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

AIチャレンジ

自然言語文書から知識グラフを自動構築する、CPU-onlyの純粋記号型質問応答システムを設計してください。

グリーンAI • CPU-only • 記号型 • 説明可能

1. チャレンジ概要

本チャレンジの目的は、CPUのみで動作する質問応答(QA)システムを設計・実装・評価することであり、純粋記号型アーキテクチャ(辞書、文法、知識グラフ、形式論理)に基づきます。システム開発全体は、民生用ハードウェア(i9 CPU、RTX 3090)で実行可能な量子化されたオープンウェイトLLMによって主導されます。

本プロジェクトはGreen AI(Schwartz et al., 2020)とFrugal AIの運動に位置づけられ、炭素排出量が懸念されるほどに増大し続ける大規模モデルへの競争に対抗するものです(Kim et al., 2026; Hasan et al., 2025)。また、GDPRと欧州AI法(Wagner et al., 2025; Juliussen, 2025)が課す透明性、説明可能性、規制準拠の高まる要求にも応えます。

独自性: 以下の制約を同時に満たす既存の研究は存在しません:
  1. 純粋記号型QAシステム(推論時にニューラルネットワークなし)
  2. 実行時CPU-only(GPU不要)
  3. 自然言語文書からの自動KG構築
  4. 量子化されたオープンウェイトLLMによる完全な開発監督
  5. 設計によるネイティブなGDPR/AI Act準拠(本質的解釈可能性)
  6. 倫理的ライセンス(Hippocratic 3.0)

2. 背景と科学的位置づけ

2.1. 問題の定義

現在のQAシステムはLLM(GPT、LLaMAなど)に大きく依存しており、推論に高価なGPUを必要とし、ハルシネーション、再現性、説明可能性、データ主権の問題を引き起こします。これらはブラックボックスとして動作し、高リスクシステムの透明性に関する欧州AI法(第13条)の要件に準拠させることが困難です(Wagner, 2025; Boshnjakovski, 2025)。

2.2. 研究の現状

ニューロシンボリックアプローチとKG-QA

最近の文献は、純粋なニューラルアプローチの限界に対処するために、知識グラフ(KG)と記号推論の統合に収束しています:

自動知識グラフ構築

CPU効率と軽量アプローチ

AIの環境影響

GDPR・AI Act準拠

3. 目的

主目的

自然言語文書から知識グラフを自動構築するCPU-only、純粋記号型QAシステムの実現可能性を実証し、性能を評価する。

副次的目的

  1. 認知されたKGQAベンチマークで競争力のある性能を達成する。
  2. エネルギーフットプリント(CPU vs GPU)を測定・比較し、環境的利点を実証する。
  3. システムの本質的解釈可能性を実証する(各回答の追跡可能性)。
  4. 倫理的ライセンスの下で再現可能で文書化されたソフトウェアを提供する。

4. アーキテクチャと技術仕様

4.1. 全体アーキテクチャ

システムは2つの異なるフェーズに分かれます:

フェーズ1 — 知識グラフ構築 (オフライン、GPU使用可)

自然言語文書 → 前処理 → NER → 関係抽出 → 共参照解決
    → KG構築(RDF/OWLトリプル) → グラフ保存

フェーズ2 — 質問応答 (ランタイム、厳密にCPU-only)

自然言語の質問 → 構文・意味解析 → 形式クエリへの変換
    → KG走査 → 論理推論 → 回答生成
    → 説明トレース

4.2. ハードウェア仕様

コンポーネントフェーズ1(KG構築)フェーズ2(QAランタイム)
CPUIntel Core i9(最大)Intel Core i9(最大)
GPUNVIDIA RTX 3090(24 GB VRAM)なし(厳密にCPU-only)
RAM32 GB(最大)32 GB(十分)
ストレージNVMe SSDNVMe SSD

根拠: フェーズ1では、パイプライン構築を監督する量子化されたオープンウェイトLLMの実行にGPUを使用できます。展開可能なシステムであるフェーズ2は、アクセシビリティ、主権、経済性を保証するために厳密にCPU-onlyでなければなりません。

4.3. 開発環境

4.4. LLM監督

システム開発は、指定されたハードウェア(フェーズ1)でローカルに実行可能な1つ以上のオープンウェイトLLMによって完全に主導されます。モデル、量子化、推論フレームワークの選択は参加者に委ねられます。

5. 推奨パイプラインアーキテクチャ

以下の分割はガイドラインとして提供されます。参加者は、機能的制約(セクション3、4、12)とライセンス要件(セクション6)を満たす限り、異なるアーキテクチャを提案することが自由です。

