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-uitdaging

Ontwerp een CPU-only, zuiver symbolisch Vraag/Antwoord-systeem waarvan de kennisgraaf automatisch wordt opgebouwd uit natuurlijke-taaldocumenten.

Green AI • CPU-only • Symbolisch • Verklaarbaar

1. Samenvatting van de uitdaging

De uitdaging beoogt het ontwerpen, implementeren en evalueren van een vraag/antwoord-systeem (QA) dat uitsluitend op CPU draait, gebaseerd op een zuiver symbolische architectuur (lexicon, grammatica's, kennisgraaf, formele logica). De volledige systeemontwikkeling wordt aangestuurd door gekwantiseerde open-weights LLMs, uitvoerbaar op consumenten-hardware (i9 CPU, RTX 3090).

Dit project past binnen de Green AI-beweging (Schwartz et al., 2020) en Frugal AI, in tegenstelling tot de race naar steeds grotere modellen waarvan de koolstofvoetafdruk alarmerend is geworden (Kim et al., 2026; Hasan et al., 2025). Het beantwoordt ook de groeiende eisen aan transparantie, verklaarbaarheid en wettelijke conformiteit opgelegd door de AVG en de Europese AI Act (Wagner et al., 2025; Juliussen, 2025).

Originaliteit: Geen bestaand werk combineert gelijktijdig de volgende beperkingen:
  1. Zuiver symbolisch QA-systeem (geen neuraal netwerk bij inferentie)
  2. CPU-only tijdens runtime (geen GPU vereist)
  3. Automatische KG-constructie uit natuurlijke-taaldocumenten
  4. Ontwikkeling volledig begeleid door gekwantiseerde open-weights LLMs
  5. Native AVG/AI-Act-conformiteit by design (intrinsieke interpreteerbaarheid)
  6. Ethische licentie (Hippocratic 3.0)

2. Context en wetenschappelijke positionering

2.1. Probleemstelling

Huidige QA-systemen leunen sterk op LLMs (GPT, LLaMA, enz.) die dure GPU's vereisen voor inferentie en problemen oproepen van hallucinatie, reproduceerbaarheid, verklaarbaarheid en datasoevereiniteit. Ze werken als zwarte dozen en zijn moeilijk in overeenstemming te brengen met de eisen van de Europese AI Act (Artikel 13) betreffende transparantie van hoog-risicosystemen (Wagner, 2025; Boshnjakovski, 2025).

2.2. Stand van de techniek

Neuro-symbolische benaderingen en KG-QA

De recente literatuur convergeert naar de integratie van kennisgrafen (KG) en symbolisch redeneren om de beperkingen van zuiver neurale benaderingen te adresseren:

Automatische kennisgraaf-constructie

CPU-efficiëntie en lichtgewicht benaderingen

Ecologische impact van AI

AVG- en AI-Act-conformiteit

3. Doelstellingen

Hoofddoelstelling

De haalbaarheid aantonen en de prestaties evalueren van een CPU-only, zuiver symbolisch QA-systeem waarvan de kennisgraaf automatisch wordt opgebouwd uit natuurlijke-taaldocumenten.

Secundaire doelstellingen

  1. Competitieve prestaties behalen op erkende KGQA-benchmarks.
  2. De energievoetafdruk (CPU vs. GPU) meten en vergelijken om het ecologische voordeel aan te tonen.
  3. De intrinsieke interpreteerbaarheid van het systeem demonstreren (traceerbaarheid van elk antwoord).
  4. Reproduceerbare, gedocumenteerde software onder een ethische licentie leveren.

