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

Sfida IA

Progettare un sistema di Domanda/Risposta CPU-only, puramente simbolico, il cui grafo di conoscenza è costruito automaticamente a partire da documenti in linguaggio naturale.

Green AI • CPU-only • Simbolico • Spiegabile

1. Sintesi della sfida

La sfida mira a progettare, implementare e valutare un sistema di domanda/risposta (QA) eseguibile esclusivamente su CPU, basato su un'architettura puramente simbolica (lessico, grammatiche, grafo di conoscenza, logica formale). L'intero sviluppo del sistema è guidato da LLM open-weights quantizzati, eseguibili su hardware consumer (CPU i9, RTX 3090).

Questo progetto si inserisce nel movimento della Green AI (Schwartz et al., 2020) e della Frugal AI, in opposizione alla corsa verso modelli sempre più grandi la cui impronta di carbonio è diventata allarmante (Kim et al., 2026; Hasan et al., 2025). Risponde inoltre alle crescenti esigenze di trasparenza, spiegabilità e conformità normativa imposte dal GDPR e dall'European AI Act (Wagner et al., 2025; Juliussen, 2025).

Originalità: Nessun lavoro esistente combina simultaneamente i seguenti vincoli:
  1. Sistema QA puramente simbolico (nessuna rete neurale in fase di inferenza)
  2. CPU-only in fase di esecuzione (nessuna GPU necessaria)
  3. Costruzione automatica del KG a partire da documenti in linguaggio naturale
  4. Sviluppo interamente supervisionato da LLM open-weights quantizzati
  5. Conformità nativa GDPR/AI Act by design (interpretabilità intrinseca)
  6. Licenza etica (Hippocratic 3.0)

2. Contesto e posizionamento scientifico

2.1. Enunciato del problema

Gli attuali sistemi QA si basano fortemente su LLM (GPT, LLaMA, ecc.) che richiedono GPU costose per l'inferenza, e sollevano problemi di allucinazione, riproducibilità, spiegabilità e sovranità dei dati. Operano come scatole nere e sono difficili da rendere conformi ai requisiti dell'European AI Act (Articolo 13) riguardo la trasparenza dei sistemi ad alto rischio (Wagner, 2025; Boshnjakovski, 2025).

2.2. Stato dell'arte

Approcci neuro-simbolici e KG-QA

La letteratura recente converge verso l'integrazione di grafi di conoscenza (KG) e ragionamento simbolico per affrontare i limiti degli approcci puramente neurali:

Costruzione automatica di grafi di conoscenza

Efficienza CPU e approcci leggeri

Impatto ecologico dell'IA

Conformità GDPR e AI Act

3. Obiettivi

Obiettivo principale

Dimostrare la fattibilità e valutare le prestazioni di un sistema QA CPU-only, puramente simbolico il cui grafo di conoscenza è costruito automaticamente a partire da documenti in linguaggio naturale.

Obiettivi secondari

  1. Raggiungere prestazioni competitive su benchmark KGQA riconosciuti.
  2. Misurare e confrontare l'impronta energetica (CPU vs GPU) per dimostrare il vantaggio ecologico.
  3. Dimostrare l'interpretabilità intrinseca del sistema (tracciabilità di ogni risposta).
  4. Fornire software riproducibile e documentato sotto licenza etica.

4. Architettura & specifiche tecniche

4.1. Architettura generale

Il sistema è diviso in due fasi distinte:

Fase 1 — Costruzione del grafo di conoscenza (offline, GPU consentita)

Documenti NL → Preelaborazione → NER → Estrazione di relazioni → Risoluzione coreferenze
    → Costruzione KG (triple RDF/OWL) → Memorizzazione del grafo

Fase 2 — Domanda/Risposta (runtime, strettamente CPU-only)

Domanda NL → Analisi sintattica/semantica → Trasformazione in query formale
    → Attraversamento KG → Ragionamento logico → Generazione risposta
    → Traccia di spiegazione

4.2. Specifiche hardware

ComponenteFase 1 (Costruzione KG)Fase 2 (QA Runtime)
CPUIntel Core i9 (max)Intel Core i9 (max)
GPUNVIDIA RTX 3090 (24 GB VRAM)Nessuna (strettamente CPU-only)
RAM32 GB (max)32 GB (sufficiente)
ArchiviazioneNVMe SSDNVMe SSD

Giustificazione: La Fase 1 può utilizzare la GPU per eseguire i LLM open-weights quantizzati che supervisionano la costruzione della pipeline. La Fase 2, che costituisce il sistema implementabile, deve essere strettamente CPU-only per garantire accessibilità, sovranità e frugalità.

4.3. Ambiente di sviluppo

4.4. Supervisione LLM

Lo sviluppo del sistema è interamente guidato da uno o più LLM open-weights, eseguibili localmente sull'hardware specificato (Fase 1). La scelta dei modelli, della quantizzazione e del framework di inferenza è lasciata al partecipante.

5. Architettura della pipeline suggerita

La seguente suddivisione è fornita come linea guida. I partecipanti sono liberi di proporre un'architettura diversa, a condizione di soddisfare i vincoli funzionali (sezioni 3, 4 e 12) e i requisiti di licenza (sezione 6).

