1. चुनौती सारांश
इस चुनौती का उद्देश्य एक विशेष रूप से CPU पर चलने वाली प्रश्न/उत्तर (QA) प्रणाली को डिज़ाइन, कार्यान्वित और मूल्यांकित करना है, जो पूर्णतः प्रतीकात्मक वास्तुकला (शब्दकोश, व्याकरण, ज्ञान ग्राफ़, औपचारिक तर्क) पर आधारित है। संपूर्ण प्रणाली विकास मात्रीकृत ओपन-वेट्स LLM द्वारा संचालित है, जो उपभोक्ता हार्डवेयर (i9 CPU, RTX 3090) पर निष्पादन योग्य है।
यह परियोजना ग्रीन AI आंदोलन (Schwartz et al., 2020) और मितव्ययी AI के अंतर्गत आती है, जो उत्तरोत्तर विशाल मॉडलों की दौड़ का विरोध करती है — जिनका कार्बन फ़ुटप्रिंट चिंताजनक हो गया है (Kim et al., 2026; Hasan et al., 2025)। यह GDPR और यूरोपीय AI अधिनियम द्वारा लगाई गई पारदर्शिता, व्याख्या योग्यता और विनियामक अनुपालन की बढ़ती मांगों को भी संबोधित करती है (Wagner et al., 2025; Juliussen, 2025)।
- पूर्णतः प्रतीकात्मक QA प्रणाली (अनुमान पर कोई तंत्रिका नेटवर्क नहीं)
- रनटाइम पर केवल-CPU (कोई GPU आवश्यक नहीं)
- प्राकृतिक भाषा दस्तावेज़ों से KG का स्वचालित निर्माण
- मात्रीकृत ओपन-वेट्स LLM द्वारा पूर्ण रूप से पर्यवेक्षित विकास
- डिज़ाइन द्वारा मूलभूत GDPR/AI अधिनियम अनुपालन (आंतरिक व्याख्या योग्यता)
- नैतिक लाइसेंस (Hippocratic 3.0)
2. संदर्भ एवं वैज्ञानिक स्थिति
2.1. समस्या कथन
वर्तमान QA प्रणालियाँ LLM (GPT, LLaMA, आदि) पर भारी निर्भरता रखती हैं जिन्हें अनुमान के लिए महंगे GPU की आवश्यकता होती है, और ये भ्रम (hallucination), प्रतिलिपि प्रस्तुत करने योग्यता, व्याख्या योग्यता और डेटा संप्रभुता की समस्याएँ उत्पन्न करती हैं। ये ब्लैक बॉक्स के रूप में कार्य करती हैं और उच्च-जोखिम प्रणालियों की पारदर्शिता के संबंध में यूरोपीय AI अधिनियम (अनुच्छेद 13) की आवश्यकताओं का अनुपालन करना कठिन है (Wagner, 2025; Boshnjakovski, 2025)।
2.2. शोध की वर्तमान स्थिति
न्यूरो-सिम्बॉलिक दृष्टिकोण और KG-QA
हालिया साहित्य पूर्णतः तंत्रिका दृष्टिकोणों की सीमाओं को दूर करने के लिए ज्ञान ग्राफ़ (KG) और प्रतीकात्मक तर्क के एकीकरण की ओर अभिसरण करता है:
- Cheng et al. (2025), "Neural-symbolic methods for knowledge graph reasoning" (ACM TKDD)।
- Niu et al. (2026), "A Comprehensive Survey of Knowledge Graph Reasoning" (IEEE Trans. Big Data)।
- Linders & Tomczak (2025), "Knowledge graph-extended RAG for QA" (Applied Intelligence)।
- Chudasama et al. (2025), "Toward interpretable hybrid AI" (IEEE Access)।
- Agarwal & Bedathur (2025), "A Zero-Shot Neuro-Symbolic Approach for Complex KGQA" (EMNLP Findings 2025)।
- Liu et al. (2025), "SymAgent" (TheWebConf 2025)।
