1. চ্যালেঞ্জ সারসংক্ষেপ
এই চ্যালেঞ্জের লক্ষ্য হলো একটি প্রশ্ন/উত্তর (QA) ব্যবস্থা ডিজাইন, বাস্তবায়ন ও মূল্যায়ন করা যা শুধুমাত্র CPU-তে চলে, একটি সম্পূর্ণ প্রতীকী স্থাপত্যের উপর ভিত্তি করে (অভিধান, ব্যাকরণ, জ্ঞান গ্রাফ, আনুষ্ঠানিক যুক্তি)। সম্পূর্ণ ব্যবস্থার উন্নয়ন কোয়ান্টাইজড ওপেন-ওয়েটস LLMs দ্বারা পরিচালিত, যা ভোক্তা হার্ডওয়্যারে (i9 CPU, RTX 3090) চালানো যায়।
এই প্রকল্পটি Green AI আন্দোলন (Schwartz et al., 2020) এবং Frugal AI-এর অধীনে পড়ে, ক্রমবর্ধমান বৃহত্তর মডেলের প্রতিযোগিতার বিরুদ্ধে যাদের কার্বন পদচিহ্ন উদ্বেগজনক হয়ে উঠেছে (Kim et al., 2026; Hasan et al., 2025)। এটি GDPR এবং ইউরোপীয় AI Act (Wagner et al., 2025; Juliussen, 2025) দ্বারা আরোপিত স্বচ্ছতা, ব্যাখ্যাযোগ্যতা এবং নিয়ন্ত্রক সম্মতির ক্রমবর্ধমান চাহিদাও পূরণ করে।
- সম্পূর্ণ প্রতীকী QA ব্যবস্থা (অনুমানে কোনো নিউরাল নেটওয়ার্ক নেই)
- রানটাইমে CPU-only (কোনো GPU প্রয়োজন নেই)
- প্রাকৃতিক ভাষার নথি থেকে স্বয়ংক্রিয় KG নির্মাণ
- কোয়ান্টাইজড ওপেন-ওয়েটস LLMs দ্বারা সম্পূর্ণরূপে তত্ত্বাবধানে উন্নয়ন
- ডিজাইনে স্থানীয় GDPR/AI Act সম্মতি (অন্তর্নিহিত ব্যাখ্যাযোগ্যতা)
- নৈতিক লাইসেন্স (Hippocratic 3.0)
2. প্রসঙ্গ ও বৈজ্ঞানিক অবস্থান
2.1. সমস্যার বিবৃতি
বর্তমান QA ব্যবস্থাগুলো LLMs (GPT, LLaMA ইত্যাদি) এর উপর ব্যাপকভাবে নির্ভরশীল যেগুলোর অনুমানের জন্য ব্যয়বহুল GPUs প্রয়োজন, এবং হ্যালুসিনেশন, পুনরুৎপাদনযোগ্যতা, ব্যাখ্যাযোগ্যতা এবং ডেটা সার্বভৌমত্বের সমস্যা তৈরি করে। এগুলো ব্ল্যাক বক্স হিসেবে কাজ করে এবং উচ্চ-ঝুঁকিপূর্ণ ব্যবস্থার স্বচ্ছতা সম্পর্কে ইউরোপীয় AI Act (অনুচ্ছেদ 13) এর প্রয়োজনীয়তার সাথে সঙ্গতিপূর্ণ করা কঠিন (Wagner, 2025; Boshnjakovski, 2025)।
2.2. শিল্পের বর্তমান অবস্থা
নিউরো-সিম্বলিক পদ্ধতি ও KG-QA
সাম্প্রতিক সাহিত্য সম্পূর্ণ নিউরাল পদ্ধতির সীমাবদ্ধতা মোকাবেলায় জ্ঞান গ্রাফ (KG) এবং প্রতীকী যুক্তি সংহত করার দিকে অভিমুখী:
- Cheng et al. (2025), "Neural-symbolic methods for knowledge graph reasoning" (ACM TKDD) — KG কমপ্লিশন, জটিল কোয়েরি উত্তরদান এবং যৌক্তিক নিয়ম শেখার পদ্ধতির মধ্যে পার্থক্য করেন; ব্যাখ্যাযোগ্যতার জন্য বিশুদ্ধ প্রতীকী পদ্ধতির সম্ভাবনা চিহ্নিত করেন।
- Niu et al. (2026), "A Comprehensive Survey of Knowledge Graph Reasoning" (IEEE Trans. Big Data) — KG-তে মাল্টি-হপ যুক্তি কভার করেন, Inductive Logic Programming (ILP) পদ্ধতি সহ।
- Linders & Tomczak (2025), "Knowledge graph-extended RAG for QA" (Applied Intelligence) — প্রমাণ করেন যে KGs প্রতীকী যুক্তি এবং যাচাইযোগ্য উত্তর সক্ষম করে।
- Chudasama et al. (2025), "Toward interpretable hybrid AI" (IEEE Access) — TrustKG প্রস্তাব করেন যা KG-এর সাথে প্রতীকী ব্যাখ্যাযোগ্যতা একত্রিত করে।
- Agarwal & Bedathur (2025), "A Zero-Shot Neuro-Symbolic Approach for Complex KGQA" (EMNLP Findings 2025).
- Liu et al. (2025), "SymAgent" (TheWebConf 2025) — KGQA-এর জন্য স্ব-শিক্ষণকারী প্রতীকী এজেন্ট।
স্বয়ংক্রিয় জ্ঞান গ্রাফ নির্মাণ
- Zavarella (2026), "Methods for KG Construction from Text Collections" (arXiv) — NLP, ML এবং সেমান্টিক ওয়েব সমন্বিত ফ্রেমওয়ার্ক।
- Salman et al. (2024), "Doc-KG" (Expert Systems) — অসংগঠিত নথি থেকে KG নির্মাণ।
- Chen et al. (2025), "Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs" (TheWebConf 2025).
CPU দক্ষতা ও হালকা পদ্ধতি
- 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) নিশ্চিত করেন যে "spaCy provides lightweight, high-precision extraction, efficient on standard CPU"।
- Okechukwu et al. (2025) নিশ্চিত করেন যে "spaCy and NLTK operate efficiently on standard CPUs"।
কৃত্রিম বুদ্ধিমত্তার পরিবেশগত প্রভাব
- Kim & Yoo (2026), "Toward Sustainable AI" (IEEE Access) — AI ডেটা সেন্টারের কার্বন পদচিহ্ন 2024 থেকে 2025 এর মধ্যে তিনগুণ বৃদ্ধি পেয়েছে।
- Hasan et al. (2025), "Carbon emission quantification of ML" (IEEE Trans.).
- Tunzina et al. (2026), "GreenAI: Environmental Efficiency in LLM-Generated Code" (IEEE Access).
