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

Предизвикателство ИИ

Проектирайте система за въпроси/отговори, работеща само на CPU, изцяло символична, чийто граф на знанията се изгражда автоматично от документи на естествен език.

Green AI • CPU-only • Символичен • Обясним

1. Резюме на предизвикателството

Предизвикателството цели да проектира, реализира и оцени система за въпроси/отговори (QA), работеща изключително на CPU, базирана на изцяло символична архитектура (лексикон, граматики, граф на знанията, формална логика). Цялото разработване на системата е управлявано от квантизирани LLM с отворени тегла, изпълними на потребителски хардуер (i9 CPU, RTX 3090).

Този проект попада в движението Green AI (Schwartz et al., 2020) и Frugal AI, в противовес на надпреварата за все по-големи модели, чийто въглероден отпечатък е станал тревожен (Kim et al., 2026; Hasan et al., 2025). Той също така отговаря на нарастващите изисквания за прозрачност, обяснимост и регулаторно съответствие, наложени от GDPR и Европейския AI Act (Wagner et al., 2025; Juliussen, 2025).

Оригиналност: Нито едно съществуващо изследване не съчетава едновременно следните ограничения:
  1. Изцяло символична QA система (без невронна мрежа при извод)
  2. CPU-only по време на изпълнение (не се изисква GPU)
  3. Автоматично изграждане на KG от документи на естествен език
  4. Разработка, изцяло ръководена от квантизирани LLM с отворени тегла
  5. Вградено съответствие с GDPR / AI Act по проект (присъща интерпретируемост)
  6. Етичен лиценз (Hippocratic 3.0)

2. Контекст и научно позициониране

2.1. Формулиране на проблема

Текущите QA системи разчитат до голяма степен на LLM (GPT, LLaMA и др.), които изискват скъпи GPU за извод и пораждат проблеми с халюцинации, възпроизводимост, обяснимост и суверенитет на данните. Те функционират като черни кутии и трудно се привеждат в съответствие с изискванията на Европейския AI Act (член 13) относно прозрачността на високорисковите системи (Wagner, 2025; Boshnjakovski, 2025).

2.2. Обзор на състоянието на изследванията

Невро-символични подходи и KG-QA

Последната литература клони към интеграция на графове на знанията (KG) и символично разсъждение, за да се преодолеят ограниченията на чисто невронните подходи:

Автоматично изграждане на графове на знанията

Ефективност на CPU и олекотени подходи

Екологично въздействие на ИИ

Съответствие с GDPR и AI Act

3. Цели

Основна цел

Да се демонстрира осъществимостта и да се оцени производителността на изцяло символична QA система, работеща само на CPU, чийто граф на знанията се изгражда автоматично от документи на естествен език.

Второстепенни цели

  1. Постигане на конкурентна производителност на признати KGQA бенчмаркове.
  2. Измерване и сравнение на енергийния отпечатък (CPU срещу GPU) за демонстриране на екологичната полза.
  3. Демонстриране на присъщата интерпретируемост на системата (проследимост на всеки отговор).
  4. Предоставяне на възпроизводим, документиран софтуер под етичен лиценз.

4. Архитектура и технически спецификации

4.1. Обща архитектура

Системата е разделена на две различни фази:

Фаза 1 — Изграждане на графа на знанията (офлайн, GPU разрешен)

Документи ЕЕ → Предобработка → NER → Екстракция на релации → Резолюция на кореференции
    → Изграждане на KG (RDF/OWL тройки) → Съхранение на графа

Фаза 2 — Въпроси/Отговори (по време на изпълнение, строго CPU-only)

Въпрос ЕЕ → Синтактико-семантичен анализ → Трансформация във формална заявка
    → Обхождане на KG → Логическо разсъждение → Генериране на отговор
    → Следа на обяснението

4.2. Хардуерни спецификации

КомпонентФаза 1 (Изграждане на KG)Фаза 2 (Runtime QA)
CPUIntel Core i9 (макс.)Intel Core i9 (макс.)
GPUNVIDIA RTX 3090 (24 GB VRAM)Няма (строго CPU-only)
RAM32 GB (макс.)32 GB (достатъчно)
СъхранениеNVMe SSDNVMe SSD

Обосновка: Фаза 1 може да използва GPU за стартиране на квантизираните LLM с отворени тегла, които управляват изграждането на конвейера. Фаза 2, която представлява системата за внедряване, трябва да бъде строго CPU-only, за да гарантира достъпност, суверенитет и пестеливост.

4.3. Среда за разработка

4.4. LLM надзор

Разработването на системата е изцяло управлявано от един или повече LLM с отворени тегла, изпълними локално на посочения хардуер (Фаза 1). Изборът на модели, квантизация и рамка за извод е оставен на участника.

5. Предложена архитектура на конвейера

Следното разделение е предоставено като ориентир. Участниците са свободни да предложат различна архитектура, при условие че спазват функционалните ограничения (раздели 3, 4 и 12) и изискванията за лиценз (раздел 6).