4. Architectuur & technische specificaties

4.1. Algemene architectuur

Het systeem is verdeeld in twee afzonderlijke fasen:

Fase 1 — Kennisgraaf-constructie (offline, GPU toegestaan)

NL-documenten → Voorverwerking → NER → Relatie-extractie → Coreferentieresolutie
    → KG-constructie (RDF/OWL-triples) → Graaf-opslag

Fase 2 — Vraag/Antwoord (runtime, strikt CPU-only)

NL-vraag → Syntactische/Semantische analyse → Transformatie naar formele query
    → KG-traversatie → Logisch redeneren → Antwoordgeneratie
    → Verklaringsspoor

4.2. Hardwarespecificaties

ComponentFase 1 (KG-constructie)Fase 2 (QA-runtime)
CPUIntel Core i9 (max)Intel Core i9 (max)
GPUNVIDIA RTX 3090 (24 GB VRAM)Geen (strikt CPU-only)
RAM32 GB (max)32 GB (voldoende)
OpslagNVMe SSDNVMe SSD

Rechtvaardiging: Fase 1 mag de GPU gebruiken om de gekwantiseerde open-weights LLMs uit te voeren die de pipeline-constructie begeleiden. Fase 2, die het implementeerbare systeem vormt, moet strikt CPU-only zijn om toegankelijkheid, soevereiniteit en zuinigheid te garanderen.

4.3. Ontwikkelomgeving

4.4. LLM-begeleiding

De systeemontwikkeling wordt volledig aangestuurd door een of meer open-weights LLMs, lokaal uitvoerbaar op de gespecificeerde hardware (Fase 1). De keuze van modellen, kwantisering en inferentie-framework wordt aan de deelnemer overgelaten.

5. Voorgestelde pipeline-architectuur

De volgende opsplitsing wordt gegeven als richtlijn. Deelnemers zijn vrij om een andere architectuur voor te stellen, mits zij voldoen aan de functionele beperkingen (secties 3, 4 en 12) en licentie-eisen (sectie 6).

5.1. Tekstvoorverwerking

  • Zinssegmentatie
  • Tokenisatie
  • Lemmatisering
  • Part-of-speech-tagging
  • Dependency parsing

5.2. Herkenning van benoemde entiteiten (NER)

  • Detectie van entiteiten (personen, locaties, organisaties, datums, concepten)
  • Entiteitstypering volgens een domeinontologie
  • Coreferentieresolutie

5.3. Relatie-extractie (RE)

  • Triple-extractie (subject, predicaat, object) uit tekst
  • Open of patroongeleide extractie

5.4. Kennisgraaf-constructie

  • Entiteitsnormalisatie en -samenvoeging (entity linking)
  • Graaf-constructie en -opslag (triples)
  • Verrijking door inferentie van impliciete relaties
  • Graaf-validatie en -opschoning

5.5. Vraagbegrip

  • Syntactische analyse van de natuurlijke-taalvraag
  • Identificatie van het vraagtype (wie, wat, waar, wanneer…)
  • Extractie van genoemde entiteiten en relaties
  • Transformatie naar een formele query op de graaf

5.6. Redeneren & antwoordzoeken

  • Kennisgraaf-traversatie (multi-hop redeneren)
  • Logische resolutie en rangschikking van kandidaat-antwoorden

5.7. Antwoordgeneratie & verklaringen

  • Antwoordformulering in natuurlijke taal
  • Volledig verklaringsspoor: pad in de KG, toegepaste regels, betrokken entiteiten en relaties, betrouwbaarheid/volledigheid

6. Licentiebeperkingen

6.1. Hippocratic License 3.0 (HL3)

De uiteindelijke software wordt gepubliceerd onder de Hippocratic License 3.0 (firstdonoharm.dev). Deze licentie:

6.2. Afhankelijkheidscompatibiliteit

LicentieHL3-compatibelVoorbeelden
MIT✅ Ja—
BSD (2/3-clausule)✅ Ja—
Apache 2.0✅ Ja—
ISC / CC0✅ Ja—
GPL v2/v3⚠️ Potentieel incompatibel—
AGPL❌ Waarschijnlijk incompatibel—

6.3. Aanbevolen optionele HL3-modules

7. Wettelijke conformiteit

7.1. AVG

AVG-beginselImplementatie
Dataminimalisatie (Art. 5.1.c)De KG slaat alleen relevante geëxtraheerde triples op, geen ruwe persoonsgegevens.
Recht op uitleg (Art. 22 + overweging 71)Volledig verklaringsspoor voor elk antwoord.
Recht op wissing (Art. 17)Mogelijkheid om entiteiten/triples uit de KG te verwijderen.
Privacy by design (Art. 25)Geen gevoelige gegevens in de KG tenzij gedocumenteerde noodzaak.
Geen geautomatiseerde profilering (Art. 22)Het systeem neemt geen geautomatiseerde beslissingen over individuen.

