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

Tehisintellekti väljakutse

Kavanda CPU-only, puhtalt sümboolne küsimuste/vastuste süsteem, mille teadmusgraaf ehitatakse automaatselt loomuliku keele dokumentidest.

Roheline tehisintellekt • CPU-only • Sümboolne • Seletatav

1. Väljakutse kokkuvõte

Väljakutse eesmärk on kavandada, rakendada ja hinnata küsimuste/vastuste (QA) süsteemi, mis töötab ainult CPU-l, põhinedes puhtalt sümboolsel arhitektuuril (sõnastik, grammatikad, teadmusgraaf, formaalne loogika). Kogu süsteemi arendust juhivad kvantiseeritud open-weights LLM-idega, mis on käivitatavad tarbija riistvaral (i9 CPU, RTX 3090).

See projekt kuulub Green AI liikumiste (Schwartz et al., 2020) ja Frugal AI hulka, vastandudes üha suuremate mudelite võidujooksule, mille süsiniku jalajälg on muutunud murettekitavaks (Kim et al., 2026; Hasan et al., 2025). Samuti käsitleb see kasvavaid nõudmisi läbipaistvuse, seletatavuse ja regulatiivse vastavuse osas, mida kehtestavad GDPR ja Euroopa AI Act (Wagner et al., 2025; Juliussen, 2025).

Originaalsus: Ükski olemasolev töö ei kombineeri samaaegselt järgmisi piiranguid:
  1. Puhtalt sümboolne QA-süsteem (järeldamisel puudub närvivõrk)
  2. CPU-only käitamisel (GPU pole vajalik)
  3. Automaatne KG ehitamine loomuliku keele dokumentidest
  4. Arendus täielikult kvantiseeritud open-weights LLM-ide juhitud
  5. Natiivne GDPR/AI Act vastavus disainilt (olemuslik tõlgendatavus)
  6. Eetiline litsents (Hippocratic 3.0)

2. Kontekst ja teaduslik positsioneerimine

2.1. Probleemi kirjeldus

Praegused QA-süsteemid tuginevad suurel määral LLM-idele (GPT, LLaMA jne.), mis nõuavad kalleid GPU-sid järeldamiseks ja tõstavad küsimusi hallutsinatsioonidest, reprodutseeritavusest, seletatavusest ja andmesuveräänsusest. Need toimivad mustade kastidena ja neid on raske muuta vastavaks Euroopa AI Act-i (artikkel 13) nõuetele kõrge riskiga süsteemide läbipaistvuse osas (Wagner, 2025; Boshnjakovski, 2025).

2.2. State of the Art

Neurosümboolsed lähenemised ja KG-QA

Hiljutine kirjandus konvergeerub teadmusgraafide (KG) ja sümboolse arutluse integreerimise suunas, et käsitleda puhtalt neuraalsete lähenemiste piiranguid:

Automaatne teadmusgraafi ehitamine

CPU tõhusus ja kerged lähenemised

Tehisintellekti ökoloogiline mõju

GDPR ja AI Act vastavus

3. Eesmärgid

Peamine eesmärk

Näidata teostatavust ja hinnata jõudlust CPU-only, puhtalt sümboolsel QA-süsteemil, mille teadmusgraaf ehitatakse automaatselt loomuliku keele dokumentidest.

Sekundaarsed eesmärgid

  1. Saavutada konkurentsivõimeline jõudlus tunnustatud KGQA võrdlustestidel.
  2. Mõõta ja võrrelda energia jalajälge (CPU vs GPU) ökoloogilise kasu näitamiseks.
  3. Näidata süsteemi olemuslikku tõlgendatavust (iga vastuse jälgitavus).
  4. Pakkuda reprodutseeritavat, dokumenteeritud tarkvara eetilise litsentsi all.

