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

AI-udfordring

Design et CPU-only, rent symbolsk spørgsmål/svar-system, hvis videngraf bygges automatisk fra naturlige sprogdokumenter.

Grøn AI • CPU-only • Symbolsk • Forklarbar

1. Udfordringsresumé

Udfordringen sigter mod at designe, implementere og evaluere et spørgsmål/svar-system (QA), der udelukkende kører på CPU, baseret på en rent symbolsk arkitektur (leksikon, grammatikker, videngraf, formel logik). Hele systemudviklingen drives af kvantiserede open-weights LLM'er, der kan køres på forbruger-hardware (i9 CPU, RTX 3090).

Dette projekt falder inden for bevægelsen Green AI (Schwartz et al., 2020) og Frugal AI, i modsætning til kapløbet mod stadig større modeller, hvis CO₂-aftryk er blevet alarmerende (Kim et al., 2026; Hasan et al., 2025). Det adresserer også de voksende krav om gennemsigtighed, forklarbarhed og regulatorisk overholdelse pålagt af GDPR og den europæiske AI Act (Wagner et al., 2025; Juliussen, 2025).

Originalitet: Intet eksisterende arbejde kombinerer samtidigt følgende begrænsninger:
  1. Rent symbolsk QA-system (ingen neurale netværk ved inferens)
  2. CPU-only ved kørsel (ingen GPU påkrævet)
  3. Automatisk KG-konstruktion fra naturlige sprogdokumenter
  4. Udvikling helt styret af kvantiserede open-weights LLM'er
  5. Native GDPR/AI Act-overholdelse ved design (iboende fortolkelighed)
  6. Etisk licens (Hippocratic 3.0)

2. Kontekst og videnskabelig positionering

2.1. Problemformulering

Nuværende QA-systemer er stærkt afhængige af LLM'er (GPT, LLaMA osv.), der kræver dyre GPU'er til inferens, og rejser spørgsmål om hallucination, reproducerbarhed, forklarbarhed og datasuverænitet. De fungerer som sorte bokse og er vanskelige at gøre kompatible med kravene i den europæiske AI Act (artikel 13) vedrørende gennemsigtighed i højrisikosystemer (Wagner, 2025; Boshnjakovski, 2025).

2.2. State of the Art

Neuro-symbolske tilgange og KG-QA

Nyere litteratur konvergerer mod integration af videngrafer (KG) og symbolsk ræsonnement for at adressere begrænsningerne ved rent neurale tilgange:

Automatisk videngrafkonstruktion

CPU-effektivitet og letvægtstilgange

AI's økologiske påvirkning

Overholdelse af GDPR og AI Act

3. Mål

Hovedmål

Demonstrere gennemførligheden og evaluere ydeevnen af et CPU-only, rent symbolsk QA-system, hvis videngraf bygges automatisk fra naturlige sprogdokumenter.

Sekundære mål

  1. Opnå konkurrencedygtig ydeevne på anerkendte KGQA-benchmarks.
  2. Måle og sammenligne energiaftrykket (CPU vs GPU) for at demonstrere den økologiske fordel.
  3. Demonstrere systemets iboende fortolkelighed (sporbarhed af hvert svar).
  4. Levere reproducerbar, dokumenteret software under en etisk licens.

4. Arkitektur & tekniske specifikationer

4.1. Overordnet arkitektur

Systemet er opdelt i to adskilte faser:

Fase 1 — Videngrafkonstruktion (offline, GPU tilladt)

NL-dokumenter → Forbehandling → NER → Relationsekstraktion → Koreferenceresolution
    → KG-konstruktion (RDF/OWL-tripler) → Graflagring

Fase 2 — Spørgsmål/svar (kørsel, strengt CPU-only)

NL-spørgsmål → Syntaktisk/semantisk analyse → Transformation til formel forespørgsel
    → KG-gennemløb → Logisk ræsonnement → Svargenerering
    → Forklaringsspor

