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

Tekoälyhaaste

Suunnittele CPU-only, puhtaasti symbolinen kysymys/vastaus-järjestelmä, jonka tietämysgraafi rakennetaan automaattisesti luonnollisen kielen dokumenteista.

Vihreä tekoäly • CPU-only • Symbolinen • Selitettävä

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).

Omaperäisyys: Mikään olemassa oleva työ ei yhdistä samanaikaisesti seuraavia rajoitteita:
  1. Puhtaasti symbolinen QA-järjestelmä (ei neuroverkkoa päättelyvaiheessa)
  2. CPU-only ajon aikana (ei GPU:ta tarvita)
  3. Automaattinen KG:n rakentaminen luonnollisen kielen dokumenteista
  4. Kehitys kokonaan kvantisoitujen open-weights LLM:ien ohjaamaa
  5. Natiivi GDPR/AI Act -yhteensopivuus suunnittelusta lähtien (sisäänrakennettu tulkittavuus)
  6. 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:

Automaattinen tietämysgraafin rakentaminen

CPU-tehokkuus ja kevyet lähestymistavat

Tekoälyn ekologinen vaikutus

GDPR- ja AI Act -yhteensopivuus

3. Tavoitteet

Päätavoite

Osoittaa toteutettavuus ja arvioida suorituskykyä CPU-only, puhtaasti symboliselle QA-järjestelmälle, jonka tietämysgraafi rakennetaan automaattisesti luonnollisen kielen dokumenteista.

Toissijaiset tavoitteet

  1. Saavuttaa kilpailukykyinen suorituskyky tunnetuilla KGQA-benchmarkeilla.
  2. Mitata ja vertailla energiajalanjälkeä (CPU vs GPU) ekologisen hyödyn osoittamiseksi.
  3. Osoittaa järjestelmän sisäänrakennettu tulkittavuus (jokaisen vastauksen jäljitettävyys).
  4. 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

KomponenttiVaihe 1 (KG:n rakentaminen)Vaihe 2 (QA-ajo)
CPUIntel Core i9 (maks.)Intel Core i9 (maks.)
GPUNVIDIA RTX 3090 (24 Gt VRAM)Ei mitään (tiukasti CPU-only)
RAM32 Gt (maks.)32 Gt (riittävä)
TallennustilaNVMe SSDNVMe 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

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:

6.2. Riippuvuuksien yhteensopivuus

LisenssiHL3-yhteensopivaEsimerkit
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

7. Sääntelynmukaisuus

7.1. GDPR

GDPR-periaateToteutus
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 -vaatimusYhteensopivuus
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.
Avainargumentti: Puhtaasti symbolinen järjestelmä on luontaisesti yhteensopiva AI Act:n läpinäkyvyys- ja selitettävyysvaatimusten kanssa, toisin kuin LLM-pohjaiset järjestelmät, jotka vaativat ylimääräisiä XAI-kerroksia (Goncalves & Correia, 2026; Wagner et al., 2025).

8. Ekologinen vaikutus

8.1. Ongelma

8.2. Symbolisen CPU-only-järjestelmän etu

MittariLLM-järjestelmä (GPU)Tekoälyhaaste (CPU-only)Arvioitu hyöty
Hetkellinen teho300–400 W (GPU)65–125 W (CPU)~3–5×
Latenssi per kysely0,5–5 s< 100 ms (tavoite)~5–50×
Energia per kysely~0,001–0,01 kWh~0,000001–0,00001 kWh~100–1000×
Vaadittava laitteistoGPU ≥ 6 000 €Kuluttaja-CPU < 500 €~12×

8.3. Pakollinen mittaus

Projektin on mitattava ja raportoitava:

9. Toistettavuus

  1. Täydellinen lähdekoodi: julkaistu julkisessa repositoriossa HL3-lisenssin alla.
  2. Asennusohjeet: automatisoitu skripti tai konttiteknologia.
  3. Testidata: yksinomaan julkisten benchmarkien käyttö.
  4. Satunnaissiemenet: kiinnitetyt ja dokumentoidut kaikille stokastisille komponenteille.
  5. Riippuvuuksien versiointi: lukittu riippuvuustiedosto.
  6. Konttiteknologia: koko järjestelmän on oltava toistettavasti suoritettavissa.
  7. 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:

