1. ملخص التحدي
يهدف التحدي إلى تصميم وتنفيذ وتقييم نظام أسئلة/أجوبة (QA) يعمل حصريًا على CPU، يعتمد على بنية رمزية بالكامل (معجم، قواعد نحوية، رسم بياني معرفي، منطق صوري). يُوجَّه تطوير النظام بالكامل بواسطة نماذج لغوية كبيرة مفتوحة الأوزان ومكمّمة، قابلة للتشغيل على أجهزة استهلاكية (i9 CPU، RTX 3090).
يندرج هذا المشروع ضمن حركة Green AI (Schwartz et al., 2020) وFrugal AI، في مواجهة السباق نحو نماذج أكبر باستمرار أصبحت بصمتها الكربونية مقلقة (Kim et al., 2026; Hasan et al., 2025). كما يلبي المتطلبات المتزايدة لـالشفافية والقابلية للتفسير والامتثال التنظيمي التي يفرضها GDPR وقانون الذكاء الاصطناعي الأوروبي (Wagner et al., 2025; Juliussen, 2025).
- نظام QA رمزي بالكامل (بدون شبكة عصبية عند الاستدلال)
- CPU فقط أثناء التشغيل (بدون GPU)
- بناء تلقائي لـ KG من وثائق بلغة طبيعية
- تطوير يُشرف عليه بالكامل بواسطة LLMs مفتوحة الأوزان ومكمّمة
- امتثال أصيل لـ GDPR/قانون الذكاء الاصطناعي بالتصميم (قابلية تفسير جوهرية)
- ترخيص أخلاقي (Hippocratic 3.0)
2. السياق والتموضع العلمي
2.1. صياغة المشكلة
تعتمد أنظمة QA الحالية بشكل كبير على LLMs (GPT، LLaMA، إلخ) التي تتطلب وحدات GPU باهظة الثمن للاستدلال، وتثير مشاكل الهلوسة وقابلية التكرار والقابلية للتفسير وسيادة البيانات. تعمل كصناديق سوداء ويصعب جعلها متوافقة مع متطلبات قانون الذكاء الاصطناعي الأوروبي (المادة 13) بشأن شفافية الأنظمة عالية المخاطر (Wagner, 2025; Boshnjakovski, 2025).
2.2. حالة الفن
المناهج العصبية-الرمزية و KG-QA
تتقارب الأدبيات الحديثة نحو دمج الرسوم البيانية المعرفية (KG) والاستدلال الرمزي لمعالجة قيود المناهج العصبية البحتة:
- Cheng et al. (2025), "Neural-symbolic methods for knowledge graph reasoning" (ACM TKDD) — يميّزون بين مناهج إكمال KG والاستعلام المعقد وتعلم القواعد المنطقية؛ ويحددون إمكانات الطرق الرمزية البحتة من حيث القابلية للتفسير.
- Niu et al. (2026), "A Comprehensive Survey of Knowledge Graph Reasoning" (IEEE Trans. Big Data) — يغطون الاستدلال متعدد القفزات على KG، بما في ذلك مناهج Inductive Logic Programming (ILP).
- Linders & Tomczak (2025), "Knowledge graph-extended RAG for QA" (Applied Intelligence) — يُثبتون أن KGs تمكّن من الاستدلال الرمزي والإجابات القابلة للتحقق.
- Chudasama et al. (2025), "Toward interpretable hybrid AI" (IEEE Access) — يقترحون TrustKG الذي يجمع بين القابلية للتفسير الرمزية و KG.
- Agarwal & Bedathur (2025), "A Zero-Shot Neuro-Symbolic Approach for Complex KGQA" (EMNLP Findings 2025).
- Liu et al. (2025), "SymAgent" (TheWebConf 2025) — وكيل رمزي ذاتي التعلم لـ KGQA.
بناء الرسم البياني المعرفي التلقائي
- Zavarella (2026), "Methods for KG Construction from Text Collections" (arXiv) — إطار يجمع بين NLP و ML والويب الدلالي.
- Salman et al. (2024), "Doc-KG" (Expert Systems) — بناء KG من وثائق غير مهيكلة.
- Chen et al. (2025), "Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs" (TheWebConf 2025).
كفاءة CPU والمناهج الخفيفة
- 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) يؤكدون أن "spaCy provides lightweight, high-precision extraction, efficient on standard CPU".