GDPR ও AI Act সম্মতি
- 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. উদ্দেশ্যসমূহ
প্রধান উদ্দেশ্য
একটি CPU-only, সম্পূর্ণ প্রতীকী QA ব্যবস্থার সম্ভাব্যতা প্রদর্শন ও কার্যক্ষমতা মূল্যায়ন করা যার জ্ঞান গ্রাফ প্রাকৃতিক ভাষার নথি থেকে স্বয়ংক্রিয়ভাবে নির্মিত হয়।
গৌণ উদ্দেশ্যসমূহ
- স্বীকৃত KGQA বেঞ্চমার্কে প্রতিযোগিতামূলক কার্যক্ষমতা অর্জন।
- পরিবেশগত সুবিধা প্রদর্শনের জন্য শক্তি পদচিহ্ন (CPU বনাম GPU) পরিমাপ ও তুলনা।
- ব্যবস্থার অন্তর্নিহিত ব্যাখ্যাযোগ্যতা প্রদর্শন (প্রতিটি উত্তরের ট্রেসিবিলিটি)।
- নৈতিক লাইসেন্সের অধীনে পুনরুৎপাদনযোগ্য, নথিভুক্ত সফটওয়্যার প্রদান।
4. স্থাপত্য ও প্রযুক্তিগত বিবরণ
4.1. সামগ্রিক স্থাপত্য
ব্যবস্থাটি দুটি স্বতন্ত্র পর্যায়ে বিভক্ত:
পর্যায় 1 — জ্ঞান গ্রাফ নির্মাণ (অফলাইন, GPU অনুমোদিত)
প্রাকৃতিক ভাষার নথি → প্রাক-প্রক্রিয়াজাতকরণ → NER → সম্পর্ক নিষ্কাশন → কোরেফারেন্স সমাধান
→ KG নির্মাণ (RDF/OWL ট্রিপল) → গ্রাফ সংরক্ষণ
পর্যায় 2 — প্রশ্ন/উত্তর (রানটাইম, কঠোর CPU-only)
প্রাকৃতিক ভাষার প্রশ্ন → বাক্যতাত্ত্বিক/অর্থতাত্ত্বিক বিশ্লেষণ → আনুষ্ঠানিক কোয়েরিতে রূপান্তর
→ KG ট্রাভার্সাল → যৌক্তিক অনুমান → উত্তর তৈরি
→ ব্যাখ্যা ট্রেস
4.2. হার্ডওয়্যার বিবরণ
| উপাদান | পর্যায় 1 (KG নির্মাণ) | পর্যায় 2 (QA রানটাইম) |
|---|---|---|
| CPU | Intel Core i9 (সর্বোচ্চ) | Intel Core i9 (সর্বোচ্চ) |
| GPU | NVIDIA RTX 3090 (24 GB VRAM) | কিছুই নয় (কঠোর CPU-only) |
| RAM | 32 GB (সর্বোচ্চ) | 32 GB (পর্যাপ্ত) |
| স্টোরেজ | NVMe SSD | NVMe SSD |
যুক্তি: পর্যায় 1 পাইপলাইন নির্মাণ তত্ত্বাবধানকারী কোয়ান্টাইজড ওপেন-ওয়েটস LLMs চালাতে GPU ব্যবহার করতে পারে। পর্যায় 2, যা স্থাপনযোগ্য ব্যবস্থা গঠন করে, অ্যাক্সেসযোগ্যতা, সার্বভৌমত্ব এবং মিতব্যয়িতা নিশ্চিত করতে কঠোরভাবে CPU-only হতে হবে।
4.3. উন্নয়ন পরিবেশ
- স্যান্ডবক্স: নিরাপত্তা ও পুনরুৎপাদনযোগ্যতার জন্য বিচ্ছিন্ন পরিবেশে উন্নয়ন।
- লক্ষ্য OS: Linux (প্রাথমিক লক্ষ্য), Windows/macOS পোর্টেবিলিটি কাম্য।
- ভাষা(সমূহ): মুক্ত নির্বাচন, যদি নির্ভরতাসমূহ লাইসেন্স সীমাবদ্ধতা (বিভাগ 6) মেনে চলে।