BenchmarkKuvausKokoViite
SimpleQuestionsYksinkertaiset faktakysymykset Freebasesta~100K kysymystäACL
WebQuestionsSPVerkkokysymykset SPARQL-annotaatioilla~4 737 kysymystäACL
LC-QuAD 2.0Monimutkaiset kysymykset DBpediasta/Wikidatasta~30K kysymystäISWC
ComplexWebQuestionsMulti-hop-kysymykset Freebasesta~34K kysymystäNAACL
QALDMonikielinen haaste, pieni koko~400–500 kysymystäCLEF/ESWC
MINTQAUudempi benchmark LLM+KG:lle harvinaisille entiteeteilleVaihtelevaEMNLP 2025
SQuAD 2.0Ekstraktiivinen QA kappaleista~150K kysymystäACL
Natural QuestionsTodellisia Google-kysymyksiä~307K kysymystäTACL
TriviaQATrivia QA tukidokumenteilla~95K kysymystäACL

Suositus: priorisoi LC-QuAD 2.0 ja QALD, täydennettynä SQuAD:lla tai Natural Questions:lla vertailua varten neuraalisten lähestymistapojen kanssa.

11.2. Arviointimittarit

KategoriaMittariKuvaus
QA-suorituskykyF1-pistemäärä, Exact Match (EM)Vastauksen tarkkuus
QA-suorituskykyHits@1, Hits@5Oikean vastauksen osuus top-k:ssa
QA-suorituskykyMRROikean vastauksen keskimääräinen sijoitus
LatenssiKeskimääräinen/p95 vasteaika (ms)Mitattu vain CPU:lla
LäpäisykykyKysymyksiä/sekuntiLäpäisykyky
EkologiakWh/kysely, gCO₂/kyselycodecarbon/carbontracker kautta
SelitettävyysJäljitettävyysaste% vastauksista täydellisellä polulla (tavoite: 100%)
KG-kattavuusTriplat, entiteetit, relaatiotKuvailevia tilastoja

11.3. Vertailuperustasot

  1. RAG + LLM (GPU): neuraalinen perustaso GPU:lla.
  2. KG-RAG (GPU): hybridi KG + LLM -perustaso.
  3. Suora SPARQL: puhtaasti symbolinen perustaso (manuaaliset kyselyt samasta KG:stä).

12. Suorituskykyspesifikaatiot

KriteeriTavoitePerustelu
QA-latenssi< 100 ms (p95)Hyväksyttävä käyttäjän vuorovaikutteisuus
KG:n rakentaminen< 1 min / 1 000 lyhyttä dokumenttiaKäytännöllisyys
QA:n muistijalanjälki< 4 Gt RAMSuoritettavissa vaatimattomalla PC:llä
KG:n kokoSkaalattavissa 10M+ triplaanRiittävä kattavuus benchmarkeille
QA-tarkkuus≥ 50% F1 yksinkertaisilla benchmarkeillaTulkittavuus ja säästeliäisyys pääargumentteina
Jäljitettävyys100% vastauksista selitettySymbolisen lähestymistavan avainetu

13. Riskit & lieventämistoimet

RiskiTodennäköisyysVaikutusLieventäminen
Riittämätön QA-suorituskyky vs LLMKorkeaKeskitasoKeskity tulkittavuuteen/säästeliäisyyteen
Automaattisen KG:n riittämätön laatuKeskitasoKorkeaIteroi sääntöjä, LLM-ohjaus
Multi-hop-kysymysten monimutkaisuusKorkeaKeskitasoRajoita ≤ 3 hoppiin, dokumentoi rajoitukset
Riippuvuuslisenssin yhteensopimattomuusMatalaKorkeaSystemaattinen lisenssiauditointi
Open-weights LLM riittämätön ohjaukseenKeskitasoKeskitasoTestaa ja yhdistä useita malleja
KG:n rajallinen kattavuus suuressa mittakaavassaKeskitasoKeskitasoAloita QALD:lla, skaalaa sitten ylöspäin

14. Onnistumiskriteerit

  1. QA-järjestelmä toimii kokonaan CPU:lla ilman GPU:ta päättelyvaiheessa.
  2. KG rakennetaan automaattisesti luonnollisen kielen dokumenteista.
  3. Suorituskyky mitataan ≥ 2 tunnetussa julkisessa benchmarkissa.
  4. 100% vastauksista sisältää selityspolun.
  5. Energiankulutus on mitattu ja vertailtu GPU-perustasoon.
  6. Koodi julkaistaan Hippocratic 3.0 -lisenssin alla yhteensopivilla riippuvuuksilla.
  7. Järjestelmä on toistettavissa Dockerin avulla määritetyllä laitteistolla.
  8. Kehitys suoritetaan kokonaan open-weights LLM:ien toimesta hiekkalaatikossa.

15. Bibliografiset viitteet

  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.