1. Περίληψη της Πρόκλησης
Η πρόκληση στοχεύει στον σχεδιασμό, την υλοποίηση και την αξιολόγηση ενός συστήματος ερωτήσεων/απαντήσεων (QA) που εκτελείται αποκλειστικά σε CPU, βασισμένου σε καθαρά συμβολική αρχιτεκτονική (λεξικό, γραμματικές, γράφος γνώσης, τυπική λογική). Η ανάπτυξη ολόκληρου του συστήματος καθοδηγείται από κβαντισμένα LLMs ανοιχτών βαρών, εκτελέσιμα σε καταναλωτικό υλικό (i9 CPU, RTX 3090).
Αυτό το έργο εντάσσεται στο κίνημα Green AI (Schwartz et al., 2020) και Frugal AI, σε αντίθεση με τον αγώνα για ολοένα μεγαλύτερα μοντέλα των οποίων το ανθρακικό αποτύπωμα έχει γίνει ανησυχητικό (Kim et al., 2026; Hasan et al., 2025). Αντιμετωπίζει επίσης τις αυξανόμενες απαιτήσεις για διαφάνεια, ερμηνευσιμότητα και κανονιστική συμμόρφωση που επιβάλλονται από τον GDPR και τον Ευρωπαϊκό Κανονισμό ΤΝ (Wagner et al., 2025; Juliussen, 2025).
- Καθαρά συμβολικό σύστημα QA (κανένα νευρωνικό δίκτυο κατά την εκτέλεση)
- CPU-only κατά τον χρόνο εκτέλεσης (δεν απαιτείται GPU)
- Αυτόματη κατασκευή KG από έγγραφα φυσικής γλώσσας
- Ανάπτυξη εξ ολοκλήρου εποπτευόμενη από κβαντισμένα LLMs ανοιχτών βαρών
- Εγγενής συμμόρφωση με GDPR/AI Act εκ σχεδιασμού (εγγενής ερμηνευσιμότητα)
- Ηθική άδεια (Hippocratic 3.0)
2. Πλαίσιο και Επιστημονική Τοποθέτηση
2.1. Διατύπωση του Προβλήματος
Τα σημερινά συστήματα QA βασίζονται σε μεγάλο βαθμό σε LLMs (GPT, LLaMA, κ.λπ.) που απαιτούν ακριβές GPUs για εκτέλεση, και εγείρουν ζητήματα ψευδαισθήσεων, αναπαραγωγιμότητας, ερμηνευσιμότητας και κυριαρχίας δεδομένων. Λειτουργούν ως μαύρα κουτιά και είναι δύσκολο να συμμορφωθούν με τις απαιτήσεις του Ευρωπαϊκού Κανονισμού ΤΝ (Άρθρο 13) σχετικά με τη διαφάνεια των συστημάτων υψηλού κινδύνου (Wagner, 2025; Boshnjakovski, 2025).
2.2. Τρέχουσα Κατάσταση της Τέχνης
Νευρο-συμβολικές Προσεγγίσεις και KG-QA
Η πρόσφατη βιβλιογραφία συγκλίνει προς την ενσωμάτωση γράφων γνώσης (KG) και συμβολικής συλλογιστικής για την αντιμετώπιση των περιορισμών των καθαρά νευρωνικών προσεγγίσεων:
- Cheng et al. (2025), "Neural-symbolic methods for knowledge graph reasoning" (ACM TKDD) — διακρίνουν προσεγγίσεις συμπλήρωσης KG, σύνθετης απάντησης ερωτημάτων και εκμάθησης λογικών κανόνων· εντοπίζουν τις δυνατότητες των καθαρά συμβολικών μεθόδων για ερμηνευσιμότητα.
- Niu et al. (2026), "A Comprehensive Survey of Knowledge Graph Reasoning" (IEEE Trans. Big Data) — καλύπτουν πολυ-βηματική συλλογιστική σε KG, συμπεριλαμβανομένων προσεγγίσεων Inductive Logic Programming (ILP).