7.2. Europese AI Act

AI-Act-vereisteConformiteit
Transparantie (Art. 13)Intrinsiek interpreteerbare symbolische architectuur — elke redeneerstap is traceerbaar.
Verklaarbaarheid (Art. 13.1)Volledig spoor: vraag → formele query → KG-pad → antwoord.
Technische documentatie (Art. 11)Volledig documenteerbare symbolische pipeline (grammatica's, regels, ontologie).
Robuustheid en nauwkeurigheid (Art. 15)Geen hallucinatie — antwoorden komen uitsluitend uit de KG.
Menselijk toezicht (Art. 14)De KG is inspecteerbaar en aanpasbaar door een mens.
Risicobeheer (Art. 9)Laag risico: geen opaak model, geen emergente bias.
Kernargument: Een zuiver symbolisch systeem is van nature conform met de transparantie- en verklaarbaarheids-eisen van de AI Act, in tegenstelling tot LLM-gebaseerde systemen die aanvullende XAI-lagen vereisen (Goncalves & Correia, 2026; Wagner et al., 2025).

8. Ecologische impact

8.1. Het probleem

8.2. Voordeel van symbolisch CPU-only

MetriekLLM-systeem (GPU)AI-uitdaging (CPU-only)Geschatte winst
Momentaan vermogen300-400 W (GPU)65-125 W (CPU)~3-5×
Latentie per query0,5-5 s< 100 ms (doel)~5-50×
Energie per query~0,001-0,01 kWh~0,000001-0,00001 kWh~100-1000×
Vereiste hardwareGPU ≥ € 6.000Consumenten-CPU < € 500~12×

8.3. Verplichte meting

Het project moet meten en rapporteren:

9. Reproduceerbaarheid

  1. Volledige broncode: gepubliceerd op een openbare repository, onder HL3-licentie.
  2. Installatie-instructies: geautomatiseerd script of containerisatie.
  3. Testgegevens: uitsluitend gebruik van openbare benchmarks.
  4. Willekeurige seeds: vastgelegd en gedocumenteerd voor elke stochastische component.
  5. Afhankelijkheidsversiebeheer: vastgezet afhankelijkheidsbestand.
  6. Containerisatie: het volledige systeem moet reproduceerbaar uitvoerbaar zijn.
  7. Gedocumenteerde minimale hardware: expliciete minimumspecificaties.

De maximaal vereiste hardware (i9 + RTX 3090) is toegankelijk voor een breed publiek. Fase 2 (QA-runtime) vereist geen GPU, waardoor uitvoering op een eenvoudige laptop mogelijk is.

10. Soevereiniteit, veiligheid & privacy

Digitale soevereiniteit

  • Geen cloud-afhankelijkheid — volledig lokale werking.
  • Geen externe API-aanroepen — geen gegevens verlaten de machine.
  • Open-weights LLMs lokaal downloadbaar en uitvoerbaar.
  • Geen vendor lock-in.

Veiligheid

  • Sandbox-uitvoering (geïsoleerde omgeving).
  • Geen willekeurige code-uitvoering.
  • Geen prompt injection (geen LLM bij inferentie).
  • Invoervalidatie via formele grammatica.

Privacy

  • Uitsluitend lokale verwerking — documenten verlaten nooit de machine.
  • Geen telemetrie.
  • KG op verzoek wisbaar.
  • Mogelijkheid om afzonderlijke KG's per gebruiker of per domein te instantiëren.