4.4. LLM তত্ত্বাবধান
ব্যবস্থার উন্নয়ন সম্পূর্ণরূপে এক বা একাধিক ওপেন-ওয়েটস LLMs দ্বারা পরিচালিত, নির্দিষ্ট হার্ডওয়্যারে (পর্যায় 1) স্থানীয়ভাবে কার্যকরযোগ্য। মডেল, কোয়ান্টাইজেশন এবং অনুমান ফ্রেমওয়ার্কের নির্বাচন অংশগ্রহণকারীর উপর ছেড়ে দেওয়া হয়েছে।
5. প্রস্তাবিত পাইপলাইন স্থাপত্য
নিম্নলিখিত বিভাজন একটি নির্দেশিকা হিসেবে প্রদান করা হয়েছে। অংশগ্রহণকারীরা একটি ভিন্ন স্থাপত্য প্রস্তাব করতে স্বাধীন, যদি তারা কার্যকরী সীমাবদ্ধতা (বিভাগ 3, 4 এবং 12) এবং লাইসেন্স প্রয়োজনীয়তা (বিভাগ 6) পূরণ করেন।
5.1. পাঠ্য প্রাক-প্রক্রিয়াজাতকরণ
- বাক্য বিভাজন
- টোকেনাইজেশন
- লেমাটাইজেশন
- পার্ট-অফ-স্পিচ ট্যাগিং
- নির্ভরতা পার্সিং
5.2. নামযুক্ত সত্তা চিহ্নিতকরণ (NER)
- সত্তা সনাক্তকরণ (ব্যক্তি, স্থান, সংস্থা, তারিখ, ধারণা)
- ডোমেইন অন্টোলজি অনুযায়ী সত্তা শ্রেণীবিভাগ
- কোরেফারেন্স সমাধান
5.3. সম্পর্ক নিষ্কাশন (RE)
- পাঠ্য থেকে ট্রিপল নিষ্কাশন (কর্তা, ক্রিয়া, কর্ম)
- উন্মুক্ত বা প্যাটার্ন-নির্দেশিত নিষ্কাশন
5.4. জ্ঞান গ্রাফ নির্মাণ
- সত্তা স্বাভাবিকীকরণ ও মার্জিং (সত্তা সংযোগ)
- গ্রাফ নির্মাণ ও সংরক্ষণ (ট্রিপল)
- অন্তর্নিহিত সম্পর্ক অনুমানের মাধ্যমে সমৃদ্ধকরণ
- গ্রাফ বৈধতা ও পরিষ্কারকরণ
5.5. প্রশ্ন বোধগম্যতা
- প্রাকৃতিক ভাষার প্রশ্নের বাক্যতাত্ত্বিক বিশ্লেষণ
- প্রশ্নের ধরন চিহ্নিতকরণ (কে, কী, কোথায়, কখন…)
- উল্লিখিত সত্তা ও সম্পর্ক নিষ্কাশন
- গ্রাফে আনুষ্ঠানিক কোয়েরিতে রূপান্তর
5.6. অনুমান ও উত্তর অনুসন্ধান
- জ্ঞান গ্রাফ ট্রাভার্সাল (মাল্টি-হপ অনুমান)
- যৌক্তিক সমাধান ও প্রার্থী উত্তরের র্যাংকিং
5.7. উত্তর তৈরি ও ব্যাখ্যা
- প্রাকৃতিক ভাষায় উত্তর গঠন
- সম্পূর্ণ ব্যাখ্যা ট্রেস: KG-তে পথ, প্রয়োগকৃত নিয়ম, জড়িত সত্তা ও সম্পর্ক, আস্থা/সম্পূর্ণতা
6. লাইসেন্স সীমাবদ্ধতা
6.1. Hippocratic License 3.0 (HL3)
চূড়ান্ত সফটওয়্যারটি Hippocratic License 3.0 (firstdonoharm.dev) এর অধীনে প্রকাশিত হবে। এই লাইসেন্স:
- OSI অর্থে ওপেন সোর্স হিসেবে বিবেচিত নয় (ব্যবহারে নৈতিক সীমাবদ্ধতা)।
- একটি copyleft লাইসেন্স (বিভাগ 8.3)।
