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

Dúshlán IS

Dearaigh córas Ceist/Freagra CPU-only, go hiomlán siombalach, a bhfuil a ghraf eolais tógtha go huathoibríoch ó dhoiciméid teanga nádúrtha.

Green AI • CPU-only • Siombalach • Inléirithe

1. Achoimre ar an Dúshlán

Tá sé mar aidhm ag an dúshlán córas ceist/freagra (QA) a ritheann go heisiach ar CPU a dhearadh, a chur i bhfeidhm agus a mheas, bunaithe ar ailtireacht go hiomlán siombalach (foclóir, gramadaigh, graf eolais, loighic fhoirmiúil). Tá forbairt an chórais iomlán faoi stiúir LLManna meáchain oscailte cainníochtaithe, atá inrite ar chrua-earraí tomhaltóra (i9 CPU, RTX 3090).

Baineann an tionscadal seo leis an ngluaiseacht Green AI (Schwartz et al., 2020) agus Frugal AI, in aghaidh an rása i dtreo samhaltaí níos mó agus níos mó a bhfuil a lorg carbóin ina chúis imní (Kim et al., 2026; Hasan et al., 2025). Déanann sé freastal freisin ar na héilimh mhéadaitheacha ar thrédhearcacht, inléiritheacht agus comhlíonadh rialála a fhorchuireann an GDPR agus an Gníomh Eorpach um IS (Wagner et al., 2025; Juliussen, 2025).

Bunúsacht: Ní chuimsíonn aon obair atá ann cheana na srianta seo a leanas go comhuaineach:
  1. Córas QA go hiomlán siombalach (gan líonra néarach ag am rith)
  2. CPU-only ag am rith (ní theastaíonn GPU)
  3. Tógáil KG uathoibríoch ó dhoiciméid teanga nádúrtha
  4. Forbairt faoi mhaoirseacht iomlán ag LLManna meáchain oscailte cainníochtaithe
  5. Comhlíonadh dúchasach GDPR/AI Act trí dhearadh (inléiritheacht intreach)
  6. Ceadúnas eiticiúil (Hippocratic 3.0)

2. Comhthéacs agus Suíomh Eolaíoch

2.1. Ráiteas na Faidhbe

Braitheann córais QA reatha go mór ar LLManna (GPT, LLaMA, srl.) a éilíonn GPUanna costasacha le haghaidh tátail, agus a ardaíonn saincheisteanna maidir le hallúciniú, in-atáirgeacht, inléiritheacht agus ceannasacht sonraí. Feidhmíonn siad mar bhoscaí dubha agus tá sé deacair iad a chur i gcomhréir le ceanglais an Ghnímh Eorpaigh um IS (Airteagal 13) maidir le trédhearcacht córas ardriosca (Wagner, 2025; Boshnjakovski, 2025).

2.2. Staid na hEalaíne

Cuir Chuige Néar-shiombalacha agus KG-QA

Cóinníonn an litríocht dhéanach le comhtháthú graf eolais (KG) agus réasúnaíocht shiombalach chun srianta na gcur chuige go hiomlán néaracha a shárú:

Tógáil Uathoibríoch Graf Eolais

Éifeachtúlacht CPU agus Cuir Chuige Éadroma

Tionchar Éiceolaíoch na IS

Comhlíonadh GDPR agus an Ghnímh IS

3. Cuspóirí

Príomhchuspóir

Indéantacht a léiriú agus feidhmíocht córais QA CPU-only, go hiomlán siombalach a mheas, a bhfuil a ghraf eolais tógtha go huathoibríoch ó dhoiciméid teanga nádúrtha.

Cuspóirí Tánaisteacha

  1. Feidhmíocht iomaíoch a bhaint amach ar thagarmharcanna KGQA aitheanta.
  2. Lorg fuinnimh a thomhas agus a chur i gcomparáid (CPU vs GPU) chun an tairbhe éiceolaíoch a léiriú.
  3. Inléiritheacht intreach an chórais a léiriú (inrianaitheacht gach freagra).
  4. Bogearraí in-atáirgte, doiciméadaithe a sholáthar faoi cheadúnas eiticiúil.

