1. A kihívás összefoglalása
A kihívás célja egy kizárólag CPU-n futó kérdés-válasz (QA) rendszer megtervezése, megvalósítása és értékelése, amely tisztán szimbolikus architektúrán alapul (lexikon, nyelvtanok, tudásgráf, formális logika). A teljes rendszerfejlesztést kvantált, nyílt súlyú LLM-ek irányítják, amelyek fogyasztói hardveren futtathatók (i9 CPU, RTX 3090).
Ez a projekt a Green AI (Schwartz et al., 2020) és a Frugal AI mozgalomba illeszkedik, szemben az egyre nagyobb modellek felé irányuló versennyel, amelyek szénlábnyoma riasztóvá vált (Kim et al., 2026; Hasan et al., 2025). Emellett választ ad a GDPR és az európai AI Act által megkövetelt átláthatóság, magyarázhatóság és szabályozási megfelelés növekvő igényeire (Wagner et al., 2025; Juliussen, 2025).
- Tisztán szimbolikus QA rendszer (nincs neurális háló a következtetésnél)
- Kizárólag CPU futásidőben (nincs szükség GPU-ra)
- Automatikus KG-építés természetes nyelvű dokumentumokból
- A fejlesztést teljes egészében kvantált, nyílt súlyú LLM-ek irányítják
- Natív GDPR/AI Act megfelelés a tervezéstől fogva (belső értelmezhetőség)
- Etikus licenc (Hippocratic 3.0)
2. Kontextus és tudományos pozicionálás
2.1. Problémameghatározás
A jelenlegi QA rendszerek nagymértékben támaszkodnak LLM-ekre (GPT, LLaMA stb.), amelyek drága GPU-kat igényelnek a következtetéshez, és problémákat vetnek fel a hallucináció, a reprodukálhatóság, a magyarázhatóság és az adatszuverenitás terén. Fekete dobozként működnek, és nehéz megfeleltetni őket az európai AI Act (13. cikk) magas kockázatú rendszerek átláthatóságára vonatkozó követelményeinek (Wagner, 2025; Boshnjakovski, 2025).
2.2. A tudás jelenlegi állása
Neuro-szimbolikus megközelítések és KG-QA
A legújabb szakirodalom a tudásgráfok (KG) és a szimbolikus következtetés integrálása felé konvergál a tisztán neurális megközelítések korlátainak kezelésére:
- Cheng et al. (2025), "Neural-symbolic methods for knowledge graph reasoning" (ACM TKDD) — megkülönböztetik a KG-kiegészítési, komplex lekérdezés-válaszolási és logikai szabálytanulási megközelítéseket; azonosítják a tisztán szimbolikus módszerek értelmezhetőségi potenciálját.
- Niu et al. (2026), "A Comprehensive Survey of Knowledge Graph Reasoning" (IEEE Trans. Big Data) — lefedik a többlépéses KG-következtetést, beleértve az induktív logikai programozási (ILP) megközelítéseket.
- Linders & Tomczak (2025), "Knowledge graph-extended RAG for QA" (Applied Intelligence) — bemutatják, hogy a KG-k lehetővé teszik a szimbolikus következtetést és az ellenőrizhető válaszokat.
- Chudasama et al. (2025), "Toward interpretable hybrid AI" (IEEE Access) — javaslatot tesznek a TrustKG-re, amely a szimbolikus értelmezhetőséget KG-vel kombinálja.
- Agarwal & Bedathur (2025), "A Zero-Shot Neuro-Symbolic Approach for Complex KGQA" (EMNLP Findings 2025).
- Liu et al. (2025), "SymAgent" (TheWebConf 2025) — öntanuló szimbolikus ágens KGQA számára.
Automatikus tudásgráf-építés
- Zavarella (2026), "Methods for KG Construction from Text Collections" (arXiv) — NLP-t, ML-t és szemantikus webet kombináló keretrendszer.
- Salman et al. (2024), "Doc-KG" (Expert Systems) — KG-építés strukturálatlan dokumentumokból.
- Chen et al. (2025), "Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs" (TheWebConf 2025).
CPU-hatékonyság és könnyűsúlyú megközelítések
- 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) megerősítik, hogy „a spaCy könnyűsúlyú, nagy pontosságú kinyerést biztosít, hatékonyan működik standard CPU-n".
