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

Výzva AI

Navrhnout čistě symbolický systém otázek a odpovědí běžící pouze na CPU, jehož znalostní graf je automaticky vytvořen z dokumentů v přirozeném jazyce.

Green AI • CPU-only • Symbolický • Vysvětlitelný

1. Shrnutí výzvy

Výzva si klade za cíl navrhnout, implementovat a vyhodnotit systém otázek a odpovědí (QA) běžící výhradně na CPU, založený na čistě symbolické architektuře (lexikon, gramatiky, znalostní graf, formální logika). Celý vývoj systému je řízen kvantizovanými LLM s otevřenými váhami, spustitelnými na spotřebitelském hardwaru (i9 CPU, RTX 3090).

Tento projekt spadá do hnutí Green AI (Schwartz et al., 2020) a Frugal AI, v protikladu k závodu za stále většími modely, jejichž uhlíková stopa se stala alarmující (Kim et al., 2026; Hasan et al., 2025). Reaguje také na rostoucí požadavky na transparentnost, vysvětlitelnost a regulační shodu stanovené GDPR a evropským AI Act (Wagner et al., 2025; Juliussen, 2025).

Originalita: Žádná existující práce současně nekombinuje následující omezení:
  1. Čistě symbolický QA systém (žádná neuronová síť při inferenci)
  2. Pouze CPU za běhu (žádný GPU)
  3. Automatická konstrukce KG z dokumentů v přirozeném jazyce
  4. Vývoj zcela řízený kvantizovanými LLM s otevřenými váhami
  5. Nativní shoda s GDPR/AI Act už od návrhu (vnitřní interpretovatelnost)
  6. Etická licence (Hippocratic 3.0)

2. Kontext a vědecké zařazení

2.1. Definice problému

Současné QA systémy se silně spoléhají na LLM (GPT, LLaMA atd.), které vyžadují drahé GPU pro inferenci a vyvolávají problémy s halucinacemi, reprodukovatelností, vysvětlitelností a datovou suverenitou. Fungují jako černé skříňky a je obtížné zajistit jejich soulad s požadavky evropského AI Act (článek 13) ohledně transparentnosti vysoce rizikových systémů (Wagner, 2025; Boshnjakovski, 2025).

2.2. Stav poznání

Neuro-symbolické přístupy a KG-QA

Nedávná literatura konverguje k integraci znalostních grafů (KG) a symbolického usuzování za účelem řešení omezení čistě neuronových přístupů:

Automatická konstrukce znalostních grafů

Efektivita na CPU a odlehčené přístupy

Ekologický dopad AI

Shoda s GDPR a AI Act

3. Cíle

Hlavní cíl

Prokázat proveditelnost a vyhodnotit výkon čistě symbolického QA systému běžícího pouze na CPU, jehož znalostní graf je automaticky vytvořen z dokumentů v přirozeném jazyce.

Vedlejší cíle

  1. Dosáhnout konkurenceschopného výkonu na uznávaných benchmarkech KGQA.
  2. Měřit a porovnávat energetickou stopu (CPU vs GPU) za účelem prokázání ekologického přínosu.
  3. Prokázat vnitřní interpretovatelnost systému (sledovatelnost každé odpovědi).
  4. Poskytnout reprodukovatelný, dokumentovaný software pod etickou licencí.

4. Architektura a technické specifikace

4.1. Celková architektura

Systém se dělí na dvě odlišné fáze:

Fáze 1 — Konstrukce znalostního grafu (offline, GPU povolen)

Dokumenty v přirozeném jazyce → Předzpracování → NER → Extrakce relací → Řešení koreferencí
    → Konstrukce KG (RDF/OWL trojice) → Uložení grafu

Fáze 2 — Otázky a odpovědi (runtime, striktně pouze CPU)

Otázka v přirozeném jazyce → Syntaktická/sémantická analýza → Transformace na formální dotaz
    → Průchod KG → Logické usuzování → Generování odpovědi
    → Vysvětlovací stopa