4. Ailtireacht & Sonraíochtaí Teicniúla

4.1. Ailtireacht Fhoriomlán

Roinntear an córas ina dhá chéim ar leith:

Céim 1 — Tógáil an Ghraif Eolais (as líne, GPU ceadaithe)

Doiciméid TN → Réamhphróiseáil → NER → Eastóscadh Caidrimh → Réiteach Comhthagairtí
    → Tógáil KG (trípléidí RDF/OWL) → Stóráil Graif

Céim 2 — Ceist/Freagra (am rith, dian-CPU-only)

Ceist TN → Anailís Chomhréire/Shéimeantach → Tiontú go Ceist Fhoirmiúil
    → Trasdul KG → Réasúnaíocht Loighciúil → Giniúint Freagra
    → Rian Mínithe

4.2. Sonraíochtaí Crua-earraí

ComhpháirtCéim 1 (Tógáil KG)Céim 2 (Am Rith QA)
CPUIntel Core i9 (uasmhéid)Intel Core i9 (uasmhéid)
GPUNVIDIA RTX 3090 (24 GB VRAM)Dada (dian-CPU-only)
RAM32 GB (uasmhéid)32 GB (leordhóthanach)
StóráilNVMe SSDNVMe SSD

Údar: Féadfaidh Céim 1 an GPU a úsáid chun na LLManna meáchain oscailte cainníochtaithe a rith a mhaoirsíonn tógáil an pipeline. Caithfidh Céim 2, arb é an córas in-imscartha, a bheith dian-CPU-only chun inrochtaineacht, ceannasacht agus coigilt a ráthú.

4.3. Timpeallacht Forbartha

4.4. Maoirseacht LLM

Tá forbairt an chórais faoi stiúir iomlán ag ceann amháin nó níos mó de LLManna meáchain oscailte, inrite go logánta ar na crua-earraí sonraithe (Céim 1). Fágtar rogha na samhaltaí, an chainníochtú agus an chreata tátail ag an rannpháirtí.

5. Ailtireacht Pipeline Molta

Cuirtear an mhiondeighilt seo a leanas ar fáil mar threoirlíne. Tá saoirse ag rannpháirtithe ailtireacht dhifriúil a mholadh, ar choinníoll go gcomhlíonann siad na srianta feidhmiúla (ailt 3, 4 agus 12) agus riachtanais ceadúnais (alt 6).

5.1. Réamhphróiseáil Téacs

  • Deighilt abairtí
  • Comharthóiriú (tokenisation)
  • Leamaitiú
  • Lipéadú Coda Urlabhra (Part-of-Speech)
  • Parsáil spleáchais

5.2. Aithint Aonáin Ainmnithe (NER)

  • Brath aonán (daoine, suíomhanna, eagraíochtaí, dátaí, coincheapa)
  • Clóscríobh aonán de réir ointeolaíochta réimse
  • Réiteach comhthagairtí

5.3. Eastóscadh Caidrimh (RE)

  • Eastóscadh trípléidí (ainmní, faisnéis, cuspóir) ó théacs
  • Eastóscadh oscailte nó patrún-treoraithe

5.4. Tógáil Graif Eolais

  • Normalú agus cumaisc aonán (entity linking)
  • Tógáil agus stóráil graif (trípléidí)
  • Saibhriú trí thátal caidrimh intuigthe
  • Bailíochtú agus glanadh graif

5.5. Tuiscint Ceiste

  • Anailís chomhréire ar cheist teanga nádúrtha
  • Aithint cineáil ceiste (cé, cad, cá háit, cathain…)
  • Eastóscadh aonán agus caidrimh luaite
  • Tiontú go ceist fhoirmiúil ar an ngraf

5.6. Réasúnaíocht & Cuardach Freagra

  • Trasdul graif eolais (réasúnaíocht il-léime)
  • Réiteach loighciúil agus rangú iarrthóirí freagra

5.7. Giniúint Freagra & Mínithe

  • Cumadh freagra i dteanga nádúrtha
  • Rian mínithe iomlán: cosán sa KG, rialacha feidhmithe, aonáin agus caidrimh a bhaineann leis, muinín/iomláine

6. Srianta Ceadúnais

6.1. Hippocratic License 3.0 (HL3)

Foilseofar na bogearraí deiridh faoi Hippocratic License 3.0 (firstdonoharm.dev). An ceadúnas seo:

6.2. Comhoiriúnacht Spleáchas

CeadúnasComhoiriúnach le HL3Samplaí
MIT✅ Tá—
BSD (2/3-clause)✅ Tá—
Apache 2.0✅ Tá—
ISC / CC0✅ Tá—
GPL v2/v3⚠️ B'fhéidir neamh-chomhoiriúnach—
AGPL❌ Dócha neamh-chomhoiriúnach—

6.3. Modúil Roghnacha HL3 Molta

7. Comhlíonadh Rialála

7.1. GDPR

Prionsabal GDPRCur i bhFeidhm
Íoslaghdú sonraí (Airt. 5.1.c)Ní stórálann an KG ach trípléidí ábhartha eastósctha, ní amhshonraí pearsanta.
Ceart chun míniúcháin (Airt. 22 + aithris 71)Rian mínithe iomlán do gach freagra.
Ceart chun léirscriosta (Airt. 17)Cumas aonáin/trípléidí a scriosadh ón KG.
Príobháideachas trí dhearadh (Airt. 25)Gan sonraí íogaire sa KG gan gá doiciméadaithe.
Gan próifíliú uathoibrithe (Airt. 22)Ní dhéanann an córas cinntí uathoibrithe faoi dhaoine aonair.