- মৌলিক মানবাধিকারের উপর ভিত্তি করে নৈতিক মানদণ্ড আরোপ করে (UDHR, ICESCR, ICCPR, ILO)।
6.2. নির্ভরতা সামঞ্জস্যতা
| লাইসেন্স | HL3 সামঞ্জস্যপূর্ণ | উদাহরণ |
|---|---|---|
| MIT | ✅ হ্যাঁ | — |
| BSD (2/3-clause) | ✅ হ্যাঁ | — |
| Apache 2.0 | ✅ হ্যাঁ | — |
| ISC / CC0 | ✅ হ্যাঁ | — |
| GPL v2/v3 | ⚠️ সম্ভাব্য অসামঞ্জস্যপূর্ণ | — |
| AGPL | ❌ সম্ভবত অসামঞ্জস্যপূর্ণ | — |
6.3. সুপারিশকৃত ঐচ্ছিক HL3 মডিউল
- HL3-ECO (ইকোসাইড) — পরিবেশগত প্রভাব হ্রাসের উদ্দেশ্যের সাথে সামঞ্জস্যপূর্ণ।
- HL3-MEDIA — সহিংসতা প্রচারের জন্য ব্যবহার নিষিদ্ধ।
- HL3-SV (গণ নজরদারি) — সার্বভৌমত্ব ও গোপনীয়তার সাথে সামঞ্জস্যপূর্ণ।
7. নিয়ন্ত্রক সম্মতি
7.1. GDPR
| GDPR নীতি | বাস্তবায়ন |
|---|---|
| ডেটা ন্যূনতমকরণ (অনুচ্ছেদ 5.1.c) | KG শুধুমাত্র প্রাসঙ্গিক নিষ্কাশিত ট্রিপল সংরক্ষণ করে, কাঁচা ব্যক্তিগত ডেটা নয়। |
| ব্যাখ্যার অধিকার (অনুচ্ছেদ 22 + রিসাইটাল 71) | প্রতিটি উত্তরের জন্য সম্পূর্ণ ব্যাখ্যা ট্রেস। |
| মুছে ফেলার অধিকার (অনুচ্ছেদ 17) | KG থেকে সত্তা/ট্রিপল মুছে ফেলার ক্ষমতা। |
| ডিজাইনে গোপনীয়তা (অনুচ্ছেদ 25) | নথিভুক্ত প্রয়োজনীয়তা ছাড়া KG-তে কোনো সংবেদনশীল ডেটা নেই। |
| কোনো স্বয়ংক্রিয় প্রোফাইলিং নয় (অনুচ্ছেদ 22) | ব্যবস্থা ব্যক্তিদের সম্পর্কে স্বয়ংক্রিয় সিদ্ধান্ত নেয় না। |
7.2. ইউরোপীয় AI Act
| AI Act প্রয়োজনীয়তা | সম্মতি |
|---|---|
| স্বচ্ছতা (অনুচ্ছেদ 13) | অন্তর্নিহিতভাবে ব্যাখ্যাযোগ্য প্রতীকী স্থাপত্য — প্রতিটি অনুমান ধাপ ট্রেসযোগ্য। |
| ব্যাখ্যাযোগ্যতা (অনুচ্ছেদ 13.1) | সম্পূর্ণ ট্রেস: প্রশ্ন → আনুষ্ঠানিক কোয়েরি → KG পথ → উত্তর। |
| প্রযুক্তিগত নথিপত্র (অনুচ্ছেদ 11) | সম্পূর্ণরূপে নথিভুক্তযোগ্য প্রতীকী পাইপলাইন (ব্যাকরণ, নিয়ম, অন্টোলজি)। |
| মজবুততা ও নির্ভুলতা (অনুচ্ছেদ 15) | কোনো হ্যালুসিনেশন নেই — উত্তর শুধুমাত্র KG থেকে আসে। |
| মানব তত্ত্বাবধান (অনুচ্ছেদ 14) | KG মানুষ দ্বারা পরিদর্শনযোগ্য ও পরিবর্তনযোগ্য। |
| ঝুঁকি ব্যবস্থাপনা (অনুচ্ছেদ 9) | কম ঝুঁকি: কোনো অস্বচ্ছ মডেল নেই, কোনো উদ্ভূত পক্ষপাত নেই। |
8. পরিবেশগত প্রভাব
8.1. সমস্যা