- Okechukwu et al. (2025) megerősítik, hogy „a spaCy és az NLTK hatékonyan működik standard CPU-kon".
Az MI ökológiai hatása
- Kim & Yoo (2026), "Toward Sustainable AI" (IEEE Access) — az MI adatközpontok szénlábnyoma 2024 és 2025 között megháromszorozódott.
- 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 és AI Act megfelelés
- 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. Célkitűzések
Fő célkitűzés
Bizonyítani a megvalósíthatóságot és értékelni egy kizárólag CPU-n futó, tisztán szimbolikus QA rendszer teljesítményét, amelynek tudásgráfja automatikusan épül természetes nyelvű dokumentumokból.
Másodlagos célkitűzések
- Versenyképes teljesítmény elérése elismert KGQA teljesítményteszteken.
- Az energialábnyom mérése és összehasonlítása (CPU vs GPU) az ökológiai előny bizonyítása érdekében.
- A rendszer belső értelmezhetőségének bizonyítása (minden válasz nyomon követhetősége).
- Reprodukálható, dokumentált szoftver biztosítása etikus licenc alatt.
4. Architektúra és műszaki specifikációk
4.1. Összesített architektúra
A rendszer két elkülönülő fázisra oszlik:
1. fázis — Tudásgráf-építés (offline, GPU megengedett)
Természetes nyelvű dokumentumok → Előfeldolgozás → NER → Relációkinyerés → Koreferencia-feloldás
→ KG-építés (RDF/OWL hármasok) → Gráf tárolása
2. fázis — Kérdés-válasz (futásidő, szigorúan csak CPU)
Természetes nyelvű kérdés → Szintaktikai/szemantikai elemzés → Formális lekérdezéssé alakítás
→ KG-bejárás → Logikai következtetés → Válaszgenerálás
→ Magyarázó nyomvonal
4.2. Hardverspecifikációk
| Komponens | 1. fázis (KG-építés) | 2. fázis (QA futásidő) |
|---|---|---|
| CPU | Intel Core i9 (max.) | Intel Core i9 (max.) |
| GPU | NVIDIA RTX 3090 (24 GB VRAM) | Nincs (szigorúan csak CPU) |
| RAM | 32 GB (max.) | 32 GB (elegendő) |
| Tárhely | NVMe SSD | NVMe SSD |
Indoklás: Az 1. fázis használhat GPU-t a kvantált, nyílt súlyú LLM-ek futtatásához, amelyek a pipeline építését irányítják. A 2. fázis, amely a telepíthető rendszert képezi, szigorúan csak CPU kell legyen a hozzáférhetőség, szuverenitás és takarékosság biztosítása érdekében.
4.3. Fejlesztési környezet
- Sandbox: fejlesztés elszigetelt környezetben a biztonság és reprodukálhatóság érdekében.
- Cél operációs rendszer: Linux (elsődleges cél), Windows/macOS hordozhatósággal.
- Nyelv(ek): szabad választás, feltéve, hogy a függőségek megfelelnek a licenckorlátozásoknak (6. fejezet).
4.4. LLM-felügyelet
A rendszer fejlesztését teljes egészében egy vagy több nyílt súlyú LLM irányítja, amelyek a megadott hardveren (1. fázis) lokálisan futtathatók. A modellek, a kvantálás és a következtető keretrendszer kiválasztása a résztvevőre van bízva.
5. Javasolt pipeline architektúra
Az alábbi felosztás iránymutatásként szolgál. A résztvevők szabadon javasolhatnak eltérő architektúrát, amennyiben teljesítik a funkcionális korlátozásokat (3., 4. és 12. fejezet) és a licenckövetelményeket (6. fejezet).
