1. Haasteen yhteenveto
Haasteen tavoitteena on suunnitella, toteuttaa ja arvioida kysymys/vastaus-järjestelmä (QA), joka toimii yksinomaan CPU:lla, perustuen puhtaasti symboliseen arkkitehtuuriin (sanasto, kieliopit, tietämysgraafi, formaali logiikka). Koko järjestelmän kehitystä ohjataan kvantisoitujen open-weights LLM:ien avulla, jotka ovat suoritettavissa kuluttajalaitteistolla (i9 CPU, RTX 3090).
Tämä projekti kuuluu Green AI -liikkeeseen (Schwartz et al., 2020) ja Frugal AI -suuntaukseen, vastakohtana jatkuvasti suurempien mallien kilpailulle, joiden hiilijalanjälki on kävnyt hälyttäväksi (Kim et al., 2026; Hasan et al., 2025). Se vastaa myös kasvaviin vaatimuksiin läpinäkyvyydestä, selitettävyydestä ja sääntelynmukaisuudesta, joita GDPR ja eurooppalainen AI Act asettavat (Wagner et al., 2025; Juliussen, 2025).
- Puhtaasti symbolinen QA-järjestelmä (ei neuroverkkoa päättelyvaiheessa)
- CPU-only ajon aikana (ei GPU:ta tarvita)
- Automaattinen KG:n rakentaminen luonnollisen kielen dokumenteista
- Kehitys kokonaan kvantisoitujen open-weights LLM:ien ohjaamaa
- Natiivi GDPR/AI Act -yhteensopivuus suunnittelusta lähtien (sisäänrakennettu tulkittavuus)
- Eettinen lisenssi (Hippocratic 3.0)
2. Konteksti ja tieteellinen asemointi
2.1. Ongelman kuvaus
Nykyiset QA-järjestelmät nojaavat vahvasti LLM:iin (GPT, LLaMA jne.), jotka vaativat kalliita GPU:ita päättelyyn ja herättävät kysymyksiä hallusinaatiosta, toistettavuudesta, selitettävyydestä ja datasuvereniteettia. Ne toimivat mustina laatikoina ja niitä on vaikea saada yhteensopiviksi eurooppalaisen AI Act:n (artikla 13) vaatimusten kanssa korkean riskin järjestelmien läpinäkyvyydestä (Wagner, 2025; Boshnjakovski, 2025).
2.2. State of the Art
Neurosymboliset lähestymistavat ja KG-QA
Viimeaikainen kirjallisuus konvergoituu kohti tietämysgraafien (KG) ja symbolisen päättelyn integrointia puhtaasti neuraalisten lähestymistapojen rajoitusten ratkaisemiseksi:
- Cheng et al. (2025), "Neural-symbolic methods for knowledge graph reasoning" (ACM TKDD) — erottavat KG:n täydentämisen, monimutkaisen kysymyksiin vastaamisen ja loogisen sääntöjen oppimisen; tunnistavat puhtaiden symbolisten menetelmien potentiaalin tulkittavuuden kannalta.
- Niu et al. (2026), "A Comprehensive Survey of Knowledge Graph Reasoning" (IEEE Trans. Big Data) — kattavat multi-hop-päättelyn KG:lla, mukaan lukien Inductive Logic Programming (ILP) -lähestymistavat.
- Linders & Tomczak (2025), "Knowledge graph-extended RAG for QA" (Applied Intelligence) — osoittavat, että KG:t mahdollistavat symbolisen päättelyn ja todennettavat vastaukset.
- Chudasama et al. (2025), "Toward interpretable hybrid AI" (IEEE Access) — ehdottavat TrustKG:tä, joka yhdistää symbolisen tulkittavuuden KG:n kanssa.
- Agarwal & Bedathur (2025), "A Zero-Shot Neuro-Symbolic Approach for Complex KGQA" (EMNLP Findings 2025).
- Liu et al. (2025), "SymAgent" (TheWebConf 2025) — itseoppiva symbolinen agentti KGQA:lle.
Automaattinen tietämysgraafin rakentaminen
- Zavarella (2026), "Methods for KG Construction from Text Collections" (arXiv) — viitekehys, joka yhdistää NLP:n, ML:n ja Semantic Webin.
- Salman et al. (2024), "Doc-KG" (Expert Systems) — KG:n rakentaminen rakenteettomista dokumenteista.
- Chen et al. (2025), "Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs" (TheWebConf 2025).
CPU-tehokkuus ja kevyet lähestymistavat
- 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) vahvistavat, että "spaCy provides lightweight, high-precision extraction, efficient on standard CPU".