4.2. Hardwarové specifikace

KomponentaFáze 1 (Konstrukce KG)Fáze 2 (QA runtime)
CPUIntel Core i9 (max)Intel Core i9 (max)
GPUNVIDIA RTX 3090 (24 GB VRAM)Žádný (striktně pouze CPU)
RAM32 GB (max)32 GB (dostatečné)
ÚložištěNVMe SSDNVMe SSD

Odůvodnění: Fáze 1 může využívat GPU ke spouštění kvantizovaných LLM s otevřenými váhami, které řídí konstrukci pipeline. Fáze 2, která představuje nasaditelný systém, musí být striktně pouze CPU, aby byla zaručena dostupnost, suverenita a úspornost.

4.3. Vývojové prostředí

4.4. Supervize LLM

Vývoj systému je zcela řízen jedním nebo více LLM s otevřenými váhami, spustitelnými lokálně na specifikovaném hardwaru (Fáze 1). Výběr modelů, kvantizace a inferenčního rámce je ponechán na účastníkovi.

5. Navrhovaná architektura pipeline

Následující rozčlenění je uvedeno jako vodítko. Účastníci mohou navrhnout odlišnou architekturu, pokud splní funkční omezení (sekce 3, 4 a 12) a licenční požadavky (sekce 6).

5.1. Předzpracování textu

  • Segmentace vět
  • Tokenizace
  • Lemmatizace
  • Značkování slovních druhů
  • Závislostní analýza

5.2. Rozpoznávání pojmenovaných entit (NER)

  • Detekce entit (osoby, místa, organizace, data, koncepty)
  • Typování entit podle doménové ontologie
  • Řešení koreferencí

5.3. Extrakce relací (RE)

  • Extrakce trojic (subjekt, predikát, objekt) z textu
  • Otevřená nebo vzorem řízená extrakce

5.4. Konstrukce znalostního grafu

  • Normalizace a slučování entit (entity linking)
  • Konstrukce a uložení grafu (trojice)
  • Obohacení odvozováním implicitních relací
  • Validace a čištění grafu

5.5. Porozumění otázkám

  • Syntaktická analýza otázky v přirozeném jazyce
  • Identifikace typu otázky (kdo, co, kde, kdy…)
  • Extrakce zmíněných entit a relací
  • Transformace na formální dotaz nad grafem

5.6. Usuzování a hledání odpovědí

  • Průchod znalostním grafem (usuzování na více krocích)
  • Logická rezoluce a hodnocení kandidátních odpovědí

5.7. Generování odpovědí a vysvětlení

  • Formulace odpovědi v přirozeném jazyce
  • Kompletní vysvětlovací stopa: cesta v KG, aplikovaná pravidla, zapojené entity a relace, důvěra/úplnost

6. Licenční omezení

6.1. Hippocratic License 3.0 (HL3)

Výsledný software bude publikován pod licencí Hippocratic License 3.0 (firstdonoharm.dev). Tato licence:

6.2. Kompatibilita závislostí

LicenceKompatibilní s HL3Příklady
MIT✅ Ano—
BSD (2/3-clause)✅ Ano—
Apache 2.0✅ Ano—
ISC / CC0✅ Ano—
GPL v2/v3⚠️ Potenciálně nekompatibilní—
AGPL❌ Pravděpodobně nekompatibilní—

6.3. Doporučené volitelné moduly HL3

7. Regulační shoda

7.1. GDPR

Princip GDPRImplementace
Minimalizace dat (čl. 5.1.c)KG uchovává pouze relevantní extrahované trojice, nikoliv surová osobní data.
Právo na vysvětlení (čl. 22 + recitál 71)Kompletní vysvětlovací stopa pro každou odpověď.
Právo na výmaz (čl. 17)Možnost smazat entity/trojice z KG.
Ochrana soukromí od návrhu (čl. 25)Žádná citlivá data v KG bez dokumentované nutnosti.
Žádné automatizované profilování (čl. 22)Systém neprovádí automatizovaná rozhodnutí o jednotlivcích.