5.1. Предобработка на текста

  • Сегментация на изречения
  • Токенизация
  • Лематизация
  • Маркиране на части на речта
  • Анализ на зависимости

5.2. Разпознаване на именувани обекти (NER)

  • Откриване на обекти (лица, местоположения, организации, дати, понятия)
  • Типизиране на обекти според доменна онтология
  • Резолюция на кореференции

5.3. Екстракция на релации (RE)

  • Екстракция на тройки (субект, предикат, обект) от текст
  • Отворена или управлявана от шаблони екстракция

5.4. Изграждане на графа на знанията

  • Нормализация и сливане на обекти (entity linking)
  • Изграждане и съхранение на графа (тройки)
  • Обогатяване чрез извличане на неявни релации
  • Валидация и почистване на графа

5.5. Разбиране на въпроси

  • Синтактичен анализ на въпроса на естествен език
  • Идентификация на типа въпрос (кой, какво, къде, кога…)
  • Екстракция на споменатите обекти и релации
  • Трансформация във формална заявка към графа

5.6. Разсъждение и търсене на отговори

  • Обхождане на графа на знанията (многостъпково разсъждение)
  • Логическо разрешаване и класиране на кандидат-отговори

5.7. Генериране на отговори и обяснения

  • Формулиране на отговор на естествен език
  • Пълна следа на обяснението: път в KG, приложени правила, участващи обекти и релации, достоверност/пълнота

6. Лицензионни ограничения

6.1. Hippocratic License 3.0 (HL3)

Крайният софтуер ще бъде публикуван под лиценза Hippocratic License 3.0 (firstdonoharm.dev). Този лиценз:

6.2. Съвместимост на зависимостите

ЛицензСъвместим с HL3Примери
MIT✅ Да—
BSD (2/3-clause)✅ Да—
Apache 2.0✅ Да—
ISC / CC0✅ Да—
GPL v2/v3⚠️ Потенциално несъвместим—
AGPL❌ Вероятно несъвместим—

6.3. Препоръчителни незадължителни модули HL3

7. Регулаторно съответствие

7.1. GDPR

Принцип на GDPRРеализация
Минимизиране на данните (чл. 5.1.в)KG съхранява само релевантни извлечени тройки, не сурови лични данни.
Право на обяснение (чл. 22 + съображение 71)Пълна следа на обяснението за всеки отговор.
Право на изтриване (чл. 17)Възможност за изтриване на обекти/тройки от KG.
Поверителност по проект (чл. 25)Никакви чувствителни данни в KG, освен при документирана необходимост.
Без автоматично профилиране (чл. 22)Системата не взема автоматизирани решения за отделни лица.

7.2. Европейски AI Act

Изискване на AI ActСъответствие
Прозрачност (чл. 13)Присъщо интерпретируема символична архитектура — всяка стъпка от разсъждението е проследима.
Обяснимост (чл. 13.1)Пълна следа: въпрос → формална заявка → път в KG → отговор.
Техническа документация (чл. 11)Напълно документируем символичен конвейер (граматики, правила, онтология).
Устойчивост и точност (чл. 15)Без халюцинации — отговорите идват изключително от KG.
Човешки надзор (чл. 14)KG е инспектируем и модифицируем от човек.
Управление на риска (чл. 9)Нисък риск: без непрозрачен модел, без възникваща предвзетост.
Ключов аргумент: Чисто символичната система е вградено съответстваща с изискванията за прозрачност и обяснимост на AI Act, за разлика от системите, базирани на LLM, които изискват допълнителни XAI слоеве (Goncalves & Correia, 2026; Wagner et al., 2025).

8. Екологично въздействие

8.1. Проблемът

8.2. Предимство на символичния подход CPU-only

МетрикаLLM система (GPU)Предизвикателство ИИ (CPU-only)Прогнозна печалба
Моментна мощност300-400 W (GPU)65-125 W (CPU)~3-5×
Латентност на заявка0,5-5 s< 100 ms (цел)~5-50×
Енергия на заявка~0,001-0,01 kWh~0,000001-0,00001 kWh~100-1000×
Необходим хардуерGPU ≥ 6 000 €Потребителски CPU < 500 €~12×

8.3. Задължително измерване

Проектът трябва да измери и докладва:

9. Възпроизводимост

  1. Пълен изходен код: публикуван в публично хранилище, под лиценз HL3.
  2. Инструкции за инсталиране: автоматизиран скрипт или контейнеризация.
  3. Тестови данни: изключително използване на публични бенчмаркове.
  4. Случайни семена: фиксирани и документирани за всеки стохастичен компонент.
  5. Версиониране на зависимостите: файл с фиксирани зависимости.
  6. Контейнеризация: пълната система трябва да бъде възпроизводимо изпълнима.
  7. Документиран минимален хардуер: изрични минимални спецификации.