4. Arhitektuur & tehnilised spetsifikatsioonid

4.1. Üldine arhitektuur

Süsteem on jagatud kaheks eraldi faasiks:

Faas 1 — Teadmusgraafi ehitamine (offline, GPU lubatud)

LK-dokumendid → Eeltöötlus → NER → Suhete ekstraheerimine → Koreferentsi lahendamine
    → KG ehitamine (RDF/OWL triplid) → Graafi salvestamine

Faas 2 — Küsimused/vastused (käitamine, rangelt CPU-only)

LK-küsimus → Süntaktiline/semantiline analüüs → Teisendamine formaalseks päringiks
    → KG läbimine → Loogiline arutlus → Vastuse genereerimine
    → Selgituse jälg

4.2. Riistvara spetsifikatsioonid

KomponentFaas 1 (KG ehitamine)Faas 2 (QA käitamine)
CPUIntel Core i9 (maks.)Intel Core i9 (maks.)
GPUNVIDIA RTX 3090 (24 GB VRAM)Puudub (rangelt CPU-only)
RAM32 GB (maks.)32 GB (piisav)
SalvestusruumNVMe SSDNVMe SSD

Põhjendus: Faas 1 võib kasutada GPU-d kvantiseeritud open-weights LLM-ide käitamiseks, mis juhivad pipeline'i ehitamist. Faas 2, mis moodustab juurutatava süsteemi, peab olema rangelt CPU-only, et tagada kättesaadavus, suveräänsus ja kokkuhoidlikkus.

4.3. Arenduskeskkond

4.4. LLM-i järelevalve

Süsteemi arendust juhib täielikult üks või mitu open-weights LLM-i, mis on käivitatavad kohapeal määratud riistvaral (Faas 1). Mudelite, kvantiseerimise ja järeldamisraamistiku valik jäetakse osalejale.

5. Soovituslik pipeline-arhitektuur

Järgnev jaotus on esitatud juhisena. Osalejad võivad vabalt pakkuda erinevat arhitektuuri, tingimusel et funktsionaalsed piirangud (jaotised 3, 4 ja 12) ja litsentsinõuded (jaotis 6) on täidetud.

5.1. Teksti eeltöötlus

  • Lausete segmenteerimine
  • Tokeniseerimine
  • Lemmatiseerimine
  • Sõnaliigi märgendamine
  • Sõltuvusanalüüs

5.2. Nimega olemite tuvastamine (NER)

  • Olemite tuvastamine (isikud, kohad, organisatsioonid, kuupäevad, mõisted)
  • Olemite tüpiseerimine domeeniontoloogia järgi
  • Koreferentsi lahendamine

5.3. Suhete ekstraheerimine (RE)

  • Triplite ekstraheerimine (subjekt, predikaat, objekt) tekstist
  • Avatud või malli juhitud ekstraheerimine

5.4. Teadmusgraafi ehitamine

  • Olemite normaliseerimine ja ühendamine (entity linking)
  • Graafi ehitamine ja salvestamine (triplid)
  • Rikastamine kaudsete suhete järeldamise kaudu
  • Graafi valideerimine ja puhastamine

5.5. Küsimuse mõistmine

  • Loomuliku keele küsimuse süntaktiline analüüs
  • Küsimuse tüübi tuvastamine (kes, mis, kus, millal…)
  • Mainitud olemite ja suhete ekstraheerimine
  • Teisendamine formaalseks päringiks graafil

5.6. Arutlus & vastuse otsing

  • Teadmusgraafi läbimine (multi-hop arutlus)
  • Loogiline lahendamine ja kandidaatvastuste järjestamine

5.7. Vastuse genereerimine & selgitused

  • Vastuse sõnastamine loomulikus keeles
  • Täielik selgituse jälg: tee KG-s, rakendatud reeglid, kaasatud olemid ja suhted, usaldusväärsus/täielikkus

6. Litsentsi piirangud

6.1. Hippocratic License 3.0 (HL3)

Lõplik tarkvara avaldatakse Hippocratic License 3.0 all (firstdonoharm.dev). See litsents:

6.2. Sõltuvuste ühilduvus

LitsentsHL3-ga ühilduvNäited
MIT✅ Jah—
BSD (2/3-clause)✅ Jah—
Apache 2.0✅ Jah—
ISC / CC0✅ Jah—
GPL v2/v3⚠️ Potentsiaalselt mitteühilduv—
AGPL❌ Tõenäoliselt mitteühilduv—

6.3. Soovituslikud valikulised HL3 moodulid

7. Regulatiivne vastavus

7.1. GDPR

GDPR põhimõteRakendamine
Andmete minimeerimine (Art. 5.1.c)KG salvestab ainult asjakohased ekstraheeritud triplid, mitte toores isikuandmeid.
Õigus selgitusele (Art. 22 + preambul 71)Täielik selgituse jälg iga vastuse jaoks.
Õigus kustutamisele (Art. 17)Võimalus kustutada olemeid/tripleid KG-st.
Lõimitud andmekaitse (Art. 25)KG-s puuduvad tundlikud andmed, välja arvatud dokumenteeritud vajaduse korral.
Automaatse profiilimise puudumine (Art. 22)Süsteem ei tee automatiseeritud otsuseid üksikisikute kohta.