5.1. Preelaborazione del testo

  • Segmentazione in frasi
  • Tokenizzazione
  • Lemmatizzazione
  • Part-of-Speech tagging
  • Parsing delle dipendenze

5.2. Riconoscimento di entità nominate (NER)

  • Rilevamento di entità (persone, luoghi, organizzazioni, date, concetti)
  • Tipizzazione delle entità secondo un'ontologia di dominio
  • Risoluzione delle coreferenze

5.3. Estrazione di relazioni (RE)

  • Estrazione di triple (soggetto, predicato, oggetto) dal testo
  • Estrazione aperta o guidata da pattern

5.4. Costruzione del grafo di conoscenza

  • Normalizzazione e fusione delle entità (entity linking)
  • Costruzione e memorizzazione del grafo (triple)
  • Arricchimento tramite inferenza di relazioni implicite
  • Validazione e pulizia del grafo

5.5. Comprensione della domanda

  • Analisi sintattica della domanda in linguaggio naturale
  • Identificazione del tipo di domanda (chi, cosa, dove, quando…)
  • Estrazione delle entità e relazioni menzionate
  • Trasformazione in una query formale sul grafo

5.6. Ragionamento & ricerca della risposta

  • Attraversamento del grafo di conoscenza (ragionamento multi-hop)
  • Risoluzione logica e classificazione delle risposte candidate

5.7. Generazione della risposta & spiegazioni

  • Formulazione della risposta in linguaggio naturale
  • Traccia di spiegazione completa: percorso nel KG, regole applicate, entità e relazioni coinvolte, confidenza/completezza

6. Vincoli di licenza

6.1. Hippocratic License 3.0 (HL3)

Il software finale sarà pubblicato sotto Hippocratic License 3.0 (firstdonoharm.dev). Questa licenza:

6.2. Compatibilità delle dipendenze

LicenzaCompatibile HL3Esempi
MIT✅ Sì—
BSD (2/3 clausole)✅ Sì—
Apache 2.0✅ Sì—
ISC / CC0✅ Sì—
GPL v2/v3⚠️ Potenzialmente incompatibile—
AGPL❌ Probabilmente incompatibile—

6.3. Moduli HL3 opzionali raccomandati

7. Conformità normativa

7.1. GDPR

Principio GDPRImplementazione
Minimizzazione dei dati (Art. 5.1.c)Il KG memorizza solo triple estratte rilevanti, non dati personali grezzi.
Diritto alla spiegazione (Art. 22 + considerando 71)Traccia di spiegazione completa per ogni risposta.
Diritto alla cancellazione (Art. 17)Possibilità di eliminare entità/triple dal KG.
Privacy by design (Art. 25)Nessun dato sensibile nel KG senza necessità documentata.
Nessuna profilazione automatizzata (Art. 22)Il sistema non prende decisioni automatizzate sugli individui.

7.2. European AI Act

Requisito AI ActConformità
Trasparenza (Art. 13)Architettura simbolica intrinsecamente interpretabile — ogni passo di ragionamento è tracciabile.
Spiegabilità (Art. 13.1)Traccia completa: domanda → query formale → percorso KG → risposta.
Documentazione tecnica (Art. 11)Pipeline simbolica completamente documentabile (grammatiche, regole, ontologia).
Robustezza e accuratezza (Art. 15)Nessuna allucinazione — le risposte provengono esclusivamente dal KG.
Supervisione umana (Art. 14)Il KG è ispezionabile e modificabile da un umano.
Gestione del rischio (Art. 9)Rischio basso: nessun modello opaco, nessun bias emergente.
Argomento chiave: Un sistema puramente simbolico è nativamente conforme ai requisiti di trasparenza e spiegabilità dell'AI Act, a differenza dei sistemi basati su LLM che richiedono livelli XAI aggiuntivi (Goncalves & Correia, 2026; Wagner et al., 2025).

8. Impatto ecologico

8.1. Il problema

8.2. Vantaggio del simbolico CPU-only

MetricaSistema LLM (GPU)Sfida IA (CPU-only)Guadagno stimato
Potenza istantanea300-400 W (GPU)65-125 W (CPU)~3-5×
Latenza per query0,5-5 s< 100 ms (obiettivo)~5-50×
Energia per query~0,001-0,01 kWh~0,000001-0,00001 kWh~100-1000×
Hardware richiestoGPU ≥ 6.000 €CPU consumer < 500 €~12×

8.3. Misurazione obbligatoria

Il progetto deve misurare e riportare:

9. Riproducibilità

  1. Codice sorgente completo: pubblicato su un repository pubblico, sotto licenza HL3.
  2. Istruzioni di installazione: script automatizzato o containerizzazione.
  3. Dati di test: uso esclusivo di benchmark pubblici.
  4. Semi casuali: fissi e documentati per ogni componente stocastica.
  5. Versionamento delle dipendenze: file di dipendenze bloccato.
  6. Containerizzazione: il sistema completo deve essere eseguibile in modo riproducibile.
  7. Hardware minimo documentato: specifiche minime esplicite.