4.2. Hardwarespecifikationer

KomponentFase 1 (KG-konstruktion)Fase 2 (QA-kørsel)
CPUIntel Core i9 (maks.)Intel Core i9 (maks.)
GPUNVIDIA RTX 3090 (24 GB VRAM)Ingen (strengt CPU-only)
RAM32 GB (maks.)32 GB (tilstrækkeligt)
LagringNVMe SSDNVMe SSD

Begrundelse: Fase 1 kan bruge GPU'en til at køre de kvantiserede open-weights LLM'er, der styrer pipeline-konstruktionen. Fase 2, som udgør det deployerbare system, skal være strengt CPU-only for at garantere tilgængelighed, suverænitet og sparsommelighed.

4.3. Udviklingsmiljø

4.4. LLM-supervision

Systemudvikling drives helt af en eller flere open-weights LLM'er, der kan køres lokalt på den specificerede hardware (Fase 1). Valget af modeller, kvantisering og inferensrammeværk overlades til deltageren.

5. Foreslået pipeline-arkitektur

Følgende opdeling gives som en retningslinje. Deltagere kan frit foreslå en anden arkitektur, forudsat de opfylder de funktionelle begrænsninger (afsnit 3, 4 og 12) og licenskrav (afsnit 6).

5.1. Tekstforbehandling

  • Sætningssegmentering
  • Tokenisering
  • Lemmatisering
  • Ordklassetagning
  • Afhængighedsanalyse

5.2. Navngivet entitetsgenkendelse (NER)

  • Entitetsdetektion (personer, steder, organisationer, datoer, begreber)
  • Entitetstypning ifølge en domæneontologi
  • Koreferenceresolution

5.3. Relationsekstraktion (RE)

  • Tripelekstraktion (subjekt, prædikat, objekt) fra tekst
  • Åben eller mønsterguidet ekstraktion

5.4. Videngrafkonstruktion

  • Entitetsnormalisering og sammenlægning (entity linking)
  • Grafkonstruktion og lagring (tripler)
  • Berigelse gennem implicit relationsinferens
  • Grafvalidering og rensning

5.5. Spørgsmålsforståelse

  • Syntaktisk analyse af det naturlige sprogspørgsmål
  • Identifikation af spørgsmålstype (hvem, hvad, hvor, hvornår…)
  • Ekstraktion af nævnte entiteter og relationer
  • Transformation til en formel forespørgsel på grafen

5.6. Ræsonnement & svarsøgning

  • Videngrafgennemløb (multi-hop ræsonnement)
  • Logisk resolution og rangering af kandidatsvar

5.7. Svargenerering & forklaringer

  • Svarformulering på naturligt sprog
  • Komplet forklaringsspor: sti i KG'en, anvendte regler, involverede entiteter og relationer, tillid/fuldstændighed

6. Licensbegrænsninger

6.1. Hippocratic License 3.0 (HL3)

Den endelige software vil blive publiceret under Hippocratic License 3.0 (firstdonoharm.dev). Denne licens:

6.2. Afhængighedskompatibilitet

LicensHL3-kompatibelEksempler
MIT✅ Ja—
BSD (2/3-clause)✅ Ja—
Apache 2.0✅ Ja—
ISC / CC0✅ Ja—
GPL v2/v3⚠️ Potentielt inkompatibel—
AGPL❌ Sandsynligvis inkompatibel—

6.3. Anbefalede valgfrie HL3-moduler

7. Regulatorisk overholdelse

7.1. GDPR

GDPR-principImplementering
Dataminimering (Art. 5.1.c)KG'en lagrer kun relevante ekstraherede tripler, ikke rå persondata.
Ret til forklaring (Art. 22 + betragtning 71)Komplet forklaringsspor for hvert svar.
Ret til sletning (Art. 17)Mulighed for at slette entiteter/tripler fra KG'en.
Databeskyttelse gennem design (Art. 25)Ingen følsomme data i KG'en medmindre dokumenteret nødvendighed.
Ingen automatiseret profilering (Art. 22)Systemet træffer ikke automatiserede beslutninger om enkeltpersoner.