- Linders & Tomczak (2025), "Knowledge graph-extended RAG for QA" (Applied Intelligence) — αποδεικνύουν ότι τα KGs επιτρέπουν συμβολική συλλογιστική και επαληθεύσιμες απαντήσεις.
- Chudasama et al. (2025), "Toward interpretable hybrid AI" (IEEE Access) — προτείνουν το TrustKG που συνδυάζει συμβολική ερμηνευσιμότητα με KG.
- Agarwal & Bedathur (2025), "A Zero-Shot Neuro-Symbolic Approach for Complex KGQA" (EMNLP Findings 2025).
- Liu et al. (2025), "SymAgent" (TheWebConf 2025) — αυτο-εκπαιδευόμενος συμβολικός πράκτορας για KGQA.
Αυτόματη Κατασκευή Γράφου Γνώσης
- Zavarella (2026), "Methods for KG Construction from Text Collections" (arXiv) — πλαίσιο που συνδυάζει NLP, ML και Σημασιολογικό Ιστό.
- Salman et al. (2024), "Doc-KG" (Expert Systems) — κατασκευή KG από μη δομημένα έγγραφα.
- Chen et al. (2025), "Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs" (TheWebConf 2025).
Αποδοτικότητα CPU και Ελαφριές Προσεγγίσεις
- 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) επιβεβαιώνουν ότι «το spaCy παρέχει ελαφριά εξαγωγή υψηλής ακρίβειας, αποδοτική σε τυπικό CPU».
- Okechukwu et al. (2025) επιβεβαιώνουν ότι «το spaCy και το NLTK λειτουργούν αποδοτικά σε τυπικούς CPUs».
Οικολογικός Αντίκτυπος της ΤΝ
- Kim & Yoo (2026), "Toward Sustainable AI" (IEEE Access) — το ανθρακικό αποτύπωμα των κέντρων δεδομένων ΤΝ τριπλασιάστηκε μεταξύ 2024 και 2025.
- Hasan et al. (2025), "Carbon emission quantification of ML" (IEEE Trans.).
- Tunzina et al. (2026), "GreenAI: Environmental Efficiency in LLM-Generated Code" (IEEE Access).
Συμμόρφωση με GDPR και Κανονισμό ΤΝ
- 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. Στόχοι
Κύριος Στόχος
Να αποδειχθεί η σκοπιμότητα και να αξιολογηθεί η απόδοση ενός αποκλειστικά CPU, καθαρά συμβολικού συστήματος QA του οποίου ο γράφος γνώσης κατασκευάζεται αυτόματα από έγγραφα φυσικής γλώσσας.
Δευτερεύοντες Στόχοι
- Επίτευξη ανταγωνιστικής απόδοσης σε αναγνωρισμένα KGQA benchmarks.
- Μέτρηση και σύγκριση του ενεργειακού αποτυπώματος (CPU έναντι GPU) για απόδειξη του οικολογικού οφέλους.
- Απόδειξη της εγγενούς ερμηνευσιμότητας του συστήματος (ιχνηλασιμότητα κάθε απάντησης).
- Παροχή αναπαραγώγιμου, τεκμηριωμένου λογισμικού υπό ηθική άδεια.
