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).
- Sistema QA puramente simbolico (nessuna rete neurale in fase di inferenza)
- CPU-only in fase di esecuzione (nessuna GPU necessaria)
- Costruzione automatica del KG a partire da documenti in linguaggio naturale
- Sviluppo interamente supervisionato da LLM open-weights quantizzati
- Conformità nativa GDPR/AI Act by design (interpretabilità intrinseca)
- 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:
- Cheng et al. (2025), "Neural-symbolic methods for knowledge graph reasoning" (ACM TKDD) — distinguono completamento del KG, risposta a domande complesse e apprendimento di regole logiche; identificano il potenziale dei metodi puramente simbolici per l'interpretabilità.
- Niu et al. (2026), "A Comprehensive Survey of Knowledge Graph Reasoning" (IEEE Trans. Big Data) — coprono il ragionamento multi-hop su KG, inclusi gli approcci Inductive Logic Programming (ILP).
- Linders & Tomczak (2025), "Knowledge graph-extended RAG for QA" (Applied Intelligence) — dimostrano che i KG consentono ragionamento simbolico e risposte verificabili.
- Chudasama et al. (2025), "Toward interpretable hybrid AI" (IEEE Access) — propongono TrustKG che combina interpretabilità simbolica con KG.
- Agarwal & Bedathur (2025), "A Zero-Shot Neuro-Symbolic Approach for Complex KGQA" (EMNLP Findings 2025).
- Liu et al. (2025), "SymAgent" (TheWebConf 2025) — agente simbolico auto-apprendente per KGQA.
Costruzione automatica di grafi di conoscenza
- Zavarella (2026), "Methods for KG Construction from Text Collections" (arXiv) — framework che combina NLP, ML e Semantic Web.
- Salman et al. (2024), "Doc-KG" (Expert Systems) — costruzione di KG da documenti non strutturati.
- Chen et al. (2025), "Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs" (TheWebConf 2025).
Efficienza CPU e approcci leggeri
- 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) confermano che "spaCy fornisce estrazione leggera e ad alta precisione, efficiente su CPU standard".
- Okechukwu et al. (2025) confermano che "spaCy e NLTK operano efficientemente su CPU standard".
Impatto ecologico dell'IA
- Kim & Yoo (2026), "Toward Sustainable AI" (IEEE Access) — l'impronta di carbonio dei data center IA è triplicata tra il 2024 e il 2025.
- Hasan et al. (2025), "Carbon emission quantification of ML" (IEEE Trans.).
- Tunzina et al. (2026), "GreenAI: Environmental Efficiency in LLM-Generated Code" (IEEE Access).
Conformità GDPR e AI Act
- 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. 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
- Raggiungere prestazioni competitive su benchmark KGQA riconosciuti.
- Misurare e confrontare l'impronta energetica (CPU vs GPU) per dimostrare il vantaggio ecologico.
- Dimostrare l'interpretabilità intrinseca del sistema (tracciabilità di ogni risposta).
- 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
| Componente | Fase 1 (Costruzione KG) | Fase 2 (QA Runtime) |
|---|---|---|
| CPU | Intel Core i9 (max) | Intel Core i9 (max) |
| GPU | NVIDIA RTX 3090 (24 GB VRAM) | Nessuna (strettamente CPU-only) |
| RAM | 32 GB (max) | 32 GB (sufficiente) |
| Archiviazione | NVMe SSD | NVMe 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
- Sandbox: sviluppo in un ambiente isolato per sicurezza e riproducibilità.
- OS target: Linux (target primario), con portabilità Windows/macOS auspicabile.
- Linguaggio/i: libera scelta, purché le dipendenze rispettino i vincoli di licenza (sezione 6).
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:
- Non è considerata open source nel senso OSI (vincoli etici sull'uso).
- È una licenza copyleft (Sezione 8.3).
- Impone standard etici basati sui diritti umani fondamentali (UDHR, ICESCR, ICCPR, ILO).
6.2. Compatibilità delle dipendenze
| Licenza | Compatibile HL3 | Esempi |
|---|---|---|
| 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
- HL3-ECO (Ecocidio) — coerente con l'obiettivo di riduzione dell'impatto ecologico.
- HL3-MEDIA — divieto d'uso per la promozione della violenza.
- HL3-SV (Sorveglianza di massa) — coerente con sovranità e privacy.
7. Conformità normativa
7.1. GDPR
| Principio GDPR | Implementazione |
|---|---|
| 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 Act | Conformità |
|---|---|
| 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. |
8. Impatto ecologico
8.1. Il problema
- L'addestramento di GPT-3 ha consumato circa 1.287 MWh, ovvero ~552 tonnellate di CO₂.
- I data center IA hanno visto la loro impronta di carbonio triplicare tra il 2024 e il 2025 (Awab, 2026).
- Una query LLM consuma circa 10× più energia rispetto a una ricerca web standard (Kim & Yoo, 2026).