5.1. Szöveg-előfeldolgozás
- Mondatszegmentálás
- Tokenizálás
- Lemmatizálás
- Szófaji címkézés
- Függőségi elemzés
5.2. Néventitás-felismerés (NER)
- Entitások detektálása (személyek, helyszínek, szervezetek, dátumok, fogalmak)
- Entitástipizálás egy tartomány ontológia szerint
- Koreferencia-feloldás
5.3. Relációkinyerés (RE)
- Hármasok kinyerése (alany, állítmány, tárgy) szövegből
- Nyílt vagy mintavezérelt kinyerés
5.4. Tudásgráf-építés
- Entitás-normalizálás és -egyesítés (entity linking)
- Gráf felépítése és tárolása (hármasok)
- Gazdagítás implicit relációk kikövetkeztetésével
- Gráf validálása és tisztítása
5.5. Kérdésmegértés
- A természetes nyelvű kérdés szintaktikai elemzése
- Kérdéstípus azonosítása (ki, mi, hol, mikor…)
- Az említett entitások és relációk kinyerése
- Formális lekérdezéssé alakítás a gráfon
5.6. Következtetés és válaszkeresés
- Tudásgráf-bejárás (többlépéses következtetés)
- Logikai rezolúció és jelöltválaszok rangsorolása
5.7. Válaszgenerálás és magyarázatok
- Válasz megfogalmazása természetes nyelven
- Teljes magyarázó nyomvonal: útvonal a KG-ben, alkalmazott szabályok, érintett entitások és relációk, megbízhatóság/teljesség
6. Licenckorlátozások
6.1. Hippocratic License 3.0 (HL3)
A végleges szoftver a Hippocratic License 3.0 licenc alatt kerül publikálásra (firstdonoharm.dev). Ez a licenc:
- Nem tekinthető nyílt forráskódúnak az OSI értelmében (etikai korlátozások a felhasználásra).
- Copyleft típusú licenc (8.3. szakasz).
- Az alapvető emberi jogokon alapuló etikai szabványokat ír elő (UDHR, ICESCR, ICCPR, ILO).
6.2. Függőségek kompatibilitása
| Licenc | HL3-kompatibilis | Példák |
|---|---|---|
| MIT | ✅ Igen | — |
| BSD (2/3-clause) | ✅ Igen | — |
| Apache 2.0 | ✅ Igen | — |
| ISC / CC0 | ✅ Igen | — |
| GPL v2/v3 | ⚠️ Potenciálisan inkompatibilis | — |
| AGPL | ❌ Valószínűleg inkompatibilis | — |
6.3. Ajánlott opcionális HL3 modulok
- HL3-ECO (Ökocídium) — összhangban az ökológiai hatás csökkentésének célkitűzésével.
- HL3-MEDIA — az erőszak propagálására történő felhasználás tilalma.
- HL3-SV (Tömeges megfigyelés) — összhangban a szuverenitással és az adatvédelemmel.
7. Szabályozási megfelelés
7.1. GDPR
| GDPR-elv | Megvalósítás |
|---|---|
| Adatminimalizálás (5.1.c cikk) | A KG csak releváns kinyert hármasokat tárol, nyers személyes adatokat nem. |
| Magyarázathoz való jog (22. cikk + 71. preambulumbekezdés) | Teljes magyarázó nyomvonal minden válaszhoz. |
| Törléshez való jog (17. cikk) | Entitások/hármasok törlésének lehetősége a KG-ből. |
| Beépített adatvédelem (25. cikk) | Nincs érzékeny adat a KG-ben dokumentált szükségesség nélkül. |
| Nincs automatizált profilalkotás (22. cikk) | A rendszer nem hoz automatizált döntéseket egyénekről. |
7.2. Európai AI Act
| AI Act követelmény | Megfelelés |
|---|---|
| Átláthatóság (13. cikk) | Belsőleg értelmezhető szimbolikus architektúra — minden következtetési lépés nyomon követhető. |
| Magyarázhatóság (13.1. cikk) | Teljes nyomvonal: kérdés → formális lekérdezés → KG-útvonal → válasz. |
| Műszaki dokumentáció (11. cikk) | Teljes mértékben dokumentálható szimbolikus pipeline (nyelvtanok, szabályok, ontológia). |
| Robusztusság és pontosság (15. cikk) | Nincs hallucináció — a válaszok kizárólag a KG-ből származnak. |
| Emberi felügyelet (14. cikk) | A KG ember által áttekinthető és módosítható. |
| Kockázatkezelés (9. cikk) | Alacsony kockázat: nincs átláthatatlan modell, nincs emergáló torzítás. |
8. Ökológiai hatás
8.1. A probléma
- A GPT-3 betanítása körülbelül 1 287 MWh-t fogyasztott, azaz ~552 tonna CO₂-t.