7.2. Europæisk AI Act

AI Act-kravOverholdelse
Gennemsigtighed (Art. 13)Iboende fortolkelig symbolsk arkitektur — hvert ræsonneringstrin kan spores.
Forklarbarhed (Art. 13.1)Komplet spor: spørgsmål → formel forespørgsel → KG-sti → svar.
Teknisk dokumentation (Art. 11)Fuldt documenterbar symbolsk pipeline (grammatikker, regler, ontologi).
Robusthed og nøjagtighed (Art. 15)Ingen hallucination — svar kommer udelukkende fra KG'en.
Menneskeligt tilsyn (Art. 14)KG'en kan inspiceres og ændres af et menneske.
Risikostyring (Art. 9)Lav risiko: ingen uigennemsigtig model, ingen emergent bias.
Nøgleargument: Et rent symbolsk system er naturligt kompatibelt med AI Act's krav om gennemsigtighed og forklarbarhed, i modsætning til LLM-baserede systemer, der kræver yderligere XAI-lag (Goncalves & Correia, 2026; Wagner et al., 2025).

8. Økologisk påvirkning

8.1. Problemet

8.2. Fordel ved symbolsk CPU-only

MetrikLLM-system (GPU)AI-udfordring (CPU-only)Estimeret gevinst
Øjeblikkelig effekt300-400 W (GPU)65-125 W (CPU)~3-5×
Latens per forespørgsel0,5-5 s< 100 ms (mål)~5-50×
Energi per forespørgsel~0,001-0,01 kWh~0,000001-0,00001 kWh~100-1000×
Påkrævet hardwareGPU ≥ 6.000 €Forbruger-CPU < 500 €~12×

8.3. Obligatorisk måling

Projektet skal måle og rapportere:

9. Reproducerbarhed

  1. Komplet kildekode: publiceret på et offentligt repository under HL3-licens.
  2. Installationsinstruktioner: automatiseret script eller containerisering.
  3. Testdata: udelukkende brug af offentlige benchmarks.
  4. Tilfældige frø: faste og dokumenterede for enhver stokastisk komponent.
  5. Afhængighedsversionering: fastlåst afhængighedsfil.
  6. Containerisering: det komplette system skal kunne køres reproducerbart.
  7. Dokumenteret minimumshardware: eksplicitte minimumsspecifikationer.

Den maksimalt påkrævede hardware (i9 + RTX 3090) er tilgængelig for et bredt publikum. Fase 2 (QA-kørsel) kræver ingen GPU, hvilket muliggør kørsel på en simpel bærbar computer.

10. Suverænitet, sikkerhed & privatliv

Digital suverænitet

  • Ingen cloud-afhængighed — fuldt lokal drift.
  • Ingen eksterne API-kald — ingen data forlader maskinen.
  • Open-weights LLM'er kan downloades og køres lokalt.
  • Ingen leverandørlåsning.

Sikkerhed

  • Sandboxed kørsel (isoleret miljø).
  • Ingen vilkårlig kodekørsel.
  • Ingen prompt injection (ingen LLM ved inferens).
  • Inputvalidering via formel grammatik.

Privatliv

  • Udelukkende lokal behandling — dokumenter forlader aldrig maskinen.
  • Ingen telemetri.
  • KG kan slettes på forespørgsel.
  • Mulighed for at oprette separate KG'er per bruger eller per domæne.