4. Αρχιτεκτονική & Τεχνικές Προδιαγραφές
4.1. Συνολική Αρχιτεκτονική
Το σύστημα χωρίζεται σε δύο διακριτές φάσεις:
Φάση 1 — Κατασκευή Γράφου Γνώσης (εκτός σύνδεσης, GPU επιτρέπεται)
Έγγραφα ΦΓ → Προεπεξεργασία → NER → Εξαγωγή Σχέσεων → Επίλυση Συναναφοράς
→ Κατασκευή KG (τριπλέτες RDF/OWL) → Αποθήκευση Γράφου
Φάση 2 — Ερωτήσεις/Απαντήσεις (χρόνος εκτέλεσης, αυστηρά CPU-only)
Ερώτηση ΦΓ → Συντακτική/Σημασιολογική Ανάλυση → Μετατροπή σε Τυπικό Ερώτημα
→ Διάσχιση KG → Λογική Συλλογιστική → Παραγωγή Απάντησης
→ Ίχνος Εξήγησης
4.2. Προδιαγραφές Υλικού
| Στοιχείο | Φάση 1 (Κατασκευή KG) | Φάση 2 (Εκτέλεση QA) |
|---|---|---|
| CPU | Intel Core i9 (μέγιστο) | Intel Core i9 (μέγιστο) |
| GPU | NVIDIA RTX 3090 (24 GB VRAM) | Κανένα (αυστηρά CPU-only) |
| RAM | 32 GB (μέγιστο) | 32 GB (επαρκής) |
| Αποθήκευση | NVMe SSD | NVMe SSD |
Αιτιολόγηση: Η Φάση 1 μπορεί να χρησιμοποιήσει GPU για εκτέλεση κβαντισμένων LLMs ανοιχτών βαρών που εποπτεύουν την κατασκευή του pipeline. Η Φάση 2, που αποτελεί το αναπτυσσόμενο σύστημα, πρέπει να είναι αυστηρά CPU-only για εγγύηση προσβασιμότητας, κυριαρχίας και λιτότητας.
4.3. Περιβάλλον Ανάπτυξης
- Sandbox: ανάπτυξη σε απομονωμένο περιβάλλον για ασφάλεια και αναπαραγωγιμότητα.
- Λειτουργικό σύστημα: Linux (κύριος στόχος), με επιθυμητή φορητότητα σε Windows/macOS.
- Γλώσσα(-ες): ελεύθερη επιλογή, εφόσον οι εξαρτήσεις συμμορφώνονται με τους περιορισμούς αδειοδότησης (ενότητα 6).
4.4. Εποπτεία LLM
Η ανάπτυξη του συστήματος καθοδηγείται εξ ολοκλήρου από ένα ή περισσότερα LLMs ανοιχτών βαρών, εκτελέσιμα τοπικά στο καθορισμένο υλικό (Φάση 1). Η επιλογή μοντέλων, κβαντισμού και πλαισίου εκτέλεσης αφήνεται στον συμμετέχοντα.
5. Προτεινόμενη Αρχιτεκτονική Pipeline
Η ακόλουθη ανάλυση παρέχεται ως κατευθυντήρια γραμμή. Οι συμμετέχοντες είναι ελεύθεροι να προτείνουν διαφορετική αρχιτεκτονική, εφόσον πληρούν τους λειτουργικούς περιορισμούς (ενότητες 3, 4 και 12) και τις απαιτήσεις αδειοδότησης (ενότητα 6).
5.1. Προεπεξεργασία Κειμένου
- Τμηματοποίηση προτάσεων
- Τεμαχισμός (tokenisation)
- Λημματοποίηση
- Μορφοσυντακτική σήμανση (Part-of-Speech)
- Ανάλυση εξαρτήσεων
5.2. Αναγνώριση Ονομαστικών Οντοτήτων (NER)
- Ανίχνευση οντοτήτων (πρόσωπα, τοποθεσίες, οργανισμοί, ημερομηνίες, έννοιες)
- Τυποποίηση οντοτήτων σύμφωνα με οντολογία πεδίου
- Επίλυση συναναφοράς