7.2. Gníomh Eorpach um IS

Ceanglas an Ghnímh ISComhlíonadh
Trédhearcacht (Airt. 13)Ailtireacht shiombalach go hinléirithe ó dhúchas — gach céim réasúnaíochta inrianaithe.
Inléiritheacht (Airt. 13.1)Rian iomlán: ceist → ceist fhoirmiúil → cosán KG → freagra.
Doiciméadacht theicniúil (Airt. 11)Pipeline siombalach go hiomlán indoiciméadaithe (gramadaigh, rialacha, ointeolaíocht).
Daingneacht agus cruinneas (Airt. 15)Gan hallúciniú — tagann freagraí go heisiach ón KG.
Maoirseacht dhaonna (Airt. 14)Tá an KG ininíúchta agus in-athraithe ag duine.
Bainistiú riosca (Airt. 9)Riosca íseal: gan samhail dhoiléir, gan claontacht éiritheach.
Príomhargóint: Tá córas go hiomlán siombalach go dúchasach comhlíontach le ceanglais trédhearcachta agus inléiritheachta an Ghnímh IS, murab ionann agus córais bunaithe ar LLM a éilíonn sraitheanna XAI breise (Goncalves & Correia, 2026; Wagner et al., 2025).

8. Tionchar Éiceolaíoch

8.1. An Fhadhb

8.2. Buntáiste Siombalach CPU-only

MiosúrCóras LLM (GPU)Dúshlán IS (CPU-only)Gnóthachan Measta
Cumhacht Láithreach300-400 W (GPU)65-125 W (CPU)~3-5×
Moill in aghaidh Ceiste0.5-5 s< 100 ms (sprioc)~5-50×
Fuinneamh in aghaidh Ceiste~0.001-0.01 kWh~0.000001-0.00001 kWh~100-1000×
Crua-earraí RiachtanachaGPU ≥ €6,000CPU tomhaltóra < €500~12×

8.3. Tomhas Éigeantach

Caithfidh an tionscadal tomhas agus tuairisc a dhéanamh ar:

9. In-atáirgeacht

  1. Cód foinse iomlán: foilsithe ar stóras poiblí, faoi cheadúnas HL3.
  2. Treoracha suiteála: script uathoibrithe nó coimeádánú.
  3. Sonraí tástála: úsáid eisiach tagarmharcanna poiblí.
  4. Síolta randamacha: seasta agus doiciméadaithe do gach comhpháirt stochasach.
  5. Leaganú spleáchas: comhad spleáchas greamaithe.
  6. Coimeádánú: caithfidh an córas iomlán a bheith in-rith go in-atáirgte.
  7. Crua-earraí íosta doiciméadaithe: sonraíochtaí íosta follasacha.

Tá na crua-earraí uasta riachtanacha (i9 + RTX 3090) inrochtana do lucht féachana leathan. Ní éilíonn Céim 2 (am rith QA) aon GPU, rud a chumasaíonn rith ar ríomhaire glúine simplí.

10. Ceannasacht, Slándáil & Príobháideachas

Ceannasacht Dhigiteach

  • Gan spleáchas ar an néal — oibriú go hiomlán logánta.
  • Gan glaonna API seachtracha — ní fhágann aon sonraí an meaisín.
  • LLManna meáchain oscailte inlódála agus inrite go logánta.
  • Gan glasáil díoltóra.

Slándáil

  • Rith sandbox (timpeallacht leithlisithe).
  • Gan aon rith cóid threallach.
  • Gan prompt injection (gan LLM ag am rith).
  • Bailíochtú ionchuir trí ghramadach fhoirmiúil.

Príobháideachas

  • Próiseáil go hiomlán logánta — ní fhágann doiciméid an meaisín riamh.
  • Gan teiliméadracht.
  • KG inscrioste ar éileamh.
  • Cumas KGanna ar leith a chruthú in aghaidh úsáideora nó fearainn.