8.2. Vantaggio del simbolico CPU-only
| Metrica | Sistema LLM (GPU) | Sfida IA (CPU-only) | Guadagno stimato |
|---|---|---|---|
| Potenza istantanea | 300-400 W (GPU) | 65-125 W (CPU) | ~3-5× |
| Latenza per query | 0,5-5 s | < 100 ms (obiettivo) | ~5-50× |
| Energia per query | ~0,001-0,01 kWh | ~0,000001-0,00001 kWh | ~100-1000× |
| Hardware richiesto | GPU ≥ 6.000 € | CPU consumer < 500 € | ~12× |
8.3. Misurazione obbligatoria
Il progetto deve misurare e riportare:
- Consumo energetico (kWh) per la costruzione del KG.
- Consumo energetico per query QA.
- Impronta di CO₂ corrispondente.
- Confronto con un sistema baseline GPU.
9. Riproducibilità
- Codice sorgente completo: pubblicato su un repository pubblico, sotto licenza HL3.
- Istruzioni di installazione: script automatizzato o containerizzazione.
- Dati di test: uso esclusivo di benchmark pubblici.
- Semi casuali: fissi e documentati per ogni componente stocastica.
- Versionamento delle dipendenze: file di dipendenze bloccato.
- Containerizzazione: il sistema completo deve essere eseguibile in modo riproducibile.
- 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:
| Benchmark | Descrizione | Dimensione | Riferimento |
|---|---|---|---|
| SimpleQuestions | Domande fattuali semplici su Freebase | ~100K domande | ACL |
| WebQuestionsSP | Domande web con annotazioni SPARQL | ~4.737 domande | ACL |
| LC-QuAD 2.0 | Domande complesse su DBpedia/Wikidata | ~30K domande | ISWC |
| ComplexWebQuestions | Domande multi-hop su Freebase | ~34K domande | NAACL |
| QALD | Sfida multilingue, dimensione ridotta | ~400-500 domande | CLEF/ESWC |
| MINTQA | Benchmark recente per LLM+KG su entità rare | Variabile | EMNLP 2025 |
| SQuAD 2.0 | QA estrattivo su paragrafi | ~150K domande | ACL |
| Natural Questions | Domande reali di Google | ~307K domande | TACL |
| TriviaQA | QA trivia con documenti di supporto | ~95K domande | ACL |
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
| Categoria | Metrica | Descrizione |
|---|---|---|
| Prestazioni QA | F1 score, Exact Match (EM) | Precisione della risposta |
| Prestazioni QA | Hits@1, Hits@5 | Tasso di risposte corrette in top-k |
| Prestazioni QA | MRR | Rango medio della risposta corretta |
| Latenza | Tempo di risposta medio/p95 (ms) | Misurato solo su CPU |
| Throughput | Domande/secondo | Throughput |
| Ecologia | kWh/query, gCO₂/query | Via codecarbon/carbontracker |
| Spiegabilità | Tasso di tracciabilità | % di risposte con traccia completa (obiettivo: 100%) |
| Copertura KG | Triple, entità, relazioni | Statistiche descrittive |
11.3. Baseline di confronto
- RAG + LLM (GPU): baseline neurale su GPU.
- KG-RAG (GPU): baseline ibrida KG + LLM.
- SPARQL diretto: baseline puramente simbolica (query manuali sullo stesso KG).
12. Specifiche di prestazione
| Criterio | Obiettivo | Giustificazione |
|---|---|---|
| Latenza QA | < 100 ms (p95) | Interattività utente accettabile |
| Costruzione KG | < 1 min / 1.000 documenti brevi | Praticità |
| Footprint memoria QA | < 4 GB RAM | Eseguibile su PC modesto |
| Dimensione KG | Scalabile a 10M+ triple | Copertura sufficiente per i benchmark |
| Precisione QA | ≥ 50% F1 su benchmark semplici | Interpretabilità e frugalità come argomenti principali |
| Tracciabilità | 100% delle risposte spiegate | Vantaggio chiave dell'approccio simbolico |
13. Rischi & mitigazioni
| Rischio | Probabilità | Impatto | Mitigazione |
|---|---|---|---|
| Prestazioni QA insufficienti vs LLM | Alta | Medio | Focus su interpretabilità/frugalità |
| Qualità insufficiente del KG automatico | Media | Alto | Iterare le regole, supervisione LLM |
| Complessità delle domande multi-hop | Alta | Medio | Limitare a ≤ 3 hop, documentare i limiti |
| Incompatibilità di licenza delle dipendenze | Bassa | Alto | Audit sistematico delle licenze |
| LLM open-weights insufficiente per la supervisione | Media | Medio | Testare e combinare più modelli |
| Copertura KG limitata su larga scala | Media | Medio | Iniziare con QALD, poi scalare |
14. Criteri di successo
- Il sistema QA opera interamente su CPU senza GPU in fase di inferenza.
- Il KG è costruito automaticamente a partire da documenti in linguaggio naturale.
- Le prestazioni sono misurate su ≥ 2 benchmark pubblici riconosciuti.
- 100% delle risposte sono accompagnate da una traccia di spiegazione.
- Il consumo energetico è misurato e confrontato con una baseline GPU.
- Il codice è pubblicato sotto licenza Hippocratic 3.0 con dipendenze compatibili.
- Il sistema è riproducibile via Docker sull'hardware specificato.
- Lo sviluppo è interamente realizzato da LLM open-weights in sandbox.
15. Riferimenti bibliografici
- 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.