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).
- Čistě symbolický QA systém (žádná neuronová síť při inferenci)
- Pouze CPU za běhu (žádný GPU)
- Automatická konstrukce KG z dokumentů v přirozeném jazyce
- Vývoj zcela řízený kvantizovanými LLM s otevřenými váhami
- Nativní shoda s GDPR/AI Act už od návrhu (vnitřní interpretovatelnost)
- 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:
- Cheng et al. (2025), "Neural-symbolic methods for knowledge graph reasoning" (ACM TKDD) — rozlišují přístupy k doplňování KG, odpovídání na složité dotazy a učení logických pravidel; identifikují potenciál čistě symbolických metod pro interpretovatelnost.
- Niu et al. (2026), "A Comprehensive Survey of Knowledge Graph Reasoning" (IEEE Trans. Big Data) — pokrývají usuzování na více krocích v KG, včetně přístupů indukčního logického programování (ILP).
- Linders & Tomczak (2025), "Knowledge graph-extended RAG for QA" (Applied Intelligence) — demonstrují, že KG umožňují symbolické usuzování a ověřitelné odpovědi.
- Chudasama et al. (2025), "Toward interpretable hybrid AI" (IEEE Access) — navrhují TrustKG kombinující symbolickou interpretovatelnost s KG.
- Agarwal & Bedathur (2025), "A Zero-Shot Neuro-Symbolic Approach for Complex KGQA" (EMNLP Findings 2025).
- Liu et al. (2025), "SymAgent" (TheWebConf 2025) — samo-učící se symbolický agent pro KGQA.
Automatická konstrukce znalostních grafů
- Zavarella (2026), "Methods for KG Construction from Text Collections" (arXiv) — rámec kombinující NLP, ML a Sémantický web.
- Salman et al. (2024), "Doc-KG" (Expert Systems) — konstrukce KG z nestrukturovaných dokumentů.
- Chen et al. (2025), "Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs" (TheWebConf 2025).
Efektivita na CPU a odlehčené přístupy
- 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) potvrzují, že „spaCy poskytuje lehkou extrakci s vysokou přesností, efektivní na standardním CPU".
- Okechukwu et al. (2025) potvrzují, že „spaCy a NLTK pracují efektivně na standardních CPU".
Ekologický dopad AI
- Kim & Yoo (2026), "Toward Sustainable AI" (IEEE Access) — uhlíková stopa datových center AI se mezi lety 2024 a 2025 ztrojnásobila.
- Hasan et al. (2025), "Carbon emission quantification of ML" (IEEE Trans.).
- Tunzina et al. (2026), "GreenAI: Environmental Efficiency in LLM-Generated Code" (IEEE Access).
Shoda s GDPR a AI Act
- 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. 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
- Dosáhnout konkurenceschopného výkonu na uznávaných benchmarkech KGQA.
- Měřit a porovnávat energetickou stopu (CPU vs GPU) za účelem prokázání ekologického přínosu.
- Prokázat vnitřní interpretovatelnost systému (sledovatelnost každé odpovědi).
- 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
| Komponenta | Fáze 1 (Konstrukce KG) | Fáze 2 (QA runtime) |
|---|---|---|
| CPU | Intel Core i9 (max) | Intel Core i9 (max) |
| GPU | NVIDIA RTX 3090 (24 GB VRAM) | Žádný (striktně pouze CPU) |
| RAM | 32 GB (max) | 32 GB (dostatečné) |
| Úložiště | NVMe SSD | NVMe 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
- Sandbox: vývoj v izolovaném prostředí pro bezpečnost a reprodukovatelnost.
- Cílový OS: Linux (primární cíl), s požadovanou přenositelností na Windows/macOS.
- Jazyk(y): volný výběr, za předpokladu, že závislosti splňují licenční omezení (sekce 6).
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:
- Není považována za open source ve smyslu OSI (etická omezení použití).
- Je licence typu copyleft (sekce 8.3).
- Ukládá etické standardy založené na základních lidských právech (UDHR, ICESCR, ICCPR, ILO).
6.2. Kompatibilita závislostí
| Licence | Kompatibilní s HL3 | Příklady |
|---|---|---|
| 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
- HL3-ECO (Ekocida) — v souladu s cílem snížení ekologického dopadu.
- HL3-MEDIA — zákaz použití k propagaci násilí.
- HL3-SV (Masový dohled) — v souladu se suverenitou a soukromím.
7. Regulační shoda
7.1. GDPR
| Princip GDPR | Implementace |
|---|---|
| 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 Act | Shoda |
|---|---|
| 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. |
8. Ekologický dopad
8.1. Problém
- Trénink GPT-3 spotřeboval přibližně 1 287 MWh, tedy ~552 tun CO₂.
- Uhlíková stopa datových center AI se mezi lety 2024 a 2025 ztrojnásobila (Awab, 2026).
- Dotaz na LLM spotřebuje přibližně 10× více energie než standardní webové vyhledávání (Kim & Yoo, 2026).
8.2. Výhoda symbolického přístupu pouze na CPU
| Metrika | Systém LLM (GPU) | Výzva AI (CPU-only) | Odhadovaný zisk |
|---|---|---|---|
| Okamžitý příkon | 300–400 W (GPU) | 65–125 W (CPU) | ~3–5× |
| Latence na dotaz | 0,5–5 s | < 100 ms (cíl) | ~5–50× |
| Energie na dotaz | ~0,001–0,01 kWh | ~0,000001–0,00001 kWh | ~100–1000× |
| Potřebný hardware | GPU ≥ 6 000 € | Spotřebitelský CPU < 500 € | ~12× |
8.3. Povinné měření
Projekt musí měřit a reportovat:
- Spotřebu energie (kWh) pro konstrukci KG.