- Okechukwu et al. (2025) يؤكدون أن "spaCy and NLTK operate efficiently on standard CPUs".
الأثر البيئي للذكاء الاصطناعي
- Kim & Yoo (2026), "Toward Sustainable AI" (IEEE Access) — تضاعفت البصمة الكربونية لمراكز بيانات الذكاء الاصطناعي ثلاث مرات بين 2024 و2025.
- Hasan et al. (2025), "Carbon emission quantification of ML" (IEEE Trans.).
- Tunzina et al. (2026), "GreenAI: Environmental Efficiency in LLM-Generated Code" (IEEE Access).
الامتثال لـ GDPR وقانون الذكاء الاصطناعي
- 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. الأهداف
الهدف الرئيسي
إثبات جدوى وتقييم أداء نظام QA رمزي بالكامل يعمل على CPU فقط يُبنى رسمه البياني المعرفي تلقائيًا من وثائق بلغة طبيعية.
الأهداف الثانوية
- تحقيق أداء تنافسي على معايير KGQA المعترف بها.
- قياس ومقارنة البصمة الطاقوية (CPU مقابل GPU) لإثبات الفائدة البيئية.
- إثبات القابلية للتفسير الجوهرية للنظام (تتبع كل إجابة).
- توفير برنامج قابل للتكرار وموثق تحت ترخيص أخلاقي.
4. البنية والمواصفات التقنية
4.1. البنية العامة
ينقسم النظام إلى مرحلتين متميزتين:
المرحلة 1 — بناء الرسم البياني المعرفي (دون اتصال، يُسمح بـ GPU)
وثائق بلغة طبيعية → معالجة مسبقة → NER → استخراج العلاقات → حل المراجع المشتركة
→ بناء KG (ثلاثيات RDF/OWL) → تخزين الرسم البياني
المرحلة 2 — أسئلة/أجوبة (تشغيل، CPU فقط بشكل صارم)
سؤال بلغة طبيعية → تحليل نحوي/دلالي → تحويل إلى استعلام صوري
→ اجتياز KG → استدلال منطقي → توليد الإجابة
→ أثر التفسير
4.2. المواصفات المادية
| المكوّن | المرحلة 1 (بناء KG) | المرحلة 2 (تشغيل QA) |
|---|---|---|
| CPU | Intel Core i9 (حد أقصى) | Intel Core i9 (حد أقصى) |
| GPU | NVIDIA RTX 3090 (24 GB VRAM) | لا شيء (CPU فقط بشكل صارم) |
| RAM | 32 GB (حد أقصى) | 32 GB (كافية) |
| تخزين | NVMe SSD | NVMe SSD |
التبرير: قد تستخدم المرحلة 1 الـ GPU لتشغيل LLMs مفتوحة الأوزان المكمّمة التي تشرف على بناء خط الأنابيب. المرحلة 2، التي تمثل النظام القابل للنشر، يجب أن تكون CPU فقط بشكل صارم لضمان إمكانية الوصول والسيادة والاقتصاد.
4.3. بيئة التطوير
- بيئة معزولة: التطوير في بيئة معزولة للأمن وقابلية التكرار.
- نظام التشغيل المستهدف: Linux (هدف أساسي)، مع قابلية النقل إلى Windows/macOS مرغوبة.
- اللغة (اللغات): حرية الاختيار، شرط أن تتوافق التبعيات مع قيود الترخيص (القسم 6).
4.4. إشراف LLM
يُوجَّه تطوير النظام بالكامل بواسطة واحد أو أكثر من LLMs مفتوحة الأوزان، قابلة للتشغيل محليًا على المعدات المحددة (المرحلة 1). يُترك اختيار النماذج والتكميم وإطار الاستدلال للمشارك.
5. بنية خط الأنابيب المقترحة
يُقدَّم التقسيم التالي كدليل إرشادي. للمشاركين حرية اقتراح بنية مختلفة، شرط استيفاء القيود الوظيفية (الأقسام 3 و4 و12) ومتطلبات الترخيص (القسم 6).