ज्ञान ग्राफ़ का स्वचालित निर्माण
- Zavarella (2026), "Methods for KG Construction from Text Collections" (arXiv)।
- Salman et al. (2024), "Doc-KG" (Expert Systems)।
- Chen et al. (2025), "Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs" (TheWebConf 2025)।
CPU दक्षता और हल्के दृष्टिकोण
- 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) पुष्टि करते हैं कि "spaCy हल्का, उच्च-सटीकता निष्कर्षण प्रदान करता है, मानक CPU पर कुशल"।
- Okechukwu et al. (2025) पुष्टि करते हैं कि "spaCy और NLTK मानक CPU पर कुशलतापूर्वक कार्य करते हैं"।
AI का पारिस्थितिक प्रभाव
- Kim & Yoo (2026), "Toward Sustainable AI" (IEEE Access)।
- 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 और AI अधिनियम अनुपालन
- 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. उद्देश्य
मुख्य उद्देश्य
एक केवल-CPU, पूर्णतः प्रतीकात्मक QA प्रणाली की व्यवहार्यता का प्रदर्शन और प्रदर्शन का मूल्यांकन करना, जिसका ज्ञान ग्राफ़ प्राकृतिक भाषा दस्तावेज़ों से स्वचालित रूप से निर्मित होता है।
गौण उद्देश्य
- मान्यता प्राप्त KGQA बेंचमार्क पर प्रतिस्पर्धी प्रदर्शन प्राप्त करना।
- पारिस्थितिक लाभ प्रदर्शित करने के लिए ऊर्जा खपत (CPU बनाम GPU) को मापना और तुलना करना।
- प्रणाली की आंतरिक व्याख्या योग्यता (प्रत्येक उत्तर की अनुरेखणीयता) प्रदर्शित करना।
- नैतिक लाइसेंस के तहत प्रतिलिपि प्रस्तुत करने योग्य, प्रलेखित सॉफ़्टवेयर प्रदान करना।
4. वास्तुकला एवं तकनीकी विनिर्देश
4.1. समग्र वास्तुकला
प्रणाली दो अलग-अलग चरणों में विभाजित है:
चरण 1 — ज्ञान ग्राफ़ निर्माण (ऑफ़लाइन, GPU अनुमत)
NL दस्तावेज़ → पूर्व-प्रसंस्करण → NER → संबंध निष्कर्षण → सह-संदर्भ समाधान
→ KG निर्माण (RDF/OWL त्रिपलेट) → ग्राफ़ भंडारण
चरण 2 — प्रश्न/उत्तर (रनटाइम, सख्त केवल-CPU)
NL प्रश्न → वाक्यविन्यास/अर्थ विश्लेषण → औपचारिक प्रश्न में रूपांतरण
→ KG अन्वेषण → तार्किक तर्क → उत्तर निर्माण
→ व्याख्या ट्रेस
4.2. हार्डवेयर विनिर्देश
| घटक | चरण 1 (KG निर्माण) | चरण 2 (QA रनटाइम) |
|---|---|---|
| CPU | Intel Core i9 (अधिकतम) | Intel Core i9 (अधिकतम) |
| GPU | NVIDIA RTX 3090 (24 GB VRAM) | कोई नहीं (सख्त केवल-CPU) |
| RAM | 32 GB (अधिकतम) | 32 GB (पर्याप्त) |
| भंडारण | NVMe SSD | NVMe SSD |
औचित्य: चरण 1 GPU का उपयोग उन मात्रीकृत ओपन-वेट्स LLM को चलाने के लिए कर सकता है जो पाइपलाइन निर्माण की निगरानी करते हैं। चरण 2, जो तैनाती योग्य प्रणाली है, को सुलभता, संप्रभुता और मितव्ययिता सुनिश्चित करने के लिए सख्त रूप से केवल-CPU होना चाहिए।