5.1. テキスト前処理

  • 文分割
  • トークナイゼーション
  • レンマタイゼーション
  • 品詞タグ付け
  • 依存構文解析

5.2. 固有表現認識(NER)

  • エンティティ検出(人物、場所、組織、日付、概念)
  • ドメインオントロジーに基づくエンティティ分類
  • 共参照解決

5.3. 関係抽出(RE)

  • テキストからのトリプル抽出(主語、述語、目的語)
  • オープン型またはパターンガイド型抽出

5.4. 知識グラフ構築

  • エンティティの正規化と統合(Entity Linking)
  • グラフの構築と保存(トリプル)
  • 暗黙的関係の推論による充実化
  • グラフの検証とクリーニング

5.5. 質問理解

  • 自然言語質問の構文解析
  • 質問タイプの識別(誰、何、どこ、いつ…)
  • 言及されたエンティティと関係の抽出
  • グラフへの形式クエリへの変換

5.6. 推論と回答検索

  • 知識グラフ走査(マルチホップ推論)
  • 論理的解決と候補回答のランキング

5.7. 回答生成と説明

  • 自然言語での回答の定式化
  • 完全な説明トレース: KG内のパス、適用されたルール、関与するエンティティと関係、信頼度/完全性

6. ライセンス制約

6.1. Hippocratic License 3.0 (HL3)

最終ソフトウェアはHippocratic License 3.0(firstdonoharm.dev)の下で公開されます。このライセンスは:

6.2. 依存関係の互換性

ライセンスHL3互換例
MIT✅ はい—
BSD (2/3-clause)✅ はい—
Apache 2.0✅ はい—
ISC / CC0✅ はい—
GPL v2/v3⚠️ 非互換の可能性—
AGPL❌ おそらく非互換—

6.3. 推奨オプションHL3モジュール

7. 規制準拠

7.1. GDPR

GDPRの原則実装
データ最小化(第5.1.c条)KGは生の個人データではなく、抽出された関連トリプルのみを保存。
説明を受ける権利(第22条 + 前文71)各回答に対する完全な説明トレース。
消去権(第17条)KGからエンティティ/トリプルを削除する機能。
プライバシー・バイ・デザイン(第25条)文書化された必要性がない限り、KGに機微データなし。
自動プロファイリングの禁止(第22条)システムは個人に関する自動的な意思決定を行わない。

7.2. 欧州AI法

AI法の要件準拠
透明性(第13条)本質的に解釈可能な記号型アーキテクチャ — すべての推論ステップが追跡可能。
説明可能性(第13.1条)完全なトレース:質問 → 形式クエリ → KGパス → 回答。
技術文書(第11条)完全に文書化可能な記号パイプライン(文法、ルール、オントロジー)。
堅牢性と精度(第15条)ハルシネーションなし — 回答はKGからのみ。
人間による監視(第14条)KGは人間により検査・修正可能。
リスク管理(第9条)低リスク:不透明なモデルなし、創発的バイアスなし。
主要論点: 純粋記号システムは、AI Actの透明性と説明可能性の要件にネイティブに準拠しており、追加のXAIレイヤーが必要なLLMベースのシステムとは異なります(Goncalves & Correia, 2026; Wagner et al., 2025)。

8. 環境影響

8.1. 問題

8.2. 記号型CPU-onlyの利点

指標LLMシステム(GPU)AIチャレンジ(CPU-only)推定削減倍率
瞬時消費電力300-400 W(GPU)65-125 W(CPU)~3-5×
クエリあたりの遅延0.5-5 s< 100 ms(目標)~5-50×
クエリあたりのエネルギー~0.001-0.01 kWh~0.000001-0.00001 kWh~100-1000×
必要なハードウェアGPU ≥ €6,000民生用CPU < €500~12×

8.3. 必須測定事項

プロジェクトは以下を測定・報告する必要があります:

9. 再現性

  1. 完全なソースコード: HL3ライセンスの下、パブリックリポジトリで公開。
  2. インストール手順: 自動化スクリプトまたはコンテナ化。
  3. テストデータ: パブリックベンチマークのみを使用。
  4. ランダムシード: 確率的コンポーネントに対して固定・文書化。
  5. 依存関係のバージョニング: ピン留めされた依存関係ファイル。
  6. コンテナ化: 完全なシステムが再現可能に実行可能であること。
  7. 文書化された最小ハードウェア: 明示的な最小仕様。