- Okechukwu et al. (2025) vahvistavat, että "spaCy and NLTK operate efficiently on standard CPUs".
Tekoälyn ekologinen vaikutus
- Kim & Yoo (2026), "Toward Sustainable AI" (IEEE Access) — tekoäly-datakeskusten hiilijalanjälki kolminkertaistui vuosien 2024 ja 2025 välillä.
- Hasan et al. (2025), "Carbon emission quantification of ML" (IEEE Trans.).
- Tunzina et al. (2026), "GreenAI: Environmental Efficiency in LLM-Generated Code" (IEEE Access).
GDPR- ja AI Act -yhteensopivuus
- 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. Tavoitteet
Päätavoite
Osoittaa toteutettavuus ja arvioida suorituskykyä CPU-only, puhtaasti symboliselle QA-järjestelmälle, jonka tietämysgraafi rakennetaan automaattisesti luonnollisen kielen dokumenteista.
Toissijaiset tavoitteet
- Saavuttaa kilpailukykyinen suorituskyky tunnetuilla KGQA-benchmarkeilla.
- Mitata ja vertailla energiajalanjälkeä (CPU vs GPU) ekologisen hyödyn osoittamiseksi.
- Osoittaa järjestelmän sisäänrakennettu tulkittavuus (jokaisen vastauksen jäljitettävyys).
- Tarjota toistettava, dokumentoitu ohjelmisto eettisen lisenssin alla.
4. Arkkitehtuuri & tekniset spesifikaatiot
4.1. Kokonaisarkkitehtuuri
Järjestelmä on jaettu kahteen erilliseen vaiheeseen:
Vaihe 1 — Tietämysgraafin rakentaminen (offline, GPU sallittu)
NL-dokumentit → Esikäsittely → NER → Relaatioiden erottelu → Koreferencssin ratkaisu
→ KG:n rakentaminen (RDF/OWL-triplat) → Graafin tallennus
Vaihe 2 — Kysymys/vastaus (ajo, tiukasti CPU-only)
NL-kysymys → Syntaktinen/semanttinen analyysi → Muunnos formaalikyselyksi
→ KG:n läpikäynti → Looginen päättely → Vastauksen generointi
→ Selityspolku
4.2. Laitteistospesifikaatiot
| Komponentti | Vaihe 1 (KG:n rakentaminen) | Vaihe 2 (QA-ajo) |
|---|---|---|
| CPU | Intel Core i9 (maks.) | Intel Core i9 (maks.) |
| GPU | NVIDIA RTX 3090 (24 Gt VRAM) | Ei mitään (tiukasti CPU-only) |
| RAM | 32 Gt (maks.) | 32 Gt (riittävä) |
| Tallennustila | NVMe SSD | NVMe SSD |
Perustelu: Vaihe 1 voi käyttää GPU:ta kvantisoitujen open-weights LLM:ien ajamiseen, jotka ohjaavat pipelinen rakentamista. Vaihe 2, joka muodostaa käyttöönottavan järjestelmän, on oltava tiukasti CPU-only saavutettavuuden, suvereniteetin ja säästeliäisyyden takaamiseksi.
4.3. Kehitysympäristö
- Hiekkalaatikko: kehitys eristetyssä ympäristössä turvallisuuden ja toistettavuuden vuoksi.
- Kohde-OS: Linux (ensisijainen kohde), Windows/macOS-siirrettävyys toivottavaa.
- Kieli/kielet: vapaa valinta, edellyttäen että riippuvuudet noudattavat lisenssirajoituksia (luku 6).
4.4. LLM-ohjaus
Järjestelmäkehitystä ohjaa kokonaan yksi tai useampi open-weights LLM, joka on suoritettavissa paikallisesti määritetyllä laitteistolla (Vaihe 1). Mallien, kvantisoinnin ja päättelykehyksen valinta jätetään osallistujalle.
5. Ehdotettu pipeline-arkkitehtuuri
Seuraava jaottelu annetaan ohjeellisena. Osallistujat voivat vapaasti ehdottaa erilaista arkkitehtuuria, kunhan toiminnalliset rajoitteet (luvut 3, 4 ja 12) ja lisenssivaatimukset (luku 6) täyttyvät.