4.3. विकास वातावरण
- सैंडबॉक्स: सुरक्षा और प्रतिलिपि प्रस्तुत करने योग्यता के लिए पृथक वातावरण में विकास।
- लक्ष्य OS: Linux (प्राथमिक लक्ष्य), Windows/macOS पोर्टेबिलिटी वांछित।
- भाषा(एँ): स्वतंत्र चयन, बशर्ते निर्भरताएँ लाइसेंस प्रतिबंधों (अनुभाग 6) का पालन करें।
4.4. LLM पर्यवेक्षण
प्रणाली विकास पूरी तरह से एक या अधिक ओपन-वेट्स LLM द्वारा संचालित है, जो निर्दिष्ट हार्डवेयर (चरण 1) पर स्थानीय रूप से निष्पादन योग्य हैं। मॉडल, मात्रीकरण और अनुमान ढाँचे का चयन प्रतिभागी पर छोड़ा गया है।
5. सुझाई गई पाइपलाइन वास्तुकला
निम्नलिखित विभाजन सांकेतिक रूप में दिया गया है। प्रतिभागी एक भिन्न वास्तुकला प्रस्तावित करने के लिए स्वतंत्र हैं, बशर्ते वे कार्यात्मक बाधाओं (अनुभाग 3, 4 और 12) और लाइसेंस आवश्यकताओं (अनुभाग 6) को पूरा करें।
5.1. पाठ पूर्व-प्रसंस्करण
- वाक्य विभाजन
- टोकनीकरण
- शब्दमूल निर्धारण
- शब्द-भेद चिह्नांकन
- निर्भरता पार्सिंग
5.2. नामित इकाई पहचान (NER)
- इकाई पहचान (व्यक्ति, स्थान, संगठन, तिथियाँ, अवधारणाएँ)
- डोमेन ऑन्टोलॉजी के अनुसार इकाई प्रकार निर्धारण
- सह-संदर्भ समाधान
5.3. संबंध निष्कर्षण (RE)
- पाठ से त्रिपलेट (कर्ता, विधेय, कर्म) निष्कर्षण
- खुला या प्रतिमान-निर्देशित निष्कर्षण
5.4. ज्ञान ग्राफ़ निर्माण
- इकाई सामान्यीकरण और विलय (इकाई लिंकिंग)
- ग्राफ़ निर्माण और भंडारण (त्रिपलेट)
- अंतर्निहित संबंध अनुमान द्वारा संवर्धन
- ग्राफ़ सत्यापन और सफ़ाई
5.5. प्रश्न समझ
- प्राकृतिक भाषा प्रश्न का वाक्यविन्यास विश्लेषण
- प्रश्न प्रकार पहचान (कौन, क्या, कहाँ, कब…)
- उल्लिखित इकाइयों और संबंधों का निष्कर्षण
- ग्राफ़ पर औपचारिक प्रश्न में रूपांतरण
5.6. तर्क एवं उत्तर खोज
- ज्ञान ग्राफ़ अन्वेषण (बहु-हॉप तर्क)
- तार्किक समाधान और उम्मीदवार उत्तरों की रैंकिंग
5.7. उत्तर निर्माण एवं व्याख्या
- प्राकृतिक भाषा में उत्तर निर्माण
- पूर्ण व्याख्या ट्रेस: KG में पथ, लागू नियम, संबंधित इकाइयाँ और संबंध, विश्वास/पूर्णता
6. लाइसेंस प्रतिबंध
6.1. Hippocratic License 3.0 (HL3)
अंतिम सॉफ़्टवेयर Hippocratic License 3.0 (firstdonoharm.dev) के तहत प्रकाशित किया जाएगा। यह लाइसेंस:
- OSI अर्थ में ओपन सोर्स नहीं माना जाता (उपयोग पर नैतिक प्रतिबंध)।
- एक कॉपीलेफ़्ट लाइसेंस है (अनुभाग 8.3)।
- मूलभूत मानवाधिकारों (UDHR, ICESCR, ICCPR, ILO) पर आधारित नैतिक मानक लागू करता है।
6.2. निर्भरता संगतता
| लाइसेंस | HL3 संगत | उदाहरण |
|---|---|---|
| MIT | ✅ हाँ | — |
| BSD (2/3-clause) | ✅ हाँ | — |
| Apache 2.0 | ✅ हाँ | — |
| ISC / CC0 | ✅ हाँ | — |