- GPT-3 প্রশিক্ষণে আনুমানিক 1,287 MWh খরচ হয়েছে, অর্থাৎ ~552 টন CO₂।
- AI ডেটা সেন্টারের কার্বন পদচিহ্ন 2024 থেকে 2025 এর মধ্যে তিনগুণ হয়েছে (Awab, 2026)।
- একটি LLM কোয়েরি একটি সাধারণ ওয়েব অনুসন্ধানের চেয়ে প্রায় 10 গুণ বেশি শক্তি খরচ করে (Kim & Yoo, 2026)।
8.2. প্রতীকী CPU-only-এর সুবিধা
| মেট্রিক | LLM ব্যবস্থা (GPU) | AI চ্যালেঞ্জ (CPU-only) | আনুমানিক লাভ |
|---|---|---|---|
| তাৎক্ষণিক শক্তি | 300-400 W (GPU) | 65-125 W (CPU) | ~3-5× |
| প্রতি কোয়েরি বিলম্ব | 0.5-5 s | < 100 ms (লক্ষ্য) | ~5-50× |
| প্রতি কোয়েরি শক্তি | ~0.001-0.01 kWh | ~0.000001-0.00001 kWh | ~100-1000× |
| প্রয়োজনীয় হার্ডওয়্যার | GPU ≥ €6,000 | ভোক্তা CPU < €500 | ~12× |
8.3. বাধ্যতামূলক পরিমাপ
প্রকল্পকে অবশ্যই পরিমাপ ও রিপোর্ট করতে হবে:
- KG নির্মাণের জন্য শক্তি খরচ (kWh)।
- প্রতি QA কোয়েরিতে শক্তি খরচ।
- সংশ্লিষ্ট CO₂ পদচিহ্ন।
- একটি GPU বেসলাইন ব্যবস্থার সাথে তুলনা।
9. পুনরুৎপাদনযোগ্যতা
- সম্পূর্ণ সোর্স কোড: HL3 লাইসেন্সের অধীনে পাবলিক রিপোজিটরিতে প্রকাশিত।
- ইনস্টলেশন নির্দেশনা: স্বয়ংক্রিয় স্ক্রিপ্ট বা কন্টেইনারাইজেশন।
- পরীক্ষার ডেটা: পাবলিক বেঞ্চমার্কের একচেটিয়া ব্যবহার।
- র্যান্ডম সিড: যেকোনো স্টোকাস্টিক উপাদানের জন্য স্থির ও নথিভুক্ত।
- নির্ভরতা সংস্করণিং: পিন করা নির্ভরতা ফাইল।
- কন্টেইনারাইজেশন: সম্পূর্ণ ব্যবস্থা পুনরুৎপাদনযোগ্যভাবে কার্যকরযোগ্য হতে হবে।
- নথিভুক্ত সর্বনিম্ন হার্ডওয়্যার: স্পষ্ট সর্বনিম্ন বিবরণ।
সর্বোচ্চ প্রয়োজনীয় হার্ডওয়্যার (i9 + RTX 3090) বিস্তৃত দর্শকদের কাছে অ্যাক্সেসযোগ্য। পর্যায় 2 (QA রানটাইম)-এ কোনো GPU প্রয়োজন নেই, যা একটি সাধারণ ল্যাপটপে কার্যকর করতে সক্ষম করে।
10. সার্বভৌমত্ব, নিরাপত্তা ও গোপনীয়তা
ডিজিটাল সার্বভৌমত্ব
- কোনো ক্লাউড নির্ভরতা নেই — সম্পূর্ণ স্থানীয় পরিচালনা।
- কোনো বাহ্যিক API কল নেই — কোনো ডেটা যন্ত্র ছেড়ে যায় না।
- ওপেন-ওয়েটস LLMs ডাউনলোডযোগ্য ও স্থানীয়ভাবে কার্যকরযোগ্য।
- কোনো ভেন্ডর লক-ইন নেই।
নিরাপত্তা
- স্যান্ডবক্সড এক্সিকিউশন (বিচ্ছিন্ন পরিবেশ)।
- কোনো নির্বিচার কোড এক্সিকিউশন নেই।