5.1. Tekstin esikäsittely
- Lausesegmentointi
- Tokenisaatio
- Lemmatisaatio
- Sanaluokkien merkintä
- Riippuvuusjäsennys
5.2. Nimitettyjen entiteettien tunnistus (NER)
- Entiteettien tunnistus (henkilöt, paikat, organisaatiot, päivämäärät, käsitteet)
- Entiteettien tyypitys domain-ontologian mukaan
- Koreferenssin ratkaisu
5.3. Relaatioiden erottelu (RE)
- Triplaekstraktio (subjekti, predikaatti, objekti) tekstistä
- Avoin tai mallinohjattu ekstraktio
5.4. Tietämysgraafin rakentaminen
- Entiteettien normalisointi ja yhdistäminen (entity linking)
- Graafin rakentaminen ja tallennus (triplat)
- Rikastaminen implisiittisten relaatioiden päättelyllä
- Graafin validointi ja puhdistus
5.5. Kysymyksen ymmärtäminen
- Luonnollisen kielen kysymyksen syntaktinen analyysi
- Kysymystyypin tunnistaminen (kuka, mikä, missä, milloin…)
- Mainittujen entiteettien ja relaatioiden erottelu
- Muunnos formaalikyselyksi graafille
5.6. Päättely & vastauksen haku
- Tietämysgraafin läpikäynti (multi-hop-päättely)
- Looginen ratkaisu ja ehdokasvastausten luokittelu
5.7. Vastauksen generointi & selitykset
- Vastauksen muotoilu luonnollisella kielellä
- Täydellinen selityspolku: polku KG:ssä, sovelletut säännöt, mukana olevat entiteetit ja relaatiot, luottamus/kattavuus
6. Lisenssirajoitukset
6.1. Hippocratic License 3.0 (HL3)
Lopullinen ohjelmisto julkaistaan Hippocratic License 3.0 -lisenssillä (firstdonoharm.dev). Tämä lisenssi:
- Ei ole avoimen lähdekoodin lisenssi OSI-mielessä (eettiset rajoitukset käytölle).
- On copyleft-lisenssi (luku 8.3).
- Asettaa eettiset standardit perusihmisoikeuksien pohjalta (UDHR, ICESCR, ICCPR, ILO).
6.2. Riippuvuuksien yhteensopivuus
| Lisenssi | HL3-yhteensopiva | Esimerkit |
|---|---|---|
| MIT | ✅ Kyllä | — |
| BSD (2/3-clause) | ✅ Kyllä | — |
| Apache 2.0 | ✅ Kyllä | — |
| ISC / CC0 | ✅ Kyllä | — |
| GPL v2/v3 | ⚠️ Mahdollisesti yhteensopimaton | — |
| AGPL | ❌ Todennäköisesti yhteensopimaton | — |
6.3. Suositellut valinnaiset HL3-moduulit
- HL3-ECO (Ekosidi) — yhdenmukainen ekologisen vaikutuksen vähentämistavoitteen kanssa.
- HL3-MEDIA — väkivallan edistämisen käyttökielto.
- HL3-SV (Massavalvonta) — yhdenmukainen suvereniteetin ja yksityisyyden kanssa.
7. Sääntelynmukaisuus
7.1. GDPR
| GDPR-periaate | Toteutus |
|---|---|
| Tietojen minimointi (Art. 5.1.c) | KG tallentaa vain relevantit erotellut triplat, ei raakaa henkilötietoa. |
| Oikeus selitykseen (Art. 22 + johdantokappale 71) | Täydellinen selityspolku jokaiselle vastaukselle. |
| Oikeus poistoon (Art. 17) | Mahdollisuus poistaa entiteettejä/triploja KG:stä. |
| Sisäänrakennettu tietosuoja (Art. 25) | Ei arkaluonteisia tietoja KG:ssä ilman dokumentoitua tarvetta. |
| Ei automatisoitua profilointia (Art. 22) | Järjestelmä ei tee automatisoituja päätöksiä yksilöistä. |
7.2. Eurooppalainen AI Act
| AI Act -vaatimus | Yhteensopivuus |
|---|---|
| Läpinäkyvyys (Art. 13) | Sisäänrakennetusti tulkittava symbolinen arkkitehtuuri — jokainen päättelyvaihe on jäljitettävissä. |
| Selitettävyys (Art. 13.1) | Täydellinen polku: kysymys → formaalikysely → KG-polku → vastaus. |
| Tekninen dokumentaatio (Art. 11) | Täysin dokumentoitavissa oleva symbolinen pipeline (kieliopit, säännöt, ontologia). |
| Robustisuus ja tarkkuus (Art. 15) | Ei hallusinaatiota — vastaukset tulevat yksinomaan KG:stä. |
| Inhimillinen valvonta (Art. 14) | KG on ihmisen tarkastettavissa ja muokattavissa. |
| Riskinhallinta (Art. 9) | Matala riski: ei läpinäkymätöntä mallia, ei emergenttejä vinoumia. |
8. Ekologinen vaikutus
8.1. Ongelma
- GPT-3:n koulutus kulutti noin 1 287 MWh, eli ~552 tonnia CO₂.