7.2. Euroopa AI Act

AI Act nõueVastavus
Läbipaistvus (Art. 13)Olemuslikult tõlgendatav sümboolne arhitektuur — iga arutlussamm on jälgitav.
Seletatavus (Art. 13.1)Täielik jälg: küsimus → formaalne päring → KG tee → vastus.
Tehniline dokumentatsioon (Art. 11)Täielikult dokumenteeritav sümboolne pipeline (grammatikad, reeglid, ontoloogia).
Robustsus ja täpsus (Art. 15)Hallutsinatsioonid puuduvad — vastused tulevad ainult KG-st.
Inimjärelevalve (Art. 14)KG on inimese poolt kontrollitav ja muudetav.
Riskijuhtimine (Art. 9)Madal risk: läbipaistmatu mudel puudub, emergentne kallutatus puudub.
Võtmeargument: Puhtalt sümboolne süsteem on olemuslikult vastavuses AI Act-i läbipaistvuse ja seletatavuse nõuetega, erinevalt LLM-põhistest süsteemidest, mis nõuavad täiendavaid XAI kihte (Goncalves & Correia, 2026; Wagner et al., 2025).

8. Ökoloogiline mõju

8.1. Probleem

8.2. Sümboolse CPU-only süsteemi eelis

MõõdikLLM-süsteem (GPU)TI väljakutse (CPU-only)Hinnanguline kasu
Hetkeline võimsus300–400 W (GPU)65–125 W (CPU)~3–5×
Latentsus päringu kohta0,5–5 s< 100 ms (eesmärk)~5–50×
Energia päringu kohta~0,001–0,01 kWh~0,000001–0,00001 kWh~100–1000×
Nõutav riistvaraGPU ≥ 6 000 €Tarbija CPU < 500 €~12×

8.3. Kohustuslik mõõtmine

Projekt peab mõõtma ja raporteerima:

9. Reprodutseeritavus

  1. Täielik lähtekood: avaldatud avalikus hoidlas HL3 litsentsi all.
  2. Paigaldusjuhised: automatiseeritud skript või konteineriseerimine.
  3. Testiandmed: ainult avalike võrdlustestide kasutamine.
  4. Juhuslikud algväärtused: fikseeritud ja dokumenteeritud iga stohhastilise komponendi jaoks.
  5. Sõltuvuste versioonihaldus: lukustatud sõltuvusfail.
  6. Konteineriseerimine: kogu süsteem peab olema reprodutseeritavalt käivitatav.
  7. Dokumenteeritud miinimumriistvara: selgesõnalised miinimumspetsifikatsioonid.

Maksimaalselt nõutav riistvara (i9 + RTX 3090) on kättesaadav laiale publikule. Faas 2 (QA käitamine) ei nõua GPU-d, mis võimaldab käitamist lihtsal sülearvutil.

10. Suveräänsus, turvalisus & privaatsus

Digitaalne suveräänsus

  • Pilvesoltuuseta — täielikult kohalik töö.
  • Välised API kutsed puuduvad — andmed ei lahku masinast.
  • Open-weights LLM-id allalaaditavad ja kohalikult käivitatavad.
  • Hankijalukk puudub.

Turvalisus

  • Liivakastis käitamine (isoleeritud keskkond).
  • Suvaline koodi käivitamine puudub.
  • Prompt injection puudub (järeldamisel LLM puudub).
  • Sisendi valideerimine formaalse grammatika kaudu.

Privaatsus

  • Ainult kohalik töötlemine — dokumendid ei lahku kunagi masinast.
  • Telemeetria puudub.
  • KG kustutatav nõudmisel.
  • Võimalus luua eraldi KG-d kasutaja või domeeni kohta.