- কোনো prompt injection নেই (অনুমানে কোনো LLM নেই)।
- আনুষ্ঠানিক ব্যাকরণের মাধ্যমে ইনপুট বৈধতা।
গোপনীয়তা
- একচেটিয়া স্থানীয় প্রক্রিয়াজাতকরণ — নথি কখনো যন্ত্র ছেড়ে যায় না।
- কোনো টেলিমেট্রি নেই।
- চাহিদা অনুযায়ী KG মুছে ফেলা যায়।
- প্রতি ব্যবহারকারী বা প্রতি ডোমেইনে পৃথক KGs তৈরির ক্ষমতা।
11. বেঞ্চমার্ক ও মূল্যায়ন
11.1. স্বীকৃত KGQA বেঞ্চমার্ক
ব্যবস্থাটি নিম্নলিখিত বেঞ্চমার্কের কমপক্ষে দুটিতে মূল্যায়ন করতে হবে:
| বেঞ্চমার্ক | বিবরণ | আকার | তথ্যসূত্র |
|---|---|---|---|
| SimpleQuestions | Freebase-এ সাধারণ তথ্যভিত্তিক প্রশ্ন | ~100K প্রশ্ন | ACL |
| WebQuestionsSP | SPARQL টীকা সহ ওয়েব প্রশ্ন | ~4,737 প্রশ্ন | ACL |
| LC-QuAD 2.0 | DBpedia/Wikidata-তে জটিল প্রশ্ন | ~30K প্রশ্ন | ISWC |
| ComplexWebQuestions | Freebase-এ মাল্টি-হপ প্রশ্ন | ~34K প্রশ্ন | NAACL |
| QALD | বহুভাষিক চ্যালেঞ্জ, ক্ষুদ্র আকার | ~400-500 প্রশ্ন | CLEF/ESWC |
| MINTQA | বিরল সত্তার জন্য LLM+KG-এর সাম্প্রতিক বেঞ্চমার্ক | পরিবর্তনশীল | EMNLP 2025 |
| SQuAD 2.0 | অনুচ্ছেদ থেকে নিষ্কাশনমূলক QA | ~150K প্রশ্ন | ACL |
| Natural Questions | প্রকৃত Google প্রশ্ন | ~307K প্রশ্ন | TACL |
| TriviaQA | সহায়ক নথি সহ ট্রিভিয়া QA | ~95K প্রশ্ন | ACL |
সুপারিশ: নিউরাল পদ্ধতির সাথে তুলনার জন্য LC-QuAD 2.0 এবং QALD-কে অগ্রাধিকার দিন, SQuAD বা Natural Questions দিয়ে পরিপূরক করুন।
11.2. মূল্যায়ন মেট্রিক
| বিভাগ | মেট্রিক | বিবরণ |
|---|---|---|
| QA কার্যক্ষমতা | F1 score, Exact Match (EM) | উত্তরের নির্ভুলতা |
| QA কার্যক্ষমতা | Hits@1, Hits@5 | শীর্ষ-k-তে সঠিক উত্তরের হার |
| QA কার্যক্ষমতা | MRR | সঠিক উত্তরের গড় র্যাংক |
| বিলম্ব | গড়/p95 প্রতিক্রিয়া সময় (ms) | শুধু CPU-তে পরিমাপিত |
| থ্রুপুট | প্রশ্ন/সেকেন্ড | থ্রুপুট |
| পরিবেশ | kWh/কোয়েরি, gCO₂/কোয়েরি | codecarbon/carbontracker এর মাধ্যমে |
| ব্যাখ্যাযোগ্যতা | ট্রেসিবিলিটি হার | সম্পূর্ণ ট্রেস সহ উত্তরের % (লক্ষ্য: 100%) |
| KG কভারেজ | ট্রিপল, সত্তা, সম্পর্ক | বর্ণনামূলক পরিসংখ্যান |
11.3. তুলনা বেসলাইন
- RAG + LLM (GPU): GPU-তে নিউরাল বেসলাইন।
