi multilingue, petite taille~400-500 questionsCLEF/ESWC
MINTQABenchmark récent pour LLM+KG sur entités raresVariableEMNLP 2025
SQuAD 2.0QA extractif sur paragraphes~150K questionsACL
Natural QuestionsQuestions Google réelles~307K questionsTACL
TriviaQAQA trivia avec documents supports~95K questionsACL

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

CatégorieMétriqueDescription
Performance QAF1 score, Exact Match (EM)Précision des réponses
Performance QAHits@1, Hits@5Taux de bonne réponse dans le top-k
Performance QAMRRRang moyen de la bonne réponse
LatenceTemps de réponse moyen/p95 (ms)Mesuré sur CPU uniquement
ThroughputQuestions/secondeDébit
ÉcologiekWh/requête, gCO₂/requêteVia codecarbon/carbontracker
ExplicabilitéTaux de traçabilité% de réponses avec trace complète (cible : 100%)
Couverture KGTriplets, entités, relationsStatistiques descriptives

11.3. Baselines de comparaison

  1. RAG + LLM (GPU) : baseline neuronale sur GPU.
  2. KG-RAG (GPU) : baseline hybride KG + LLM.
  3. SPARQL direct : baseline symbolique pure (requêtes manuelles sur le même KG).

12. Spécifications de performance

CritèreCibleJustification
Latence QA< 100 ms (p95)Interactivité utilisateur acceptable
Construction KG< 1 min / 1000 documents (courts)Praticité
Empreinte mémoire QA< 4 Go RAMExécutable sur PC modeste
Taille KGScalable à 10M+ tripletsCouverture suffisante pour les benchmarks
Précision QA≥ 50% F1 sur benchmarks simplesInterprétabilité et frugalité comme arguments principaux
Traçabilité100% des réponses expliquéesAvantage clé du symbolique

13. Risques & mitigations

RisqueProbabilitéImpactMitigation
Performance QA insuffisante vs LLMÉlevéeMoyenPositionner sur l'interprétabilité/frugalité
Qualité insuffisante du KG automatiqueMoyenneÉlevéItérer sur les règles, supervision LLM
Complexité des questions multi-hopÉlevéeMoyenLimiter à ≤ 3 hops, documenter les limites
Incompatibilité licence d'une dépendanceFaibleÉlevéAudit systématique des licences
LLM open-weights insuffisant pour superviserMoyenneMoyenTester et combiner plusieurs modèles
Couverture KG limitée à grande échelleMoyenneMoyenCommencer par QALD, puis scaler

14. Critères de succès

  1. Le système QA fonctionne intégralement sur CPU sans aucun GPU à l'inférence.
  2. Le KG est construit automatiquement à partir de documents en langue naturelle.
  3. Les performances sont mesurées sur ≥ 2 benchmarks publics reconnus.
  4. 100% des réponses sont accompagnées d'une trace d'explication.
  5. La consommation énergétique est mesurée et comparée à un baseline GPU.
  6. Le code est publié sous licence Hippocratic 3.0 avec dépendances compatibles.
  7. Le système est reproductible via Docker sur le matériel spécifié.
  8. Le développement est intégralement réalisé par des LLM open-weights dans un sandbox.

15. Références bibliographiques

  1. Agarwal, P. & Bedathur, S. (2025). A Zero-Shot Neuro-Symbolic Approach for Complex Knowledge Graph Question Answering. EMNLP 2025 Findings.
  2. Ansar, W., Goswami, S. & Chakrabarti, A. (2024). From Transformers to LLMs: A Systematic Survey of Efficiency Considerations in NLP. arXiv:2406.16893.
  3. Awab, S. (2026). AI's Resource Gluttony and Sustainable Development. SSRN 6301563.
  4. Boshnjakovski, V. (2025). Balancing Compliance and Innovation: Addressing Explainability in AI Systems under the EU AI Act. MBA Thesis.
  5. Chaudhary, V. et al. (2025). Fusing Knowledge and Language: A Comparative Study of KG-Based QA with LLMs. arXiv:2509.09272.
  6. Chen, H. et al. (2025). Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs. TheWebConf 2025.
  7. Cheng, K. et al. (2025). Neural-symbolic methods for knowledge graph reasoning: A survey. ACM Trans. Knowl. Discov. Data.
  8. Chudasama, Y. et al. (2025). Toward interpretable hybrid AI: integrating knowledge graphs and symbolic reasoning. IEEE Access.
  9. Corradini, F. et al. (2025). State of the art and future directions of small language models. Big Data and Cognitive Computing.
  10. 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.
  11. Hasan, S.M. et al. (2025). Carbon emission quantification of ML: A review. IEEE Trans. Sustainable Computing.
  12. Juliussen, B.A. (2025). The Right to an Explanation Under the GDPR and the AI Act. Springer, Int. Conf. Multimedia Modeling.
  13. Kim, M.K. & Yoo, T.A. (2026). Toward Sustainable AI: A Scoping Review of Carbon Footprint. IEEE Access.
  14. Linders, J. & Tomczak, J.M. (2025). Knowledge graph-extended RAG for QA. Applied Intelligence.
  15. Liu, B. et al. (2025). SymAgent: A neural-symbolic self-learning agent framework for complex reasoning over KGs. TheWebConf 2025.
  16. Ma, C. et al. (2025). Large language models meet knowledge graphs for question answering. EMNLP 2025.
  17. Niu, G. et al. (2026). A Comprehensive Survey of Knowledge Graph Reasoning. IEEE Trans. Big Data.
  18. Perevalov, A. et al. (2024). Multilingual question answering systems for knowledge graphs — a survey. Semantic Web.
  19. Salman, M. et al. (2024). Doc-KG: Unstructured documents to KG construction. Expert Systems.
  20. Schwartz, R. et al. (2020). Green AI. Communications of the ACM, 63(12), 54-63.
  21. Sidhu, M.K. et al. (2025). Neurosymbolic AI for Enhanced Reasoning in Small Language Models. IEEE.
  22. Sovrano, F. et al. (2025). Legal XAI: Systematic Review and Interdisciplinary Mapping of XAI and EU Law. ResearchGate.
  23. Tunzina, T. et al. (2026). GreenAI: Environmental Efficiency in LLM-Generated Code. IEEE Access.
  24. Wagner, M. et al. (2025). A Critical Look at the EU AI Act's Requirements — Who Must Explain What? IEEE Int. Requirements Eng. Conf.
  25. Zavarella, V. (2026). Methods for KG Construction from Text Collections. arXiv:2603.25862.