5.1. المعالجة المسبقة للنصوص
- تقسيم الجمل
- التقطيع
- التجذير
- وسم أجزاء الكلام
- تحليل التبعية
5.2. التعرف على الكيانات المسماة (NER)
- كشف الكيانات (أشخاص، أماكن، منظمات، تواريخ، مفاهيم)
- تصنيف الكيانات وفق أنطولوجيا المجال
- حل المراجع المشتركة
5.3. استخراج العلاقات (RE)
- استخراج الثلاثيات (فاعل، مسند، مفعول) من النص
- استخراج مفتوح أو موجه بالأنماط
5.4. بناء الرسم البياني المعرفي
- تطبيع ودمج الكيانات (ربط الكيانات)
- بناء وتخزين الرسم البياني (ثلاثيات)
- إثراء من خلال استنتاج العلاقات الضمنية
- التحقق من الرسم البياني وتنظيفه
5.5. فهم الأسئلة
- التحليل النحوي للسؤال بلغة طبيعية
- تحديد نوع السؤال (من، ماذا، أين، متى…)
- استخراج الكيانات والعلاقات المذكورة
- التحويل إلى استعلام صوري على الرسم البياني
5.6. الاستدلال والبحث عن الإجابات
- اجتياز الرسم البياني المعرفي (استدلال متعدد القفزات)
- الحل المنطقي وترتيب الإجابات المرشحة
5.7. توليد الإجابات والتفسيرات
- صياغة الإجابة بلغة طبيعية
- أثر تفسير كامل: المسار في KG، القواعد المطبقة، الكيانات والعلاقات المعنية، الثقة/الاكتمال
6. قيود الترخيص
6.1. ترخيص Hippocratic 3.0 (HL3)
سيُنشر البرنامج النهائي تحت ترخيص Hippocratic 3.0 (firstdonoharm.dev). هذا الترخيص:
- لا يعتبر مفتوح المصدر بالمعنى المعتمد من OSI (قيود أخلاقية على الاستخدام).
- هو ترخيص copyleft (القسم 8.3).
- يفرض معايير أخلاقية مبنية على حقوق الإنسان الأساسية (UDHR، ICESCR، ICCPR، ILO).
6.2. توافق التبعيات
| الترخيص | متوافق مع HL3 | أمثلة |
|---|---|---|
| MIT | ✅ نعم | — |
| BSD (2/3-clause) | ✅ نعم | — |
| Apache 2.0 | ✅ نعم | — |
| ISC / CC0 | ✅ نعم | — |
| GPL v2/v3 | ⚠️ احتمال عدم التوافق | — |
| AGPL | ❌ على الأرجح غير متوافق | — |
6.3. وحدات HL3 الاختيارية الموصى بها
- HL3-ECO (الإبادة البيئية) — متسقة مع هدف تقليل الأثر البيئي.
- HL3-MEDIA — حظر الاستخدام لترويج العنف.
- HL3-SV (المراقبة الجماعية) — متسقة مع السيادة والخصوصية.
7. الامتثال التنظيمي
7.1. GDPR
| مبدأ GDPR | التنفيذ |
|---|---|
| تقليل البيانات (المادة 5.1.c) | يخزن KG فقط الثلاثيات المستخرجة ذات الصلة، وليس البيانات الشخصية الخام. |
| الحق في التفسير (المادة 22 + الحيثية 71) | أثر تفسير كامل لكل إجابة. |
| الحق في المحو (المادة 17) | القدرة على حذف الكيانات/الثلاثيات من KG. |
| الخصوصية بالتصميم (المادة 25) | لا بيانات حساسة في KG إلا عند وجود ضرورة موثقة. |
| لا تنميط آلي (المادة 22) | النظام لا يتخذ قرارات آلية بشأن الأفراد. |
7.2. قانون الذكاء الاصطناعي الأوروبي
| متطلب قانون الذكاء الاصطناعي | الامتثال |
|---|---|
| الشفافية (المادة 13) | بنية رمزية قابلة للتفسير جوهريًا — كل خطوة استدلال قابلة للتتبع. |
| القابلية للتفسير (المادة 13.1) | أثر كامل: سؤال → استعلام صوري → مسار KG → إجابة. |
| التوثيق التقني (المادة 11) | خط أنابيب رمزي قابل للتوثيق بالكامل (قواعد نحوية، قواعد، أنطولوجيا). |
| المتانة والدقة (المادة 15) | لا هلوسة — الإجابات تأتي حصريًا من KG. |
| الإشراف البشري (المادة 14) | KG قابل للفحص والتعديل بواسطة إنسان. |
| إدارة المخاطر (المادة 9) | مخاطر منخفضة: لا نموذج مبهم، لا تحيز ناشئ. |
8. الأثر البيئي
8.1. المشكلة
- استهلك تدريب GPT-3 حوالي 1,287 MWh، أي ~552 طن من CO₂.