5.3. Εξαγωγή Σχέσεων (RE)
- Εξαγωγή τριπλετών (υποκείμενο, κατηγόρημα, αντικείμενο) από κείμενο
- Ανοιχτή ή καθοδηγούμενη από μοτίβα εξαγωγή
5.4. Κατασκευή Γράφου Γνώσης
- Κανονικοποίηση και συγχώνευση οντοτήτων (entity linking)
- Κατασκευή και αποθήκευση γράφου (τριπλέτες)
- Εμπλουτισμός μέσω εξαγωγής σιωπηρών σχέσεων
- Επικύρωση και καθαρισμός γράφου
5.5. Κατανόηση Ερωτήσεων
- Συντακτική ανάλυση της ερώτησης φυσικής γλώσσας
- Αναγνώριση τύπου ερώτησης (ποιος, τι, πού, πότε…)
- Εξαγωγή αναφερόμενων οντοτήτων και σχέσεων
- Μετατροπή σε τυπικό ερώτημα στον γράφο
5.6. Συλλογιστική & Αναζήτηση Απάντησης
- Διάσχιση γράφου γνώσης (πολυ-βηματική συλλογιστική)
- Λογική επίλυση και κατάταξη υποψήφιων απαντήσεων
5.7. Παραγωγή Απαντήσεων & Εξηγήσεις
- Διατύπωση απάντησης σε φυσική γλώσσα
- Πλήρες ίχνος εξήγησης: διαδρομή στο KG, εφαρμοσθέντες κανόνες, εμπλεκόμενες οντότητες και σχέσεις, εμπιστοσύνη/πληρότητα
6. Περιορισμοί Αδειοδότησης
6.1. Hippocratic License 3.0 (HL3)
Το τελικό λογισμικό θα δημοσιευθεί υπό Hippocratic License 3.0 (firstdonoharm.dev). Αυτή η άδεια:
- Δεν θεωρείται ανοιχτού κώδικα κατά την έννοια του OSI (ηθικοί περιορισμοί στη χρήση).
- Είναι άδεια copyleft (Ενότητα 8.3).
- Επιβάλλει ηθικά πρότυπα βασισμένα στα θεμελιώδη ανθρώπινα δικαιώματα (UDHR, ICESCR, ICCPR, ILO).
6.2. Συμβατότητα Εξαρτήσεων
| Άδεια | Συμβατή με HL3 | Παραδείγματα |
|---|---|---|
| MIT | ✅ Ναι | — |
| BSD (2/3-clause) | ✅ Ναι | — |
| Apache 2.0 | ✅ Ναι | — |
| ISC / CC0 | ✅ Ναι | — |
| GPL v2/v3 | ⚠️ Πιθανώς ασύμβατη | — |
| AGPL | ❌ Πιθανώς ασύμβατη | — |
6.3. Προτεινόμενες Προαιρετικές Ενότητες HL3
- HL3-ECO (Οικοκτονία) — συμβατή με τον στόχο μείωσης του οικολογικού αντίκτυπου.
- HL3-MEDIA — απαγόρευση χρήσης για προώθηση βίας.
- HL3-SV (Μαζική Επιτήρηση) — συμβατή με κυριαρχία και ιδιωτικότητα.
7. Κανονιστική Συμμόρφωση
7.1. GDPR
| Αρχή GDPR | Υλοποίηση |
|---|---|
| Ελαχιστοποίηση δεδομένων (Άρ. 5.1.γ) | Το KG αποθηκεύει μόνο σχετικές εξαχθείσες τριπλέτες, όχι ακατέργαστα προσωπικά δεδομένα. |
| Δικαίωμα εξήγησης (Άρ. 22 + αιτιολογική σκέψη 71) | Πλήρες ίχνος εξήγησης για κάθε απάντηση. |
| Δικαίωμα διαγραφής (Άρ. 17) | Δυνατότητα διαγραφής οντοτήτων/τριπλετών από το KG. |
| Προστασία ιδιωτικότητας εκ σχεδιασμού (Άρ. 25) | Κανένα ευαίσθητο δεδομένο στο KG χωρίς τεκμηριωμένη αναγκαιότητα. |