11. Benchmarks & evaluering

11.1. Anerkendte KGQA-benchmarks

Systemet skal evalueres på mindst to af følgende benchmarks:

BenchmarkBeskrivelseStørrelseReference
SimpleQuestionsSimple faktuelle spørgsmål om Freebase~100K spørgsmålACL
WebQuestionsSPWebspørgsmål med SPARQL-annotationer~4.737 spørgsmålACL
LC-QuAD 2.0Komplekse spørgsmål om DBpedia/Wikidata~30K spørgsmålISWC
ComplexWebQuestionsMulti-hop-spørgsmål om Freebase~34K spørgsmålNAACL
QALDFlersproget udfordring, lille størrelse~400-500 spørgsmålCLEF/ESWC
MINTQANyere benchmark for LLM+KG på sjældne entiteterVariabelEMNLP 2025
SQuAD 2.0Ekstraktiv QA på afsnit~150K spørgsmålACL
Natural QuestionsRigtige Google-spørgsmål~307K spørgsmålTACL
TriviaQATrivia QA med understøttende dokumenter~95K spørgsmålACL

Anbefaling: prioritér LC-QuAD 2.0 og QALD, suppleret med SQuAD eller Natural Questions til sammenligning med neurale tilgange.

11.2. Evalueringsmetrikker

KategoriMetrikBeskrivelse
QA-ydelseF1-score, Exact Match (EM)Svarpræcision
QA-ydelseHits@1, Hits@5Korrekt svarrate i top-k
QA-ydelseMRRGennemsnitlig rang for korrekt svar
LatensGennemsnitlig/p95 svartid (ms)Målt kun på CPU
GennemløbSpørgsmål/sekundGennemløb
ØkologikWh/forespørgsel, gCO₂/forespørgselVia codecarbon/carbontracker
ForklarbarhedSporbarhedsrate% af svar med komplet spor (mål: 100%)
KG-dækningTripler, entiteter, relationerDeskriptiv statistik

11.3. Sammenligningsbaselines

  1. RAG + LLM (GPU): neural baseline på GPU.
  2. KG-RAG (GPU): hybrid KG + LLM baseline.
  3. Direkte SPARQL: ren symbolsk baseline (manuelle forespørgsler på samme KG).

12. Ydelsesspecifikationer

KriteriumMålBegrundelse
QA-latens< 100 ms (p95)Acceptabel brugerinteraktivitet
KG-konstruktion< 1 min / 1.000 korte dokumenterPraktisk
QA-hukommelsesfodaftryk< 4 GB RAMKan køres på beskeden PC
KG-størrelseSkalerbar til 10M+ triplerTilstrækkelig dækning til benchmarks
QA-præcision≥ 50% F1 på simple benchmarksFortolkelighed og sparsommelighed som hovedargumenter
Sporbarhed100% af svar forklaretNøglefordel ved symbolsk tilgang

13. Risici & afbødninger

RisikoSandsynlighedPåvirkningAfbødning
Utilstrækkelig QA-ydelse vs LLMHøjMediumFokus på fortolkelighed/sparsommelighed
Utilstrækkelig kvalitet af automatisk KGMediumHøjIterér regler, LLM-supervision
Kompleksitet af multi-hop-spørgsmålHøjMediumBegræns til ≤ 3 hop, dokumentér begrænsninger
Afhængighedslicens-inkompatibilitetLavHøjSystematisk licensrevision
Open-weights LLM utilstrækkelig til supervisionMediumMediumTest og kombinér flere modeller
Begrænset KG-dækning i skalaMediumMediumStart med QALD, skaler derefter op

14. Succeskriterier

  1. QA-systemet kører udelukkende på CPU uden GPU ved inferens.
  2. KG'en bygges automatisk fra naturlige sprogdokumenter.
  3. Ydeevne måles på ≥ 2 anerkendte offentlige benchmarks.
  4. 100% af svar er ledsaget af et forklaringsspor.
  5. Energiforbrug er målt og sammenlignet med en GPU-baseline.
  6. Kode er publiceret under Hippocratic 3.0-licens med kompatible afhængigheder.
  7. Systemet er reproducerbart via Docker på den specificerede hardware.
  8. Udvikling er helt udført af open-weights LLM'er i en sandbox.

15. Bibliografiske referencer

  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.