| GPL v2/v3 | ⚠️ संभवतः असंगत | — |
| AGPL | ❌ संभवतः असंगत | — |
6.3. अनुशंसित वैकल्पिक HL3 मॉड्यूल
- HL3-ECO (पारिस्थितिक विनाश) — पारिस्थितिक प्रभाव कम करने के उद्देश्य से सुसंगत।
- HL3-MEDIA — हिंसा को बढ़ावा देने के लिए उपयोग पर प्रतिबंध।
- HL3-SV (सामूहिक निगरानी) — संप्रभुता और गोपनीयता से सुसंगत।
7. विनियामक अनुपालन
7.1. GDPR
| GDPR सिद्धांत | कार्यान्वयन |
|---|---|
| डेटा न्यूनीकरण (अनु. 5.1.c) | KG केवल प्रासंगिक निष्कर्षित त्रिपलेट संग्रहीत करता है, कच्चा व्यक्तिगत डेटा नहीं। |
| व्याख्या का अधिकार (अनु. 22 + प्रस्तावना 71) | प्रत्येक उत्तर के लिए पूर्ण व्याख्या ट्रेस। |
| विलोपन का अधिकार (अनु. 17) | KG से इकाइयों/त्रिपलेट को हटाने की क्षमता। |
| गोपनीयता डिज़ाइन द्वारा (अनु. 25) | प्रलेखित आवश्यकता के बिना KG में कोई संवेदनशील डेटा नहीं। |
| कोई स्वचालित प्रोफ़ाइलिंग नहीं (अनु. 22) | प्रणाली व्यक्तियों के बारे में स्वचालित निर्णय नहीं लेती। |
7.2. यूरोपीय AI अधिनियम
| AI अधिनियम आवश्यकता | अनुपालन |
|---|---|
| पारदर्शिता (अनु. 13) | आंतरिक रूप से व्याख्या योग्य प्रतीकात्मक वास्तुकला — प्रत्येक तर्क चरण अनुरेखणीय है। |
| व्याख्या योग्यता (अनु. 13.1) | पूर्ण ट्रेस: प्रश्न → औपचारिक प्रश्न → KG पथ → उत्तर। |
| तकनीकी प्रलेखन (अनु. 11) | पूर्ण रूप से प्रलेखन योग्य प्रतीकात्मक पाइपलाइन (व्याकरण, नियम, ऑन्टोलॉजी)। |
| मजबूती और सटीकता (अनु. 15) | कोई भ्रम नहीं — उत्तर विशेष रूप से KG से आते हैं। |
| मानव निगरानी (अनु. 14) | KG मानव द्वारा निरीक्षण और संशोधन योग्य है। |
| जोखिम प्रबंधन (अनु. 9) | कम जोखिम: कोई अपारदर्शी मॉडल नहीं, कोई उभरता पूर्वाग्रह नहीं। |
8. पारिस्थितिक प्रभाव
8.1. समस्या
- GPT-3 के प्रशिक्षण में लगभग 1,287 MWh की खपत हुई, यानी लगभग 552 टन CO₂।
- AI डेटा केंद्रों का कार्बन फ़ुटप्रिंट 2024 से 2025 के बीच तिगुना हो गया (Awab, 2026)।
- एक LLM क्वेरी मानक वेब खोज से लगभग 10 गुना अधिक ऊर्जा खपत करती है (Kim & Yoo, 2026)।
8.2. प्रतीकात्मक केवल-CPU का लाभ
| मापदंड | LLM प्रणाली (GPU) | AI चुनौती (केवल-CPU) | अनुमानित लाभ |
|---|---|---|---|
| तात्कालिक शक्ति | 300-400 W (GPU) | 65-125 W (CPU) | ~3-5× |
| प्रति क्वेरी विलंबता | 0.5-5 s | < 100 ms (लक्ष्य) | ~5-50× |
| प्रति क्वेरी ऊर्जा | ~0.001-0.01 kWh | ~0.000001-0.00001 kWh | ~100-1000× |
| आवश्यक हार्डवेयर | GPU ≥ 6000 € | उपभोक्ता CPU < 500 € | ~12× |
8.3. अनिवार्य माप
परियोजना को मापना और रिपोर्ट करना होगा:
- KG निर्माण की ऊर्जा खपत (kWh)।
- प्रति QA क्वेरी ऊर्जा खपत।
- संबंधित CO₂ फ़ुटप्रिंट।