- KG-RAG (GPU): হাইব্রিড KG + LLM বেসলাইন।
- Direct SPARQL: বিশুদ্ধ প্রতীকী বেসলাইন (একই KG-তে ম্যানুয়াল কোয়েরি)।
12. কার্যক্ষমতার বিবরণ
| মানদণ্ড | লক্ষ্য | যুক্তি |
|---|---|---|
| QA বিলম্ব | < 100 ms (p95) | গ্রহণযোগ্য ব্যবহারকারী ইন্টারঅ্যাক্টিভিটি |
| KG নির্মাণ | < 1 মিনিট / 1,000 সংক্ষিপ্ত নথি | ব্যবহারিকতা |
| QA মেমরি ফুটপ্রিন্ট | < 4 GB RAM | সাধারণ PC-তে কার্যকরযোগ্য |
| KG আকার | 10M+ ট্রিপলে স্কেলেবল | বেঞ্চমার্কের জন্য পর্যাপ্ত কভারেজ |
| QA নির্ভুলতা | ≥ 50% F1 সাধারণ বেঞ্চমার্কে | ব্যাখ্যাযোগ্যতা ও মিতব্যয়িতা প্রধান যুক্তি |
| ট্রেসিবিলিটি | 100% উত্তর ব্যাখ্যাকৃত | প্রতীকী পদ্ধতির মূল সুবিধা |
13. ঝুঁকি ও প্রশমন
| ঝুঁকি | সম্ভাবনা | প্রভাব | প্রশমন |
|---|---|---|---|
| LLM-এর তুলনায় অপর্যাপ্ত QA কার্যক্ষমতা | উচ্চ | মাঝারি | ব্যাখ্যাযোগ্যতা/মিতব্যয়িতায় মনোযোগ |
| স্বয়ংক্রিয় KG-এর অপর্যাপ্ত গুণমান | মাঝারি | উচ্চ | নিয়মের পুনরাবৃত্তি, LLM তত্ত্বাবধান |
| মাল্টি-হপ প্রশ্নের জটিলতা | উচ্চ | মাঝারি | ≤ 3 হপে সীমাবদ্ধ, সীমাবদ্ধতা নথিভুক্ত |
| নির্ভরতা লাইসেন্স অসামঞ্জস্যতা | নিম্ন | উচ্চ | পদ্ধতিগত লাইসেন্স অডিট |
| তত্ত্বাবধানের জন্য অপর্যাপ্ত ওপেন-ওয়েটস LLM | মাঝারি | মাঝারি | একাধিক মডেল পরীক্ষা ও সমন্বয় |
| বড় পরিসরে সীমিত KG কভারেজ | মাঝারি | মাঝারি | QALD দিয়ে শুরু, তারপর স্কেল আপ |
14. সাফল্যের মানদণ্ড
- QA ব্যবস্থা অনুমানে কোনো GPU ছাড়া সম্পূর্ণরূপে CPU-তে চলে।
- KG প্রাকৃতিক ভাষার নথি থেকে স্বয়ংক্রিয়ভাবে নির্মিত হয়।
- কার্যক্ষমতা ≥ 2 স্বীকৃত পাবলিক বেঞ্চমার্কে পরিমাপ করা হয়।
- 100% উত্তর একটি ব্যাখ্যা ট্রেস দ্বারা সংযুক্ত।
- শক্তি খরচ পরিমাপ করা হয় এবং GPU বেসলাইনের সাথে তুলনা করা হয়।
- কোড সামঞ্জস্যপূর্ণ নির্ভরতা সহ Hippocratic 3.0 লাইসেন্সের অধীনে প্রকাশিত।
- ব্যবস্থা নির্দিষ্ট হার্ডওয়্যারে Docker এর মাধ্যমে পুনরুৎপাদনযোগ্য।
- উন্নয়ন সম্পূর্ণরূপে স্যান্ডবক্সে ওপেন-ওয়েটস LLMs দ্বারা পরিচালিত।
15. গ্রন্থপঞ্জি তথ্যসূত্র
- 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.