- Tekoäly-datakeskusten hiilijalanjälki kolminkertaistui vuosien 2024 ja 2025 välillä (Awab, 2026).
- LLM-kysely kuluttaa noin 10× enemmän energiaa kuin tavallinen verkkohaku (Kim & Yoo, 2026).
8.2. Symbolisen CPU-only-järjestelmän etu
| Mittari | LLM-järjestelmä (GPU) | Tekoälyhaaste (CPU-only) | Arvioitu hyöty |
|---|---|---|---|
| Hetkellinen teho | 300–400 W (GPU) | 65–125 W (CPU) | ~3–5× |
| Latenssi per kysely | 0,5–5 s | < 100 ms (tavoite) | ~5–50× |
| Energia per kysely | ~0,001–0,01 kWh | ~0,000001–0,00001 kWh | ~100–1000× |
| Vaadittava laitteisto | GPU ≥ 6 000 € | Kuluttaja-CPU < 500 € | ~12× |
8.3. Pakollinen mittaus
Projektin on mitattava ja raportoitava:
- Energiankulutus (kWh) KG:n rakentamiseen.
- Energiankulutus per QA-kysely.
- Vastaava CO₂-jalanjälki.
- Vertailu GPU-perustason järjestelmään.
9. Toistettavuus
- Täydellinen lähdekoodi: julkaistu julkisessa repositoriossa HL3-lisenssin alla.
- Asennusohjeet: automatisoitu skripti tai konttiteknologia.
- Testidata: yksinomaan julkisten benchmarkien käyttö.
- Satunnaissiemenet: kiinnitetyt ja dokumentoidut kaikille stokastisille komponenteille.
- Riippuvuuksien versiointi: lukittu riippuvuustiedosto.
- Konttiteknologia: koko järjestelmän on oltava toistettavasti suoritettavissa.
- Dokumentoitu vähimmäislaitteisto: eksplisiittiset vähimmäisspesifikaatiot.
Vaadittava enimmäislaitteisto (i9 + RTX 3090) on laajan yleisön saatavilla. Vaihe 2 (QA-ajo) ei vaadi GPU:ta, mikä mahdollistaa suorituksen yksinkertaisella kannettavalla tietokoneella.
10. Suvereniteetti, turvallisuus & yksityisyys
Digitaalinen suvereniteetti
- Ei pilviriippuvuutta — täysin paikallinen toiminta.
- Ei ulkoisia API-kutsuja — data ei poistu koneelta.
- Open-weights LLM:t ladattavissa ja suoritettavissa paikallisesti.
- Ei toimittajalukkoa.
Turvallisuus
- Hiekkalaatikkosuoritus (eristetty ympäristö).
- Ei mielivaltaista koodin suoritusta.
- Ei prompt injection -hyökkäyksiä (ei LLM:ää päättelyvaiheessa).
- Syötteiden validointi formaalin kieliopin kautta.
Yksityisyys
- Yksinomaan paikallinen käsittely — dokumentit eivät koskaan poistu koneelta.
- Ei telemetriaa.
- KG poistettavissa pyynnöstä.
- Mahdollisuus luoda erilliset KG:t käyttäjää tai domaintia kohden.
11. Benchmarkit & arviointi
11.1. Tunnustetut KGQA-benchmarkit
Järjestelmä on arvioitava vähintään kahdella seuraavista benchmarkeista:
| Benchmark | Kuvaus | Koko | Viite |
|---|---|---|---|
| SimpleQuestions | Yksinkertaiset faktakysymykset Freebasesta | ~100K kysymystä | ACL |
| WebQuestionsSP | Verkkokysymykset SPARQL-annotaatioilla | ~4 737 kysymystä | ACL |
| LC-QuAD 2.0 | Monimutkaiset kysymykset DBpediasta/Wikidatasta | ~30K kysymystä | ISWC |
| ComplexWebQuestions | Multi-hop-kysymykset Freebasesta | ~34K kysymystä | NAACL |
| QALD | Monikielinen haaste, pieni koko | ~400–500 kysymystä | CLEF/ESWC |
| MINTQA | Uudempi benchmark LLM+KG:lle harvinaisille entiteeteille | Vaihteleva | EMNLP 2025 |
| SQuAD 2.0 | Ekstraktiivinen QA kappaleista | ~150K kysymystä | ACL |
| Natural Questions | Todellisia Google-kysymyksiä | ~307K kysymystä | TACL |
| TriviaQA | Trivia QA tukidokumenteilla | ~95K kysymystä | ACL |
Suositus: priorisoi LC-QuAD 2.0 ja QALD, täydennettynä SQuAD:lla tai Natural Questions:lla vertailua varten neuraalisten lähestymistapojen kanssa.