- Az MI adatközpontok szénlábnyoma 2024 és 2025 között megháromszorozódott (Awab, 2026).
- Egy LLM-lekérdezés körülbelül 10×-szer több energiát fogyaszt, mint egy standard webes keresés (Kim & Yoo, 2026).
8.2. A szimbolikus CPU-only megközelítés előnye
| Metrika | LLM rendszer (GPU) | MI Kihívás (CPU-only) | Becsült nyereség |
|---|---|---|---|
| Pillanatnyi teljesítményfelvétel | 300–400 W (GPU) | 65–125 W (CPU) | ~3–5× |
| Késleltetés lekérdezésenként | 0,5–5 s | < 100 ms (cél) | ~5–50× |
| Energia lekérdezésenként | ~0,001–0,01 kWh | ~0,000001–0,00001 kWh | ~100–1000× |
| Szükséges hardver | GPU ≥ 6 000 € | Fogyasztói CPU < 500 € | ~12× |
8.3. Kötelező mérés
A projektnek mérnie és jelentenie kell:
- Energiafogyasztás (kWh) a KG-építéshez.
- Energiafogyasztás QA lekérdezésenként.
- A megfelelő CO₂-lábnyom.
- Összehasonlítás egy GPU-alapú referencia rendszerrel.
9. Reprodukálhatóság
- Teljes forráskód: nyilvános tárolóban publikálva, HL3 licenc alatt.
- Telepítési útmutató: automatizált szkript vagy konténerizáció.
- Tesztadatok: kizárólag nyilvános teljesítménytesztek használata.
- Véletlenszám-generátor magok: rögzítettek és dokumentáltak minden sztochasztikus komponensnél.
- Függőségek verziózása: rögzített verziójú függőségi fájl.
- Konténerizáció: a teljes rendszernek reprodukálhatóan futtathatónak kell lennie.
- Dokumentált minimális hardver: kifejezett minimális specifikációk.
A maximálisan szükséges hardver (i9 + RTX 3090) széles közönség számára elérhető. A 2. fázis (QA futásidő) nem igényel GPU-t, lehetővé téve az egyszerű laptopon történő futtatást.
10. Szuverenitás, biztonság és adatvédelem
Digitális szuverenitás
- Nincs felhőfüggőség — teljesen lokális működés.
- Nincs külső API-hívás — semmilyen adat nem hagyja el a gépet.
- Nyílt súlyú LLM-ek letölthetők és lokálisan futtathatók.
- Nincs szállítói kötöttség.
Biztonság
- Sandbox-ban futtatás (elszigetelt környezet).
- Nincs tetszőleges kódfuttatás.
- Nincs prompt injection (nincs LLM a következtetésnél).
- Bemenet-validálás formális nyelvtannal.
Adatvédelem
- Kizárólag lokális feldolgozás — a dokumentumok soha nem hagyják el a gépet.
- Nincs telemetria.
- A KG kérésre törölhető.
- Lehetőség külön KG-k létrehozására felhasználónként vagy tartományonként.
11. Teljesítménytesztek és értékelés
11.1. Elismert KGQA teljesítménytesztek
A rendszert legalább kettő alábbi teljesítményteszten kell értékelni:
| Teljesítményteszt | Leírás | Méret | Referencia |
|---|---|---|---|
| SimpleQuestions | Egyszerű ténykérdések a Freebase-en | ~100K kérdés | ACL |
| WebQuestionsSP | Webes kérdések SPARQL annotációkkal | ~4 737 kérdés | ACL |
| LC-QuAD 2.0 | Komplex kérdések a DBpedia/Wikidata-n | ~30K kérdés | ISWC |
| ComplexWebQuestions | Többlépéses kérdések a Freebase-en | ~34K kérdés | NAACL |
| QALD | Többnyelvű kihívás, kis méretű | ~400–500 kérdés | CLEF/ESWC |
| MINTQA | Új teljesítményteszt LLM+KG számára ritka entitásokon | Változó | EMNLP 2025 |
| SQuAD 2.0 | Kivonatolt QA bekezdéseken | ~150K kérdés | ACL |
| Natural Questions | Valódi Google kérdések | ~307K kérdés | TACL |
| TriviaQA | Kvíz QA támogató dokumentumokkal | ~95K kérdés | ACL |
Ajánlás: prioritásként kezelni az LC-QuAD 2.0-t és a QALD-ot, kiegészítve a SQuAD-dal vagy a Natural Questions-szel a neurális megközelítésekkel való összehasonlításhoz.