- GPU बेसलाइन प्रणाली से तुलना।
9. प्रतिलिपि प्रस्तुत करने योग्यता
- पूर्ण स्रोत कोड: HL3 लाइसेंस के तहत सार्वजनिक रिपॉज़िटरी पर प्रकाशित।
- स्थापना निर्देश: स्वचालित स्क्रिप्ट या कंटेनरीकरण।
- परीक्षण डेटा: विशेष रूप से सार्वजनिक बेंचमार्क का उपयोग।
- यादृच्छिक बीज: किसी भी यादृच्छिक घटक के लिए निश्चित और प्रलेखित।
- निर्भरता संस्करण: पिन की गई निर्भरता फ़ाइल।
- कंटेनरीकरण: पूर्ण प्रणाली प्रतिलिपि प्रस्तुत करने योग्य रूप से निष्पादन योग्य होनी चाहिए।
- प्रलेखित न्यूनतम हार्डवेयर: स्पष्ट न्यूनतम विनिर्देश।
अधिकतम आवश्यक हार्डवेयर (i9 + RTX 3090) व्यापक दर्शकों के लिए सुलभ है। चरण 2 (QA रनटाइम) को किसी GPU की आवश्यकता नहीं, जो साधारण लैपटॉप पर निष्पादन सक्षम करता है।
10. संप्रभुता, सुरक्षा एवं गोपनीयता
डिजिटल संप्रभुता
- कोई क्लाउड निर्भरता नहीं — पूर्ण स्थानीय संचालन।
- कोई बाहरी API कॉल नहीं — कोई डेटा मशीन से नहीं जाता।
- ओपन-वेट्स LLM डाउनलोड और स्थानीय रूप से निष्पादन योग्य।
- कोई विक्रेता लॉक-इन नहीं।
सुरक्षा
- सैंडबॉक्स निष्पादन (पृथक वातावरण)।
- कोई मनमाना कोड निष्पादन नहीं।
- कोई प्रॉम्प्ट इंजेक्शन नहीं (अनुमान पर कोई LLM नहीं)।
- औपचारिक व्याकरण द्वारा इनपुट मान्यकरण।
गोपनीयता
- विशेष स्थानीय प्रसंस्करण — दस्तावेज़ कभी मशीन नहीं छोड़ते।
- कोई टेलीमेट्री नहीं।
- माँग पर KG मिटाने योग्य।
- प्रति उपयोगकर्ता या प्रति डोमेन अलग KG बनाने की क्षमता।
11. बेंचमार्क एवं मूल्यांकन
11.1. मान्यता प्राप्त KGQA बेंचमार्क
प्रणाली का मूल्यांकन निम्नलिखित बेंचमार्क में से कम से कम दो पर किया जाना चाहिए:
| बेंचमार्क | विवरण | आकार | संदर्भ |
|---|---|---|---|
| SimpleQuestions | Freebase पर सरल तथ्यात्मक प्रश्न | ~100K प्रश्न | ACL |
| WebQuestionsSP | SPARQL एनोटेशन के साथ वेब प्रश्न | ~4,737 प्रश्न | ACL |
| LC-QuAD 2.0 | DBpedia/Wikidata पर जटिल प्रश्न | ~30K प्रश्न | ISWC |
| ComplexWebQuestions | Freebase पर बहु-हॉप प्रश्न | ~34K प्रश्न | NAACL |
| QALD | बहुभाषी चुनौती, छोटा आकार | ~400-500 प्रश्न | CLEF/ESWC |
| MINTQA | दुर्लभ इकाइयों पर LLM+KG के लिए नया बेंचमार्क | परिवर्तनशील | EMNLP 2025 |
| SQuAD 2.0 | पैराग्राफ पर निष्कर्षणात्मक QA | ~150K प्रश्न | ACL |
| Natural Questions | वास्तविक Google प्रश्न | ~307K प्रश्न | TACL |
| TriviaQA | सहायक दस्तावेज़ों के साथ QA | ~95K प्रश्न | ACL |
11.2. मूल्यांकन मापदंड
| श्रेणी | मापदंड | विवरण |
|---|---|---|
| QA प्रदर्शन | F1 स्कोर, Exact Match (EM) | उत्तर सटीकता |
| QA प्रदर्शन | Hits@1, Hits@5 | शीर्ष-k में सही उत्तर दर |