11.2. Arviointimittarit
| Kategoria | Mittari | Kuvaus |
|---|---|---|
| QA-suorituskyky | F1-pistemäärä, Exact Match (EM) | Vastauksen tarkkuus |
| QA-suorituskyky | Hits@1, Hits@5 | Oikean vastauksen osuus top-k:ssa |
| QA-suorituskyky | MRR | Oikean vastauksen keskimääräinen sijoitus |
| Latenssi | Keskimääräinen/p95 vasteaika (ms) | Mitattu vain CPU:lla |
| Läpäisykyky | Kysymyksiä/sekunti | Läpäisykyky |
| Ekologia | kWh/kysely, gCO₂/kysely | codecarbon/carbontracker kautta |
| Selitettävyys | Jäljitettävyysaste | % vastauksista täydellisellä polulla (tavoite: 100%) |
| KG-kattavuus | Triplat, entiteetit, relaatiot | Kuvailevia tilastoja |
11.3. Vertailuperustasot
- RAG + LLM (GPU): neuraalinen perustaso GPU:lla.
- KG-RAG (GPU): hybridi KG + LLM -perustaso.
- Suora SPARQL: puhtaasti symbolinen perustaso (manuaaliset kyselyt samasta KG:stä).
12. Suorituskykyspesifikaatiot
| Kriteeri | Tavoite | Perustelu |
|---|---|---|
| QA-latenssi | < 100 ms (p95) | Hyväksyttävä käyttäjän vuorovaikutteisuus |
| KG:n rakentaminen | < 1 min / 1 000 lyhyttä dokumenttia | Käytännöllisyys |
| QA:n muistijalanjälki | < 4 Gt RAM | Suoritettavissa vaatimattomalla PC:llä |
| KG:n koko | Skaalattavissa 10M+ triplaan | Riittävä kattavuus benchmarkeille |
| QA-tarkkuus | ≥ 50% F1 yksinkertaisilla benchmarkeilla | Tulkittavuus ja säästeliäisyys pääargumentteina |
| Jäljitettävyys | 100% vastauksista selitetty | Symbolisen lähestymistavan avainetu |
13. Riskit & lieventämistoimet
| Riski | Todennäköisyys | Vaikutus | Lieventäminen |
|---|---|---|---|
| Riittämätön QA-suorituskyky vs LLM | Korkea | Keskitaso | Keskity tulkittavuuteen/säästeliäisyyteen |
| Automaattisen KG:n riittämätön laatu | Keskitaso | Korkea | Iteroi sääntöjä, LLM-ohjaus |
| Multi-hop-kysymysten monimutkaisuus | Korkea | Keskitaso | Rajoita ≤ 3 hoppiin, dokumentoi rajoitukset |
| Riippuvuuslisenssin yhteensopimattomuus | Matala | Korkea | Systemaattinen lisenssiauditointi |
| Open-weights LLM riittämätön ohjaukseen | Keskitaso | Keskitaso | Testaa ja yhdistä useita malleja |
| KG:n rajallinen kattavuus suuressa mittakaavassa | Keskitaso | Keskitaso | Aloita QALD:lla, skaalaa sitten ylöspäin |
14. Onnistumiskriteerit
- QA-järjestelmä toimii kokonaan CPU:lla ilman GPU:ta päättelyvaiheessa.
- KG rakennetaan automaattisesti luonnollisen kielen dokumenteista.
- Suorituskyky mitataan ≥ 2 tunnetussa julkisessa benchmarkissa.
- 100% vastauksista sisältää selityspolun.
- Energiankulutus on mitattu ja vertailtu GPU-perustasoon.
- Koodi julkaistaan Hippocratic 3.0 -lisenssin alla yhteensopivilla riippuvuuksilla.
- Järjestelmä on toistettavissa Dockerin avulla määritetyllä laitteistolla.
- Kehitys suoritetaan kokonaan open-weights LLM:ien toimesta hiekkalaatikossa.
15. Bibliografiset viitteet
- 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.