11.2. Értékelési metrikák
| Kategória | Metrika | Leírás |
|---|---|---|
| QA teljesítmény | F1 pontszám, Exact Match (EM) | Válaszpontosság |
| QA teljesítmény | Hits@1, Hits@5 | Helyes válasz aránya a top-k-ban |
| QA teljesítmény | MRR | A helyes válasz átlagos rangja |
| Késleltetés | Átlagos/p95 válaszidő (ms) | Csak CPU-n mérve |
| Áteresztőképesség | Kérdés/másodperc | Áteresztőképesség |
| Ökológia | kWh/lekérdezés, gCO₂/lekérdezés | codecarbon/carbontracker segítségével |
| Magyarázhatóság | Nyomon követhetőségi arány | % válasz teljes nyomvonallal (cél: 100 %) |
| KG lefedettség | Hármasok, entitások, relációk | Leíró statisztika |
11.3. Összehasonlítási alapvonalak
- RAG + LLM (GPU): neurális alapvonal GPU-n.
- KG-RAG (GPU): hibrid KG + LLM alapvonal.
- Közvetlen SPARQL: tisztán szimbolikus alapvonal (kézi lekérdezések ugyanazon a KG-n).
12. Teljesítményi specifikációk
| Kritérium | Cél | Indoklás |
|---|---|---|
| QA késleltetés | < 100 ms (p95) | Elfogadható felhasználói interaktivitás |
| KG-építés | < 1 perc / 1 000 rövid dokumentum | Gyakorlatiasság |
| QA memórialábnyom | < 4 GB RAM | Futtatható szerény PC-n |
| KG méret | Skálázható 10M+ hármasra | Elegendő lefedettség a teljesítménytesztekhez |
| QA pontosság | ≥ 50 % F1 egyszerű teljesítményteszteken | Értelmezhetőség és takarékosság mint fő érvek |
| Nyomon követhetőség | 100 % válasz magyarázva | A szimbolikus megközelítés fő előnye |
13. Kockázatok és intézkedések
| Kockázat | Valószínűség | Hatás | Intézkedés |
|---|---|---|---|
| Elégtelen QA teljesítmény az LLM-hez képest | Magas | Közepes | Fókusz az értelmezhetőségre/takarékosságra |
| Az automatikus KG elégtelen minősége | Közepes | Magas | Szabályok iterálása, LLM felügyelet |
| Többlépéses kérdések összetettsége | Magas | Közepes | Korlátozás ≤ 3 lépésre, korlátok dokumentálása |
| Függőség-licenc inkompatibilitás | Alacsony | Magas | Szisztematikus licencaudit |
| Nyílt súlyú LLM elégtelen a felügyelethez | Közepes | Közepes | Több modell tesztelése és kombinálása |
| Korlátozott KG-lefedettség nagy léptékben | Közepes | Közepes | QALD-dal kezdeni, majd bővíteni |
14. Sikerességi kritériumok
- A QA rendszer teljes egészében CPU-n működik, GPU nélkül a következtetésnél.
- A KG automatikusan épül természetes nyelvű dokumentumokból.
- A teljesítmény ≥ 2 elismert nyilvános teljesítményteszten van mérve.
- A válaszok 100 %-a magyarázó nyomvonallal van ellátva.
- Az energiafogyasztás mérve és összehasonlítva van egy GPU-alapú referencia rendszerrel.
- A kód Hippocratic 3.0 licenc alatt van publikálva kompatibilis függőségekkel.
- A rendszer reprodukálható Docker segítségével a megadott hardveren.
- A fejlesztést teljes egészében nyílt súlyú LLM-ek végzik sandboxban.
15. Bibliográfiai hivatkozások
- 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.