7.2. Evropský AI Act

Požadavek AI ActShoda
Transparentnost (čl. 13)Vnitřně interpretovatelná symbolická architektura — každý krok usuzování je sledovatelný.
Vysvětlitelnost (čl. 13.1)Kompletní stopa: otázka → formální dotaz → cesta v KG → odpověď.
Technická dokumentace (čl. 11)Plně dokumentovatelný symbolický pipeline (gramatiky, pravidla, ontologie).
Robustnost a přesnost (čl. 15)Žádné halucinace — odpovědi pocházejí výhradně z KG.
Lidský dohled (čl. 14)KG je kontrolovatelný a upravitelný člověkem.
Řízení rizik (čl. 9)Nízké riziko: žádný neprůhledný model, žádná emergentní zaujatost.
Klíčový argument: Čistě symbolický systém je nativně v souladu s požadavky na transparentnost a vysvětlitelnost AI Act, na rozdíl od systémů založených na LLM, které vyžadují dodatečné vrstvy XAI (Goncalves & Correia, 2026; Wagner et al., 2025).

8. Ekologický dopad

8.1. Problém

8.2. Výhoda symbolického přístupu pouze na CPU

MetrikaSystém LLM (GPU)Výzva AI (CPU-only)Odhadovaný zisk
Okamžitý příkon300–400 W (GPU)65–125 W (CPU)~3–5×
Latence na dotaz0,5–5 s< 100 ms (cíl)~5–50×
Energie na dotaz~0,001–0,01 kWh~0,000001–0,00001 kWh~100–1000×
Potřebný hardwareGPU ≥ 6 000 €Spotřebitelský CPU < 500 €~12×

8.3. Povinné měření

Projekt musí měřit a reportovat:

9. Reprodukovatelnost

  1. Kompletní zdrojový kód: publikovaný ve veřejném repozitáři pod licencí HL3.
  2. Instalační pokyny: automatizovaný skript nebo kontejnerizace.
  3. Testovací data: výhradní použití veřejných benchmarků.
  4. Náhodná semínka: pevně stanovená a dokumentovaná pro jakoukoliv stochastickou složku.
  5. Verze závislostí: soubor s pevnými verzemi závislostí.
  6. Kontejnerizace: kompletní systém musí být reprodukovatelně spustitelný.
  7. Dokumentovaný minimální hardware: explicitní minimální specifikace.

Maximální požadovaný hardware (i9 + RTX 3090) je dostupný široké veřejnosti. Fáze 2 (QA runtime) nevyžaduje GPU, což umožňuje spuštění na jednoduchém notebooku.

10. Suverenita, bezpečnost a soukromí

Digitální suverenita

  • Žádná závislost na cloudu — plně lokální provoz.
  • Žádné volání externích API — žádná data neopouštějí počítač.
  • LLM s otevřenými váhami ke stažení a lokálnímu spuštění.
  • Žádné závislostní zamknutí na dodavateli.

Bezpečnost

  • Spouštění v sandboxu (izolované prostředí).
  • Žádné spouštění libovolného kódu.
  • Žádná prompt injection (žádný LLM při inferenci).
  • Validace vstupu formální gramatikou.

Soukromí

  • Výhradně lokální zpracování — dokumenty nikdy neopouštějí počítač.
  • Žádná telemetrie.
  • KG smazatelný na požádání.
  • Možnost vytvořit oddělené KG pro jednotlivé uživatele nebo domény.