- Spotřebu energie na QA dotaz.
- Odpovídající uhlíkovou stopu CO₂.
- Porovnání s referenčním systémem na GPU.
9. Reprodukovatelnost
- Kompletní zdrojový kód: publikovaný ve veřejném repozitáři pod licencí HL3.
- Instalační pokyny: automatizovaný skript nebo kontejnerizace.
- Testovací data: výhradní použití veřejných benchmarků.
- Náhodná semínka: pevně stanovená a dokumentovaná pro jakoukoliv stochastickou složku.
- Verze závislostí: soubor s pevnými verzemi závislostí.
- Kontejnerizace: kompletní systém musí být reprodukovatelně spustitelný.
- 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:
| Benchmark | Popis | Velikost | Reference |
|---|---|---|---|
| SimpleQuestions | Jednoduché faktické otázky na Freebase | ~100K otázek | ACL |
| WebQuestionsSP | Webové otázky s anotacemi SPARQL | ~4 737 otázek | ACL |
| LC-QuAD 2.0 | Složité otázky na DBpedia/Wikidata | ~30K otázek | ISWC |
| ComplexWebQuestions | Vícekrokové otázky na Freebase | ~34K otázek | NAACL |
| QALD | Vícejazyčná výzva, malý rozsah | ~400–500 otázek | CLEF/ESWC |
| MINTQA | Nedávný benchmark pro LLM+KG na vzácných entitách | Variabilní | EMNLP 2025 |
| SQuAD 2.0 | Extrakční QA na odstavcích | ~150K otázek | ACL |
| Natural Questions | Skutečné otázky z Google | ~307K otázek | TACL |
| TriviaQA | Kvízové QA s podpůrnými dokumenty | ~95K otázek | ACL |
Doporučení: upřednostnit LC-QuAD 2.0 a QALD, doplněné o SQuAD nebo Natural Questions pro srovnání s neuronovými přístupy.
11.2. Metriky hodnocení
| Kategorie | Metrika | Popis |
|---|---|---|
| Výkon QA | F1 skóre, Exact Match (EM) | Přesnost odpovědí |
| Výkon QA | Hits@1, Hits@5 | Míra správných odpovědí v top-k |
| Výkon QA | MRR | Průměrné pořadí správné odpovědi |
| Latence | Průměrná/p95 doba odezvy (ms) | Měřeno pouze na CPU |
| Propustnost | Otázek/sekundu | Propustnost |
| Ekologie | kWh/dotaz, gCO₂/dotaz | Pomocí codecarbon/carbontracker |
| Vysvětlitelnost | Míra sledovatelnosti | % odpovědí s kompletní stopou (cíl: 100 %) |
| Pokrytí KG | Trojice, entity, relace | Popisná statistika |
11.3. Srovnávací základny
- RAG + LLM (GPU): neuronová základna na GPU.
- KG-RAG (GPU): hybridní základna KG + LLM.
- Přímý SPARQL: čistě symbolická základna (ruční dotazy na stejném KG).
12. Výkonnostní specifikace
| Kritérium | Cíl | Odůvodnění |
|---|---|---|
| Latence QA | < 100 ms (p95) | Přijatelná uživatelská interaktivita |
| Konstrukce KG | < 1 min / 1 000 krátkých dokumentů | Praktičnost |
| Paměťová stopa QA | < 4 GB RAM | Spustitelné na skromném PC |
| Velikost KG | Škálovatelný na 10M+ trojic | Dostatečné pokrytí pro benchmarky |
| Přesnost QA | ≥ 50 % F1 na jednoduchých benchmarkech | Interpretovatelnost a úspornost jako hlavní argumenty |
| Sledovatelnost | 100 % odpovědí vysvětleno | Klíčová výhoda symbolického přístupu |
13. Rizika a opatření
| Riziko | Pravděpodobnost | Dopad | Opatření |
|---|---|---|---|
| Nedostatečný výkon QA oproti LLM | Vysoká | Střední | Zaměření na interpretovatelnost/úspornost |
| Nedostatečná kvalita automatického KG | Střední | Vysoký | Iterace pravidel, supervize LLM |
| Složitost vícekrokových otázek | Vysoká | Střední | Omezení na ≤ 3 kroky, dokumentace omezení |
| Nekompatibilita licence závislostí | Nízká | Vysoký | Systematický audit licencí |
| LLM s otevřenými váhami nedostatečný pro supervizi | Střední | Střední | Testování a kombinace více modelů |
| Omezené pokrytí KG ve velkém měřítku | Střední | Střední | Začít s QALD, poté škálovat |
14. Kritéria úspěchu
- QA systém funguje zcela na CPU bez GPU při inferenci.
- KG je vytvořen automaticky z dokumentů v přirozeném jazyce.
- Výkon je měřen na ≥ 2 uznávaných veřejných benchmarkech.
- 100 % odpovědí je doprovázeno vysvětlovací stopou.
- Spotřeba energie je měřena a porovnávána s referenčním systémem na GPU.
- Kód je publikován pod licencí Hippocratic 3.0 s kompatibilními závislostmi.
- Systém je reprodukovatelný pomocí Docker na specifikovaném hardwaru.
- Vývoj je zcela proveden LLM s otevřenými váhami v sandboxu.
15. Bibliografické odkazy
- 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.