11. Võrdlustestid & hindamine

11.1. Tunnustatud KGQA võrdlustestid

Süsteem tuleb hinnata vähemalt kahel järgmistest võrdlustestidest:

VõrdlustestKirjeldusMahtViide
SimpleQuestionsLihtsad faktilised küsimused Freebase'i kohta~100K küsimustACL
WebQuestionsSPVeebiküsimused SPARQL annotatsioonidega~4 737 küsimustACL
LC-QuAD 2.0Keerukad küsimused DBpedia/Wikidata kohta~30K küsimustISWC
ComplexWebQuestionsMulti-hop küsimused Freebase'i kohta~34K küsimustNAACL
QALDMitmekeelne väljakutse, väike maht~400–500 küsimustCLEF/ESWC
MINTQAUuem võrdlustest LLM+KG jaoks haruldaste olemite kohtaMuutuvEMNLP 2025
SQuAD 2.0Ekstraktiivne QA lõikude kohta~150K küsimustACL
Natural QuestionsPäris Google'i küsimused~307K küsimustTACL
TriviaQATrivia QA toetavate dokumentidega~95K küsimustACL

Soovitus: prioriseerige LC-QuAD 2.0 ja QALD, täiendatuna SQuAD-i või Natural Questions-iga võrdluseks neuraalsete lähenemistega.

11.2. Hindamismõõdikud

KategooriaMõõdikKirjeldus
QA jõudlusF1 skoor, Exact Match (EM)Vastuse täpsus
QA jõudlusHits@1, Hits@5Õige vastuse määr top-k-s
QA jõudlusMRRÕige vastuse keskmine koht
LatentsusKeskmine/p95 vastamisaeg (ms)Mõõdetud ainult CPU-l
LäbilaskevõimeKüsimusi/sekundisLäbilaskevõime
ÖkoloogiakWh/päring, gCO₂/päringcodecarbon/carbontracker kaudu
SeletatavusJälgitavuse määr% vastustest täieliku jäljega (eesmärk: 100%)
KG katvusTriplid, olemid, suhtedKirjeldav statistika

11.3. Võrdlusbaastasemed

  1. RAG + LLM (GPU): neuraalne baastase GPU-l.
  2. KG-RAG (GPU): hübriid KG + LLM baastase.
  3. Otsene SPARQL: puhtalt sümboolne baastase (käsitsi päringud samal KG-l).

12. Jõudlusspetsifikatsioonid

KriteeriumEesmärkPõhjendus
QA latentsus< 100 ms (p95)Vastuvõetav kasutaja interaktiivsus
KG ehitamine< 1 min / 1 000 lühikest dokumentiPraktilisus
QA mälujälg< 4 GB RAMKäivitatav tagasihoidlikul PC-l
KG mahtSkaleeritav 10M+ tripliniPiisav katvus võrdlustestide jaoks
QA täpsus≥ 50% F1 lihtsatel võrdlustestidelTõlgendatavus ja kokkuhoidlikkus peamiste argumentidena
Jälgitavus100% vastustest selgitatudSümboolse lähenemise peamine eelis

13. Riskid & leevendamised

RiskTõenäosusMõjuLeevendamine
Ebapiisav QA jõudlus vs LLMKõrgeKeskmineKeskendu tõlgendatavusele/kokkuhoidlikkusele
Automaatse KG ebapiisav kvaliteetKeskmineKõrgeKorda reegleid, LLM järelevalve
Multi-hop küsimuste keerukusKõrgeKeskminePiira ≤ 3 hüppeni, dokumenteeri piirangud
Sõltuvuste litsentsi mitteühilduvusMadalKõrgeSüstemaatiline litsentsiaudit
Open-weights LLM ebapiisav järelevalveksKeskmineKeskmineTesti ja kombineeri mitut mudelit
KG piiratud katvus suurel skaalalKeskmineKeskmineAlusta QALD-ga, seejärel skaleeri üles

14. Edukriteeriumid

  1. QA-süsteem töötab täielikult CPU-l ilma GPU-ta järeldamisel.
  2. KG ehitatakse automaatselt loomuliku keele dokumentidest.
  3. Jõudlust mõõdetakse ≥ 2 tunnustatud avalikul võrdlustestil.
  4. 100% vastustest on varustatud selgituse jäljega.
  5. Energiatarbimist on mõõdetud ja võrreldud GPU baastasemega.
  6. Kood avaldatakse Hippocratic 3.0 litsentsi all ühilduvate sõltuvustega.
  7. Süsteem on reprodutseeritav Dockeri kaudu määratud riistvaral.
  8. Arendus viiakse täielikult läbi open-weights LLM-ide poolt liivakastis.

15. Bibliograafilised viited

  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.