Максималният необходим хардуер (i9 + RTX 3090) е достъпен за широка аудитория. Фаза 2 (runtime QA) не изисква никакъв GPU, което позволява изпълнение на обикновен лаптоп.

10. Суверенитет, сигурност и поверителност

Цифров суверенитет

  • Без зависимост от облака — изцяло локална работа.
  • Без външни API извиквания — никакви данни не напускат машината.
  • LLM с отворени тегла — за изтегляне и локално изпълнение.
  • Без зависимост от доставчик.

Сигурност

  • Изпълнение в sandbox (изолирана среда).
  • Без произволно изпълнение на код.
  • Без prompt injection (без LLM при извод).
  • Валидиране на входа чрез формална граматика.

Поверителност

  • Изключително локална обработка — документите никога не напускат машината.
  • Без телеметрия.
  • KG с възможност за изтриване при поискване.
  • Възможност за създаване на отделни KG за потребител или за домейн.

11. Бенчмаркове и оценка

11.1. Признати KGQA бенчмаркове

Системата трябва да бъде оценена на поне два от следните бенчмаркове:

БенчмаркОписаниеРазмерИзточник
SimpleQuestionsПрости фактологични въпроси за Freebase~100K въпросаACL
WebQuestionsSPУеб въпроси с SPARQL анотации~4 737 въпросаACL
LC-QuAD 2.0Сложни въпроси за DBpedia/Wikidata~30K въпросаISWC
ComplexWebQuestionsМногостъпкови въпроси за Freebase~34K въпросаNAACL
QALDМногоезично предизвикателство, малък размер~400-500 въпросаCLEF/ESWC
MINTQAНов бенчмарк за LLM+KG върху редки обектиПроменливEMNLP 2025
SQuAD 2.0Екстрактивен QA върху параграфи~150K въпросаACL
Natural QuestionsРеални въпроси от Google~307K въпросаTACL
TriviaQAQA с тривия въпроси с подкрепящи документи~95K въпросаACL

Препоръка: приоритизирайте LC-QuAD 2.0 и QALD, допълнени с SQuAD или Natural Questions за сравнение с невронните подходи.

11.2. Метрики за оценка

КатегорияМетрикаОписание
Производителност QAF1 score, Exact Match (EM)Точност на отговорите
Производителност QAHits@1, Hits@5Процент верни отговори в top-k
Производителност QAMRRСреден ранг на верния отговор
ЛатентностСредно/p95 време за отговор (ms)Измерено само на CPU
Пропускателна способностВъпроси/секундаПропускателна способност
ЕкологияkWh/заявка, gCO₂/заявкаЧрез codecarbon/carbontracker
ОбяснимостСтепен на проследимост% отговори с пълна следа (цел: 100%)
Покритие на KGТройки, обекти, релацииОписателна статистика

11.3. Базови линии за сравнение

  1. RAG + LLM (GPU): невронна базова линия на GPU.
  2. KG-RAG (GPU): хибридна базова линия KG + LLM.
  3. Direct SPARQL: чисто символична базова линия (ръчни заявки към същия KG).

12. Спецификации за производителност

КритерийЦелОбосновка
Латентност QA< 100 ms (p95)Приемлива интерактивност за потребителя
Изграждане на KG< 1 мин / 1 000 кратки документаПрактичност
Отпечатък на паметта QA< 4 GB RAMИзпълнимо на скромен PC
Размер на KGМащабируемо до 10M+ тройкиДостатъчно покритие за бенчмаркове
Точност на QA≥ 50% F1 на прости бенчмарковеИнтерпретируемост и пестеливост като основни аргументи
Проследимост100% от отговорите обяснениКлючово предимство на символичния подход

13. Рискове и мерки за смекчаване

РискВероятностВъздействиеСмекчаване
Недостатъчна производителност на QA срещу LLMВисокаСредноАкцент върху интерпретируемост/пестеливост
Недостатъчно качество на автоматичния KGСреднаВисокоИтериране на правила, LLM надзор
Сложност на многостъпковите въпросиВисокаСредноОграничение до ≤ 3 стъпки, документиране на ограниченията
Лицензионна несъвместимост на зависимоститеНискаВисокоСистематичен одит на лицензи
LLM с отворени тегла недостатъчен за надзорСреднаСредноТестване и комбиниране на множество модели
Ограничено покритие на KG в мащабСреднаСредноНачало с QALD, след това мащабиране

14. Критерии за успех

  1. QA системата работи изцяло на CPU без GPU при извод.
  2. KG се изгражда автоматично от документи на естествен език.
  3. Производителността се измерва на ≥ 2 признати публични бенчмаркове.
  4. 100% от отговорите са придружени от следа на обяснение.
  5. Потреблението на енергия е измерено и сравнено с базова GPU система.
  6. Кодът е публикуван под лиценз Hippocratic 3.0 със съвместими зависимости.
  7. Системата е възпроизводима чрез Docker на посочения хардуер.
  8. Разработката е изцяло осъществена от LLM с отворени тегла в sandbox.

15. Библиографски справки

  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.