- تضاعفت البصمة الكربونية لمراكز بيانات الذكاء الاصطناعي ثلاث مرات بين 2024 و2025 (Awab, 2026).
- يستهلك استعلام LLM حوالي 10 أضعاف الطاقة مقارنة ببحث ويب عادي (Kim & Yoo, 2026).
8.2. ميزة CPU فقط الرمزي
| المقياس | نظام LLM (GPU) | تحدي الذكاء الاصطناعي (CPU فقط) | المكسب المقدر |
|---|---|---|---|
| الطاقة اللحظية | 300-400 W (GPU) | 65-125 W (CPU) | ~3-5× |
| زمن الاستجابة لكل استعلام | 0.5-5 s | < 100 ms (هدف) | ~5-50× |
| الطاقة لكل استعلام | ~0.001-0.01 kWh | ~0.000001-0.00001 kWh | ~100-1000× |
| المعدات المطلوبة | GPU ≥ 6,000€ | CPU استهلاكي < 500€ | ~12× |
8.3. القياس الإلزامي
يجب على المشروع قياس والإبلاغ عن:
- استهلاك الطاقة (kWh) لبناء KG.
- استهلاك الطاقة لكل استعلام QA.
- بصمة CO₂ المقابلة.
- المقارنة مع نظام مرجعي يعمل على GPU.
9. قابلية التكرار
- كود المصدر الكامل: منشور على مستودع عام، تحت ترخيص HL3.
- تعليمات التثبيت: سكريبت آلي أو حاويات.
- بيانات الاختبار: استخدام حصري لمعايير مرجعية عامة.
- بذور عشوائية: ثابتة وموثقة لأي مكوّن عشوائي.
- تثبيت إصدارات التبعيات: ملف تبعيات مثبت الإصدارات.
- الحاويات: يجب أن يكون النظام الكامل قابلاً للتشغيل بشكل قابل للتكرار.
- الحد الأدنى للمعدات الموثق: مواصفات دنيا صريحة.
الحد الأقصى للمعدات المطلوبة (i9 + RTX 3090) في متناول جمهور واسع. المرحلة 2 (تشغيل QA) لا تتطلب GPU، مما يمكّن من التشغيل على حاسوب محمول بسيط.
10. السيادة والأمن والخصوصية
السيادة الرقمية
- لا اعتماد على السحابة — تشغيل محلي بالكامل.
- لا استدعاءات لواجهات برمجة خارجية — لا تغادر البيانات الجهاز.
- LLMs مفتوحة الأوزان قابلة للتنزيل والتشغيل محليًا.
- لا تبعية لمزود معين.
الأمن
- تشغيل في بيئة معزولة (حاوية).
- لا تنفيذ لكود عشوائي.
- لا حقن أوامر (لا LLM عند الاستدلال).
- التحقق من المدخلات عبر قواعد نحوية صورية.
الخصوصية
- معالجة محلية حصرية — الوثائق لا تغادر الجهاز أبدًا.
- لا قياس عن بُعد.
- KG قابل للمسح عند الطلب.
- إمكانية إنشاء KGs منفصلة لكل مستخدم أو لكل مجال.
11. المعايير المرجعية والتقييم
11.1. معايير KGQA المعترف بها
يجب تقييم النظام على اثنين على الأقل من المعايير المرجعية التالية:
| المعيار المرجعي | الوصف | الحجم | المرجع |
|---|---|---|---|
| SimpleQuestions | أسئلة واقعية بسيطة على Freebase | ~100 ألف سؤال | ACL |
| WebQuestionsSP | أسئلة ويب مع تعليقات SPARQL | ~4,737 سؤال | ACL |
| LC-QuAD 2.0 | أسئلة معقدة على DBpedia/Wikidata | ~30 ألف سؤال | ISWC |
| ComplexWebQuestions | أسئلة متعددة القفزات على Freebase | ~34 ألف سؤال | NAACL |
| QALD | تحدي متعدد اللغات، حجم صغير | ~400-500 سؤال | CLEF/ESWC |
| MINTQA | معيار مرجعي حديث لـ LLM+KG على كيانات نادرة | متغير | EMNLP 2025 |
| SQuAD 2.0 | QA استخراجي على فقرات | ~150 ألف سؤال | ACL |
| Natural Questions | أسئلة حقيقية من Google | ~307 ألف سؤال | TACL |
| TriviaQA | QA معلومات عامة مع وثائق داعمة | ~95 ألف سؤال | ACL |
التوصية: إعطاء الأولوية لـ LC-QuAD 2.0 وQALD، مع SQuAD أو Natural Questions للمقارنة مع المناهج العصبية.