11. Tagarmharcanna & Meastóireacht

11.1. Tagarmharcanna KGQA Aitheanta

Caithfear an córas a mheas ar dhá cheann ar a laghad de na tagarmharcanna seo a leanas:

TagarmharcCur SíosMéidTagairt
SimpleQuestionsCeisteanna fíricí simplí ar Freebase~100K ceistACL
WebQuestionsSPCeisteanna gréasáin le nótaí SPARQL~4,737 ceistACL
LC-QuAD 2.0Ceisteanna casta ar DBpedia/Wikidata~30K ceistISWC
ComplexWebQuestionsCeisteanna il-léime ar Freebase~34K ceistNAACL
QALDDúshlán ilteangach, méid beag~400-500 ceistCLEF/ESWC
MINTQATagarmharc nua le haghaidh LLM+KG ar aonáin neamhchoitiantaAthraitheachEMNLP 2025
SQuAD 2.0QA eastóscach ar pháragraf~150K ceistACL
Natural QuestionsFíorcheiseanna Google~307K ceistTACL
TriviaQAQA trivia le doiciméid tacaíochta~95K ceistACL

Moladh: tosaigh ar LC-QuAD 2.0 agus QALD, le SQuAD nó Natural Questions mar fhorlíontach le haghaidh comparáide le cuir chuige néaracha.

11.2. Miotrachais Meastóireachta

CatagóirMiotrachasCur Síos
Feidhmíocht QAF1 score, Exact Match (EM)Cruinneas freagra
Feidhmíocht QAHits@1, Hits@5Ráta freagra ceart sa top-k
Feidhmíocht QAMRRMeánrang freagra ceart
MoillMeán/p95 am freagartha (ms)Tomhaiste ar CPU amháin
TréchurCeisteanna/soicindTréchur
ÉiceolaíochtkWh/ceist, gCO₂/ceistTrí codecarbon/carbontracker
InléiritheachtRáta inrianaitheachta% freagraí le rian iomlán (sprioc: 100%)
Clúdach KGTrípléidí, aonáin, caidrimhStaitisticí tuairisciúla

11.3. Bonnlínte Comparáide

  1. RAG + LLM (GPU): bonnlíne néarach ar GPU.
  2. KG-RAG (GPU): bonnlíne hibrideach KG + LLM.
  3. SPARQL Díreach: bonnlíne go hiomlán siombalach (ceistianna láimhe ar an KG céanna).

12. Sonraíochtaí Feidhmíochta

CritéarSpriocÚdar
Moill QA< 100 ms (p95)Idirghníomhaíocht inghlactha úsáideora
Tógáil KG< 1 nóiméad / 1,000 doiciméad gearrPraiticiúlacht
Lorg Cuimhne QA< 4 GB RAMIn-rith ar PC measartha
Méid KGInscálaithe go 10M+ trípléidClúdach leordhóthanach do thagarmharcanna
Cruinneas QA≥ 50% F1 ar thagarmharcanna simplíInléiritheacht agus coigilt mar phríomhargóintí
Inrianaitheacht100% freagraí mínithePríomhbhuntáiste an chur chuige shiombalaigh

13. Rioscaí & Maolúcháin

RioscaDóchúlachtTioncharMaolú
Feidhmíocht QA neamhleor i gcomparáid le LLMArdMeánachDíriú ar inléiritheacht/coigilt
Cáilíocht neamhleor KG uathoibríochMeánachArdRialacha a atriall, maoirseacht LLM
Castacht ceisteanna il-léimeArdMeánachTeorainn ≤ 3 léim, srianta doiciméadaithe
Neamh-chomhoiriúnacht ceadúnas spleáchasÍsealArdIniúchadh córasach ceadúnas
LLM meáchain oscailte neamhleor le haghaidh maoirseachtaMeánachMeánachTástáil agus comhcheangal samhaltaí éagsúla
Clúdach KG teoranta ag scálaMeánachMeánachTosú le QALD, ansin scálú suas

14. Critéir Ratha

  1. Oibríonn an córas QA go hiomlán ar CPU gan GPU ag am rith.
  2. Tógtar an KG go huathoibríoch ó dhoiciméid teanga nádúrtha.
  3. Tomhaistear feidhmíocht ar ≥ 2 thagarmharc poiblí aitheanta.
  4. Gabhann rian mínithe le 100% de na freagraí.
  5. Tomhaistear agus cuirtear i gcomparáid ídiú fuinnimh le bonnlíne GPU.
  6. Foilsítear cód faoi cheadúnas Hippocratic 3.0 le spleáchais chomhoiriúnacha.
  7. Tá an córas in-atáirgte trí Docker ar na crua-earraí sonraithe.
  8. Déantar forbairt go hiomlán ag LLManna meáchain oscailte i sandbox.

15. Tagairtí Leabharliostúla

  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.