11. Benchmarks & evaluatie

11.1. Erkende KGQA-benchmarks

Het systeem moet worden geëvalueerd op ten minste twee van de volgende benchmarks:

BenchmarkBeschrijvingOmvangReferentie
SimpleQuestionsEenvoudige feitelijke vragen op Freebase~100K vragenACL
WebQuestionsSPWebvragen met SPARQL-annotaties~4.737 vragenACL
LC-QuAD 2.0Complexe vragen op DBpedia/Wikidata~30K vragenISWC
ComplexWebQuestionsMulti-hop-vragen op Freebase~34K vragenNAACL
QALDMeertalige uitdaging, kleine omvang~400-500 vragenCLEF/ESWC
MINTQARecente benchmark voor LLM+KG op zeldzame entiteitenVariabelEMNLP 2025
SQuAD 2.0Extractieve QA op paragrafen~150K vragenACL
Natural QuestionsEchte Google-vragen~307K vragenTACL
TriviaQATrivia-QA met ondersteunende documenten~95K vragenACL

Aanbeveling: prioriteer LC-QuAD 2.0 en QALD, aangevuld met SQuAD of Natural Questions voor vergelijking met neurale benaderingen.

11.2. Evaluatiemetrieken

CategorieMetriekBeschrijving
QA-prestatieF1-score, Exact Match (EM)Antwoordprecisie
QA-prestatieHits@1, Hits@5Percentage juiste antwoorden in top-k
QA-prestatieMRRGemiddelde rang van het juiste antwoord
LatentieGemiddelde/p95-responstijd (ms)Alleen op CPU gemeten
DoorvoerVragen/secondeDoorvoer
EcologiekWh/query, gCO₂/queryVia codecarbon/carbontracker
VerklaarbaarheidTraceerbaarheidspercentage% antwoorden met volledig spoor (doel: 100%)
KG-dekkingTriples, entiteiten, relatiesBeschrijvende statistieken

11.3. Vergelijkingsbaselines

  1. RAG + LLM (GPU): neurale baseline op GPU.
  2. KG-RAG (GPU): hybride KG + LLM baseline.
  3. Direct SPARQL: zuiver symbolische baseline (handmatige queries op dezelfde KG).

12. Prestatiespecificaties

CriteriumDoelRechtvaardiging
QA-latentie< 100 ms (p95)Acceptabele gebruikersinteractiviteit
KG-constructie< 1 min / 1.000 korte documentenBruikbaarheid
QA-geheugenvoetafdruk< 4 GB RAMUitvoerbaar op bescheiden PC
KG-omvangSchaalbaar naar 10M+ triplesVoldoende dekking voor benchmarks
QA-precisie≥ 50% F1 op eenvoudige benchmarksInterpreteerbaarheid en zuinigheid als belangrijkste argumenten
Traceerbaarheid100% van de antwoorden verklaardBelangrijkste voordeel van de symbolische aanpak

13. Risico's & mitigaties

RisicoWaarschijnlijkheidImpactMitigatie
Onvoldoende QA-prestatie vs. LLMHoogGemiddeldFocus op interpreteerbaarheid/zuinigheid
Onvoldoende kwaliteit van automatische KGGemiddeldHoogRegels itereren, LLM-begeleiding
Complexiteit van multi-hop-vragenHoogGemiddeldBeperken tot ≤ 3 hops, beperkingen documenteren
Licentie-incompatibiliteit van afhankelijkhedenLaagHoogSystematische licentie-audit
Open-weights LLM onvoldoende voor begeleidingGemiddeldGemiddeldMeerdere modellen testen en combineren
Beperkte KG-dekking op schaalGemiddeldGemiddeldBeginnen met QALD, dan opschalen

14. Succescriteria

  1. Het QA-systeem werkt volledig op CPU zonder GPU bij inferentie.
  2. De KG wordt automatisch opgebouwd uit natuurlijke-taaldocumenten.
  3. De prestaties worden gemeten op ≥ 2 erkende openbare benchmarks.
  4. 100% van de antwoorden gaat vergezeld van een verklaringsspoor.
  5. Het energieverbruik wordt gemeten en vergeleken met een GPU-baseline.
  6. De code wordt gepubliceerd onder Hippocratic 3.0 licentie met compatibele afhankelijkheden.
  7. Het systeem is reproduceerbaar via Docker op de gespecificeerde hardware.
  8. De ontwikkeling wordt volledig uitgevoerd door open-weights LLMs in een sandbox.

15. Bibliografische referenties

  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.