11.2. مقاييس التقييم
| الفئة | المقياس | الوصف |
|---|---|---|
| أداء QA | F1 score، Exact Match (EM) | دقة الإجابة |
| أداء QA | Hits@1، Hits@5 | معدل الإجابة الصحيحة في أعلى k |
| أداء QA | MRR | متوسط رتبة الإجابة الصحيحة |
| زمن الاستجابة | وقت الاستجابة المتوسط/p95 (ms) | مقاس على CPU فقط |
| الإنتاجية | أسئلة/ثانية | الإنتاجية |
| البيئة | kWh/استعلام, gCO₂/استعلام | عبر codecarbon/carbontracker |
| القابلية للتفسير | معدل التتبع | % من الإجابات مع أثر كامل (هدف: 100%) |
| تغطية KG | ثلاثيات، كيانات، علاقات | إحصائيات وصفية |
11.3. خطوط الأساس للمقارنة
- RAG + LLM (GPU): خط أساس عصبي على GPU.
- KG-RAG (GPU): خط أساس هجين KG + LLM.
- Direct SPARQL: خط أساس رمزي بحت (استعلامات يدوية على نفس KG).
12. مواصفات الأداء
| المعيار | الهدف | التبرير |
|---|---|---|
| زمن استجابة QA | < 100 ms (p95) | تفاعلية مقبولة للمستخدم |
| بناء KG | < 1 دقيقة / 1,000 وثيقة قصيرة | عملية |
| بصمة ذاكرة QA | < 4 GB RAM | قابل للتشغيل على حاسوب متواضع |
| حجم KG | قابل للتوسع إلى 10M+ ثلاثية | تغطية كافية للمعايير المرجعية |
| دقة QA | ≥ 50% F1 على المعايير البسيطة | القابلية للتفسير والاقتصاد كحجج رئيسية |
| التتبع | 100% من الإجابات مفسرة | الميزة الرئيسية للنهج الرمزي |
13. المخاطر والتدابير الوقائية
| المخاطر | الاحتمال | الأثر | التدابير الوقائية |
|---|---|---|---|
| أداء QA غير كافٍ مقابل LLM | مرتفع | متوسط | التركيز على القابلية للتفسير/الاقتصاد |
| جودة غير كافية لـ KG التلقائي | متوسط | مرتفع | تكرار القواعد، إشراف LLM |
| تعقيد الأسئلة متعددة القفزات | مرتفع | متوسط | الاقتصار على ≤ 3 قفزات، توثيق القيود |
| عدم توافق تراخيص التبعيات | منخفض | مرتفع | تدقيق منهجي للتراخيص |
| LLM مفتوح الأوزان غير كافٍ للإشراف | متوسط | متوسط | اختبار ودمج نماذج متعددة |
| تغطية KG محدودة على نطاق واسع | متوسط | متوسط | البدء بـ QALD، ثم التوسع |
14. معايير النجاح
- نظام QA يعمل بالكامل على CPU بدون GPU عند الاستدلال.
- يُبنى KG تلقائيًا من وثائق بلغة طبيعية.
- يُقاس الأداء على ≥ 2 معايير مرجعية عامة معترف بها.
- 100% من الإجابات مصحوبة بأثر تفسير.
- يُقاس استهلاك الطاقة ويُقارن بخط أساس GPU.
- يُنشر الكود تحت ترخيص Hippocratic 3.0 مع تبعيات متوافقة.
- النظام قابل للتكرار عبر Docker على المعدات المحددة.
- يُنفَّذ التطوير بالكامل بواسطة LLMs مفتوحة الأوزان في بيئة معزولة.
15. المراجع الببليوغرافية
- 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.