最大必要ハードウェア(i9 + RTX 3090)は幅広いユーザーがアクセス可能です。フェーズ2(QAランタイム)はGPUを必要としないため、一般的なノートPCでの実行が可能です。

10. 主権・セキュリティ・プライバシー

デジタル主権

  • クラウド依存なし — 完全なローカル動作。
  • 外部APIコールなし — データがマシンから出ることはない。
  • オープンウェイトLLMはダウンロードしてローカルで実行可能。
  • ベンダーロックインなし。

セキュリティ

  • サンドボックス実行(隔離環境)。
  • 任意コード実行なし。
  • プロンプトインジェクションなし(推論時にLLMなし)。
  • 形式文法による入力バリデーション。

プライバシー

  • 完全なローカル処理 — 文書がマシンを離れることは決してない。
  • テレメトリなし。
  • 要求に応じてKGを消去可能。
  • ユーザーごとまたはドメインごとに個別のKGをインスタンス化する機能。

11. ベンチマークと評価

11.1. 認知されたKGQAベンチマーク

システムは以下のベンチマークのうち少なくとも2つで評価される必要があります:

ベンチマーク説明規模参照
SimpleQuestionsFreebaseに基づく単純な事実質問約10万問ACL
WebQuestionsSPSPARQLアノテーション付きウェブ質問約4,737問ACL
LC-QuAD 2.0DBpedia/Wikidata上の複雑な質問約3万問ISWC
ComplexWebQuestionsFreebase上のマルチホップ質問約3.4万問NAACL
QALD多言語チャレンジ、小規模約400-500問CLEF/ESWC
MINTQA希少エンティティに対するLLM+KGの最新ベンチマーク可変EMNLP 2025
SQuAD 2.0段落からの抽出型QA約15万問ACL
Natural Questions実際のGoogleの質問約30.7万問TACL
TriviaQA参照文書付きトリビアQA約9.5万問ACL

推奨: LC-QuAD 2.0とQALDを優先し、ニューラルアプローチとの比較のためにSQuADまたはNatural Questionsで補完。

11.2. 評価指標

カテゴリ指標説明
QA性能F1 score、Exact Match (EM)回答精度
QA性能Hits@1、Hits@5上位kでの正答率
QA性能MRR正答の平均順位
遅延平均/p95応答時間(ms)CPUのみで測定
スループット質問/秒スループット
環境kWh/クエリ、gCO₂/クエリcodecarbon/carbontracker経由
説明可能性追跡可能性率完全なトレース付き回答の%(目標:100%)
KGカバレッジトリプル、エンティティ、関係記述統計

11.3. 比較ベースライン

  1. RAG + LLM(GPU):GPU上のニューラルベースライン。
  2. KG-RAG(GPU):ハイブリッドKG + LLMベースライン。
  3. Direct SPARQL:純粋記号ベースライン(同一KGへの手動クエリ)。

12. 性能仕様

基準目標根拠
QA遅延< 100 ms(p95)許容可能なユーザーインタラクティビティ
KG構築< 1分 / 短文書1,000件実用性
QAメモリフットプリント< 4 GB RAM一般的なPCで実行可能
KGサイズ1,000万トリプル以上にスケーラブルベンチマークに十分なカバレッジ
QA精度≥ 50% F1(単純なベンチマーク)解釈可能性と経済性が主な論点
追跡可能性回答の100%が説明付き記号アプローチの主要な利点

13. リスクと軽減策

リスク確率影響軽減策
LLMと比較してQA性能が不十分高中解釈可能性/経済性に焦点
自動KGの品質が不十分中高ルールの反復、LLM監督
マルチホップ質問の複雑さ高中≤ 3ホップに制限、制限を文書化
依存関係のライセンス非互換低高体系的なライセンス監査
監督用のオープンウェイトLLMが不十分中中複数モデルのテストと組み合わせ
大規模でのKGカバレッジの限界中中QALDから開始し、その後スケールアップ

14. 成功基準

  1. QAシステムが推論時にGPUなしで完全にCPU上で動作する。
  2. KGが自然言語文書から自動的に構築される。
  3. 性能が2つ以上の認知されたパブリックベンチマークで測定される。
  4. 回答の100%に説明トレースが伴う。
  5. エネルギー消費が測定されGPUベースラインと比較される。
  6. コードが互換性のある依存関係と共にHippocratic 3.0ライセンスの下で公開される。
  7. システムが指定されたハードウェア上でDockerを介して再現可能である。
  8. 開発がサンドボックス内でオープンウェイトLLMにより完全に実施される。

15. 参考文献

  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.