| Καμία αυτοματοποιημένη κατάρτιση προφίλ (Άρ. 22) | Το σύστημα δεν λαμβάνει αυτοματοποιημένες αποφάσεις για φυσικά πρόσωπα. |
7.2. Ευρωπαϊκός Κανονισμός ΤΝ
| Απαίτηση Κανονισμού ΤΝ | Συμμόρφωση |
|---|---|
| Διαφάνεια (Άρ. 13) | Εγγενώς ερμηνεύσιμη συμβολική αρχιτεκτονική — κάθε βήμα συλλογιστικής είναι ιχνηλατήσιμο. |
| Ερμηνευσιμότητα (Άρ. 13.1) | Πλήρες ίχνος: ερώτηση → τυπικό ερώτημα → διαδρομή KG → απάντηση. |
| Τεχνική τεκμηρίωση (Άρ. 11) | Πλήρως τεκμηριώσιμο συμβολικό pipeline (γραμματικές, κανόνες, οντολογία). |
| Ανθεκτικότητα και ακρίβεια (Άρ. 15) | Καμία ψευδαίσθηση — οι απαντήσεις προέρχονται αποκλειστικά από το KG. |
| Ανθρώπινη εποπτεία (Άρ. 14) | Το KG είναι επιθεωρήσιμο και τροποποιήσιμο από άνθρωπο. |
| Διαχείριση κινδύνου (Άρ. 9) | Χαμηλός κίνδυνος: κανένα αδιαφανές μοντέλο, καμία αναδυόμενη μεροληψία. |
8. Οικολογικός Αντίκτυπος
8.1. Το Πρόβλημα
- Η εκπαίδευση του GPT-3 κατανάλωσε περίπου 1.287 MWh, δηλαδή ~552 τόνους CO₂.
- Τα κέντρα δεδομένων ΤΝ είδαν το ανθρακικό τους αποτύπωμα να τριπλασιάζεται μεταξύ 2024 και 2025 (Awab, 2026).
- Ένα ερώτημα LLM καταναλώνει περίπου 10× περισσότερη ενέργεια από μια τυπική αναζήτηση στο διαδίκτυο (Kim & Yoo, 2026).
8.2. Πλεονέκτημα του Συμβολικού CPU-only
| Μέτρηση | Σύστημα LLM (GPU) | Πρόκληση ΤΝ (CPU-only) | Εκτιμώμενο Κέρδος |
|---|---|---|---|
| Στιγμιαία Ισχύς | 300-400 W (GPU) | 65-125 W (CPU) | ~3-5× |
| Καθυστέρηση ανά Ερώτημα | 0,5-5 s | < 100 ms (στόχος) | ~5-50× |
| Ενέργεια ανά Ερώτημα | ~0,001-0,01 kWh | ~0,000001-0,00001 kWh | ~100-1000× |
| Απαιτούμενο Υλικό | GPU ≥ 6.000 € | Καταναλωτικός CPU < 500 € | ~12× |
8.3. Υποχρεωτική Μέτρηση
Το έργο πρέπει να μετρήσει και να αναφέρει:
- Κατανάλωση ενέργειας (kWh) για κατασκευή KG.
- Κατανάλωση ενέργειας ανά ερώτημα QA.
- Αντίστοιχο ανθρακικό αποτύπωμα CO₂.
- Σύγκριση με σύστημα αναφοράς GPU.
9. Αναπαραγωγιμότητα
- Πλήρης πηγαίος κώδικας: δημοσιευμένος σε δημόσιο αποθετήριο, υπό άδεια HL3.
- Οδηγίες εγκατάστασης: αυτοματοποιημένο σενάριο ή κοντεϊνεροποίηση.
- Δεδομένα δοκιμών: αποκλειστική χρήση δημόσιων benchmarks.
- Τυχαίοι σπόροι: σταθεροί και τεκμηριωμένοι για κάθε στοχαστικό στοιχείο.
- Εκδοσιοποίηση εξαρτήσεων: αρχείο καρφιτσωμένων εξαρτήσεων.
- Κοντεϊνεροποίηση: το πλήρες σύστημα πρέπει να εκτελείται αναπαραγώγιμα.
- Τεκμηριωμένο ελάχιστο υλικό: ρητές ελάχιστες προδιαγραφές.