11. Benchmarky a hodnocení

11.1. Uznávané benchmarky KGQA

Systém musí být vyhodnocen na alespoň dvou z následujících benchmarků:

BenchmarkPopisVelikostReference
SimpleQuestionsJednoduché faktické otázky na Freebase~100K otázekACL
WebQuestionsSPWebové otázky s anotacemi SPARQL~4 737 otázekACL
LC-QuAD 2.0Složité otázky na DBpedia/Wikidata~30K otázekISWC
ComplexWebQuestionsVícekrokové otázky na Freebase~34K otázekNAACL
QALDVícejazyčná výzva, malý rozsah~400–500 otázekCLEF/ESWC
MINTQANedávný benchmark pro LLM+KG na vzácných entitáchVariabilníEMNLP 2025
SQuAD 2.0Extrakční QA na odstavcích~150K otázekACL
Natural QuestionsSkutečné otázky z Google~307K otázekTACL
TriviaQAKvízové QA s podpůrnými dokumenty~95K otázekACL

Doporučení: upřednostnit LC-QuAD 2.0 a QALD, doplněné o SQuAD nebo Natural Questions pro srovnání s neuronovými přístupy.

11.2. Metriky hodnocení

KategorieMetrikaPopis
Výkon QAF1 skóre, Exact Match (EM)Přesnost odpovědí
Výkon QAHits@1, Hits@5Míra správných odpovědí v top-k
Výkon QAMRRPrůměrné pořadí správné odpovědi
LatencePrůměrná/p95 doba odezvy (ms)Měřeno pouze na CPU
PropustnostOtázek/sekunduPropustnost
EkologiekWh/dotaz, gCO₂/dotazPomocí codecarbon/carbontracker
VysvětlitelnostMíra sledovatelnosti% odpovědí s kompletní stopou (cíl: 100 %)
Pokrytí KGTrojice, entity, relacePopisná statistika

11.3. Srovnávací základny

  1. RAG + LLM (GPU): neuronová základna na GPU.
  2. KG-RAG (GPU): hybridní základna KG + LLM.
  3. Přímý SPARQL: čistě symbolická základna (ruční dotazy na stejném KG).

12. Výkonnostní specifikace

KritériumCílOdůvodnění
Latence QA< 100 ms (p95)Přijatelná uživatelská interaktivita
Konstrukce KG< 1 min / 1 000 krátkých dokumentůPraktičnost
Paměťová stopa QA< 4 GB RAMSpustitelné na skromném PC
Velikost KGŠkálovatelný na 10M+ trojicDostatečné pokrytí pro benchmarky
Přesnost QA≥ 50 % F1 na jednoduchých benchmarkechInterpretovatelnost a úspornost jako hlavní argumenty
Sledovatelnost100 % odpovědí vysvětlenoKlíčová výhoda symbolického přístupu

13. Rizika a opatření

RizikoPravděpodobnostDopadOpatření
Nedostatečný výkon QA oproti LLMVysokáStředníZaměření na interpretovatelnost/úspornost
Nedostatečná kvalita automatického KGStředníVysokýIterace pravidel, supervize LLM
Složitost vícekrokových otázekVysokáStředníOmezení na ≤ 3 kroky, dokumentace omezení
Nekompatibilita licence závislostíNízkáVysokýSystematický audit licencí
LLM s otevřenými váhami nedostatečný pro superviziStředníStředníTestování a kombinace více modelů
Omezené pokrytí KG ve velkém měřítkuStředníStředníZačít s QALD, poté škálovat

14. Kritéria úspěchu

  1. QA systém funguje zcela na CPU bez GPU při inferenci.
  2. KG je vytvořen automaticky z dokumentů v přirozeném jazyce.
  3. Výkon je měřen na ≥ 2 uznávaných veřejných benchmarkech.
  4. 100 % odpovědí je doprovázeno vysvětlovací stopou.
  5. Spotřeba energie je měřena a porovnávána s referenčním systémem na GPU.
  6. Kód je publikován pod licencí Hippocratic 3.0 s kompatibilními závislostmi.
  7. Systém je reprodukovatelný pomocí Docker na specifikovaném hardwaru.
  8. Vývoj je zcela proveden LLM s otevřenými váhami v sandboxu.

15. Bibliografické odkazy

  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.