| QA प्रदर्शन | MRR | सही उत्तर का औसत रैंक |
| विलंबता | औसत/p95 प्रतिक्रिया समय (ms) | केवल CPU पर मापा गया |
| थ्रूपुट | प्रश्न/सेकंड | थ्रूपुट |
| पारिस्थितिकी | kWh/क्वेरी, gCO₂/क्वेरी | codecarbon/carbontracker द्वारा |
| व्याख्या योग्यता | अनुरेखणीयता दर | पूर्ण ट्रेस वाले उत्तरों का % (लक्ष्य: 100%) |
| KG कवरेज | त्रिपलेट, इकाइयाँ, संबंध | वर्णनात्मक सांख्यिकी |
11.3. तुलना बेसलाइन
- RAG + LLM (GPU): GPU पर तंत्रिका बेसलाइन।
- KG-RAG (GPU): KG + LLM हाइब्रिड बेसलाइन।
- प्रत्यक्ष SPARQL: पूर्ण प्रतीकात्मक बेसलाइन (उसी KG पर मैन्युअल क्वेरी)।
12. प्रदर्शन विनिर्देश
| मानदंड | लक्ष्य | औचित्य |
|---|---|---|
| QA विलंबता | < 100 ms (p95) | स्वीकार्य उपयोगकर्ता अंतःक्रिया |
| KG निर्माण | < 1 मिनट/1000 लघु दस्तावेज़ | व्यावहारिकता |
| QA मेमोरी फ़ुटप्रिंट | < 4 GB RAM | साधारण PC पर निष्पादन योग्य |
| KG आकार | 10M+ त्रिपलेट तक विस्तार योग्य | बेंचमार्क के लिए पर्याप्त कवरेज |
| QA सटीकता | सरल बेंचमार्क पर ≥ 50% F1 | व्याख्या योग्यता और मितव्ययिता मुख्य तर्क |
| अनुरेखणीयता | 100% उत्तर व्याख्यायित | प्रतीकात्मक दृष्टिकोण का मुख्य लाभ |
13. जोखिम एवं शमन उपाय
| जोखिम | संभावना | प्रभाव | शमन |
|---|---|---|---|
| LLM की तुलना में अपर्याप्त QA प्रदर्शन | उच्च | मध्यम | व्याख्या योग्यता/मितव्ययिता पर ध्यान |
| स्वचालित KG की अपर्याप्त गुणवत्ता | मध्यम | उच्च | नियमों को दोहराना, LLM पर्यवेक्षण |
| बहु-हॉप प्रश्नों की जटिलता | उच्च | मध्यम | ≤ 3 हॉप तक सीमित, सीमाएँ प्रलेखित |
| निर्भरता लाइसेंस असंगतता | कम | उच्च | व्यवस्थित लाइसेंस ऑडिट |
| ओपन-वेट्स LLM पर्यवेक्षण के लिए अपर्याप्त | मध्यम | मध्यम | कई मॉडलों का परीक्षण और संयोजन |
| बड़े पैमाने पर सीमित KG कवरेज | मध्यम | मध्यम | QALD से शुरू, फिर विस्तार |
14. सफलता मानदंड
- QA प्रणाली अनुमान पर बिना किसी GPU के पूर्ण रूप से CPU पर संचालित होती है।
- KG प्राकृतिक भाषा दस्तावेज़ों से स्वचालित रूप से निर्मित होता है।
- प्रदर्शन ≥ 2 मान्यता प्राप्त सार्वजनिक बेंचमार्क पर मापा जाता है।
- 100% उत्तरों के साथ व्याख्या ट्रेस होता है।
- ऊर्जा खपत को मापा जाता है और GPU बेसलाइन से तुलना की जाती है।
- कोड संगत निर्भरताओं के साथ Hippocratic 3.0 लाइसेंस के तहत प्रकाशित होता है।
- प्रणाली निर्दिष्ट हार्डवेयर पर Docker के माध्यम से प्रतिलिपि प्रस्तुत करने योग्य है।
- विकास पूर्णतः सैंडबॉक्स में ओपन-वेट्स LLM द्वारा किया जाता है।
15. संदर्भ ग्रंथसूची
- 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.