Το μέγιστο απαιτούμενο υλικό (i9 + RTX 3090) είναι προσβάσιμο σε ευρύ κοινό. Η Φάση 2 (εκτέλεση QA) δεν απαιτεί GPU, επιτρέποντας εκτέλεση σε απλό φορητό υπολογιστή.
10. Κυριαρχία, Ασφάλεια & Ιδιωτικότητα
Ψηφιακή Κυριαρχία
- Καμία εξάρτηση από cloud — πλήρως τοπική λειτουργία.
- Κανένα εξωτερικό κλήση API — κανένα δεδομένο δεν φεύγει από τη μηχανή.
- LLMs ανοιχτών βαρών λήψιμα και εκτελέσιμα τοπικά.
- Κανένα κλείδωμα σε προμηθευτή.
Ασφάλεια
- Εκτέλεση σε sandbox (απομονωμένο περιβάλλον).
- Καμία αυθαίρετη εκτέλεση κώδικα.
- Κανένα prompt injection (κανένα LLM κατά την εκτέλεση).
- Επικύρωση εισόδου μέσω τυπικής γραμματικής.
Ιδιωτικότητα
- Αποκλειστικά τοπική επεξεργασία — τα έγγραφα δεν φεύγουν ποτέ από τη μηχανή.
- Καμία τηλεμετρία.
- KG διαγράψιμο κατ' απαίτηση.
- Δυνατότητα δημιουργίας ξεχωριστών KGs ανά χρήστη ή ανά τομέα.
11. Αξιολογήσεις & Μετρήσεις
11.1. Αναγνωρισμένα Benchmarks KGQA
Το σύστημα πρέπει να αξιολογηθεί σε τουλάχιστον δύο από τα ακόλουθα benchmarks:
| Benchmark | Περιγραφή | Μέγεθος | Αναφορά |
|---|---|---|---|
| SimpleQuestions | Απλές πραγματολογικές ερωτήσεις στο Freebase | ~100K ερωτήσεις | ACL |
| WebQuestionsSP | Ερωτήσεις ιστού με σημειώσεις SPARQL | ~4.737 ερωτήσεις | ACL |
| LC-QuAD 2.0 | Σύνθετες ερωτήσεις σε DBpedia/Wikidata | ~30K ερωτήσεις | ISWC |
| ComplexWebQuestions | Πολυ-βηματικές ερωτήσεις στο Freebase | ~34K ερωτήσεις | NAACL |
| QALD | Πολύγλωσση πρόκληση, μικρό μέγεθος | ~400-500 ερωτήσεις | CLEF/ESWC |
| MINTQA | Πρόσφατο benchmark για LLM+KG σε σπάνιες οντότητες | Μεταβλητό | EMNLP 2025 |
| SQuAD 2.0 | Εξαγωγικό QA σε παραγράφους | ~150K ερωτήσεις | ACL |
| Natural Questions | Πραγματικές ερωτήσεις Google | ~307K ερωτήσεις | TACL |
| TriviaQA | QA γενικών γνώσεων με υποστηρικτικά έγγραφα | ~95K ερωτήσεις | ACL |
Σύσταση: δώστε προτεραιότητα σε LC-QuAD 2.0 και QALD, συμπληρωμένα με SQuAD ή Natural Questions για σύγκριση με νευρωνικές προσεγγίσεις.
11.2. Μετρικές Αξιολόγησης
| Κατηγορία | Μετρική | Περιγραφή |
|---|---|---|
| Απόδοση QA | F1 score, Exact Match (EM) | Ακρίβεια απάντησης |
| Απόδοση QA | Hits@1, Hits@5 | Ποσοστό σωστής απάντησης στα top-k |
| Απόδοση QA | MRR | Μέσος ρόλος σωστής απάντησης |
| Καθυστέρηση | Μέσος/p95 χρόνος απόκρισης (ms) | Μέτρηση μόνο σε CPU |
| Ρυθμός | Ερωτήσεις/δευτερόλεπτο | Ρυθμαπόδοση |
| Οικολογία | kWh/ερώτημα, gCO₂/ερώτημα | Μέσω codecarbon/carbontracker |
| Ερμηνευσιμότητα | Ποσοστό ιχνηλασιμότητας | % απαντήσεων με πλήρες ίχνος (στόχος: 100%) |
| Κάλυψη KG | Τριπλέτες, οντότητες, σχέσεις | Περιγραφικά στατιστικά |
11.3. Βασικές Γραμμές Σύγκρισης
- RAG + LLM (GPU): νευρωνική βασική γραμμή σε GPU.