L'hardware massimo richiesto (i9 + RTX 3090) è accessibile a un vasto pubblico. La Fase 2 (QA runtime) non richiede alcuna GPU, consentendo l'esecuzione su un semplice laptop.

10. Sovranità, sicurezza & privacy

Sovranità digitale

  • Nessuna dipendenza dal cloud — funzionamento completamente locale.
  • Nessuna chiamata API esterna — nessun dato lascia la macchina.
  • LLM open-weights scaricabili e eseguibili localmente.
  • Nessun vendor lock-in.

Sicurezza

  • Esecuzione in sandbox (ambiente isolato).
  • Nessuna esecuzione arbitraria di codice.
  • Nessuna prompt injection (nessun LLM in fase di inferenza).
  • Validazione degli input tramite grammatica formale.

Privacy

  • Elaborazione esclusivamente locale — i documenti non lasciano mai la macchina.
  • Nessuna telemetria.
  • KG eliminabile su richiesta.
  • Possibilità di istanziare KG separati per utente o per dominio.

11. Benchmark & valutazione

11.1. Benchmark KGQA riconosciuti

Il sistema deve essere valutato su almeno due dei seguenti benchmark:

BenchmarkDescrizioneDimensioneRiferimento
SimpleQuestionsDomande fattuali semplici su Freebase~100K domandeACL
WebQuestionsSPDomande web con annotazioni SPARQL~4.737 domandeACL
LC-QuAD 2.0Domande complesse su DBpedia/Wikidata~30K domandeISWC
ComplexWebQuestionsDomande multi-hop su Freebase~34K domandeNAACL
QALDSfida multilingue, dimensione ridotta~400-500 domandeCLEF/ESWC
MINTQABenchmark recente per LLM+KG su entità rareVariabileEMNLP 2025
SQuAD 2.0QA estrattivo su paragrafi~150K domandeACL
Natural QuestionsDomande reali di Google~307K domandeTACL
TriviaQAQA trivia con documenti di supporto~95K domandeACL

Raccomandazione: dare priorità a LC-QuAD 2.0 e QALD, integrati da SQuAD o Natural Questions per il confronto con approcci neurali.

11.2. Metriche di valutazione

CategoriaMetricaDescrizione
Prestazioni QAF1 score, Exact Match (EM)Precisione della risposta
Prestazioni QAHits@1, Hits@5Tasso di risposte corrette in top-k
Prestazioni QAMRRRango medio della risposta corretta
LatenzaTempo di risposta medio/p95 (ms)Misurato solo su CPU
ThroughputDomande/secondoThroughput
EcologiakWh/query, gCO₂/queryVia codecarbon/carbontracker
SpiegabilitàTasso di tracciabilità% di risposte con traccia completa (obiettivo: 100%)
Copertura KGTriple, entità, relazioniStatistiche descrittive

11.3. Baseline di confronto

  1. RAG + LLM (GPU): baseline neurale su GPU.
  2. KG-RAG (GPU): baseline ibrida KG + LLM.
  3. SPARQL diretto: baseline puramente simbolica (query manuali sullo stesso KG).

12. Specifiche di prestazione

CriterioObiettivoGiustificazione
Latenza QA< 100 ms (p95)Interattività utente accettabile
Costruzione KG< 1 min / 1.000 documenti breviPraticità
Footprint memoria QA< 4 GB RAMEseguibile su PC modesto
Dimensione KGScalabile a 10M+ tripleCopertura sufficiente per i benchmark
Precisione QA≥ 50% F1 su benchmark sempliciInterpretabilità e frugalità come argomenti principali
Tracciabilità100% delle risposte spiegateVantaggio chiave dell'approccio simbolico

13. Rischi & mitigazioni

RischioProbabilitàImpattoMitigazione
Prestazioni QA insufficienti vs LLMAltaMedioFocus su interpretabilità/frugalità
Qualità insufficiente del KG automaticoMediaAltoIterare le regole, supervisione LLM
Complessità delle domande multi-hopAltaMedioLimitare a ≤ 3 hop, documentare i limiti
Incompatibilità di licenza delle dipendenzeBassaAltoAudit sistematico delle licenze
LLM open-weights insufficiente per la supervisioneMediaMedioTestare e combinare più modelli
Copertura KG limitata su larga scalaMediaMedioIniziare con QALD, poi scalare

14. Criteri di successo

  1. Il sistema QA opera interamente su CPU senza GPU in fase di inferenza.
  2. Il KG è costruito automaticamente a partire da documenti in linguaggio naturale.
  3. Le prestazioni sono misurate su ≥ 2 benchmark pubblici riconosciuti.
  4. 100% delle risposte sono accompagnate da una traccia di spiegazione.
  5. Il consumo energetico è misurato e confrontato con una baseline GPU.
  6. Il codice è pubblicato sotto licenza Hippocratic 3.0 con dipendenze compatibili.
  7. Il sistema è riproducibile via Docker sull'hardware specificato.
  8. Lo sviluppo è interamente realizzato da LLM open-weights in sandbox.

15. Riferimenti bibliografici

  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.