- KG-RAG (GPU): υβριδική βασική γραμμή KG + LLM.
- Απευθείας SPARQL: καθαρά συμβολική βασική γραμμή (χειροκίνητα ερωτήματα στο ίδιο KG).
12. Προδιαγραφές Απόδοσης
| Κριτήριο | Στόχος | Αιτιολόγηση |
|---|---|---|
| Καθυστέρηση QA | < 100 ms (p95) | Αποδεκτή διαδραστικότητα χρήστη |
| Κατασκευή KG | < 1 λεπτό / 1.000 σύντομα έγγραφα | Πρακτικότητα |
| Αποτύπωμα Μνήμης QA | < 4 GB RAM | Εκτελέσιμο σε μέτριο PC |
| Μέγεθος KG | Κλιμακούμενο σε 10M+ τριπλέτες | Επαρκής κάλυψη για benchmarks |
| Ακρίβεια QA | ≥ 50% F1 σε απλά benchmarks | Ερμηνευσιμότητα και λιτότητα ως κύρια επιχειρήματα |
| Ιχνηλασιμότητα | 100% απαντήσεων εξηγημένες | Βασικό πλεονέκτημα της συμβολικής προσέγγισης |
13. Κίνδυνοι & Μέτρα Αντιμετώπισης
| Κίνδυνος | Πιθανότητα | Αντίκτυπος | Αντιμετώπιση |
|---|---|---|---|
| Ανεπαρκής απόδοση QA έναντι LLM | Υψηλή | Μέτριος | Εστίαση σε ερμηνευσιμότητα/λιτότητα |
| Ανεπαρκής ποιότητα αυτόματου KG | Μέτρια | Υψηλός | Επανάληψη κανόνων, εποπτεία LLM |
| Πολυπλοκότητα πολυ-βηματικών ερωτήσεων | Υψηλή | Μέτριος | Περιορισμός σε ≤ 3 βήματα, τεκμηρίωση περιορισμών |
| Ασυμβατότητα άδειας εξαρτήσεων | Χαμηλή | Υψηλός | Συστηματικός έλεγχος αδειών |
| LLM ανοιχτών βαρών ανεπαρκές για εποπτεία | Μέτρια | Μέτριος | Δοκιμή και συνδυασμός πολλαπλών μοντέλων |
| Περιορισμένη κάλυψη KG σε κλίμακα | Μέτρια | Μέτριος | Εκκίνηση με QALD, μετά κλιμάκωση |
14. Κριτήρια Επιτυχίας
- Το σύστημα QA λειτουργεί εξ ολοκλήρου σε CPU χωρίς GPU κατά την εκτέλεση.
- Το KG κατασκευάζεται αυτόματα από έγγραφα φυσικής γλώσσας.
- Η απόδοση μετράται σε ≥ 2 αναγνωρισμένα δημόσια benchmarks.
- 100% των απαντήσεων συνοδεύονται από ίχνος εξήγησης.
- Η κατανάλωση ενέργειας μετράται και συγκρίνεται με βασική γραμμή GPU.
- Ο κώδικας δημοσιεύεται υπό Hippocratic 3.0 license με συμβατές εξαρτήσεις.
- Το σύστημα είναι αναπαραγώγιμο μέσω Docker στο καθορισμένο υλικό.
- Η ανάπτυξη πραγματοποιείται εξ ολοκλήρου από LLMs ανοιχτών βαρών σε sandbox.
15. Βιβλιογραφικές Αναφορές
- 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.