1. Podsumowanie wyzwania
Celem wyzwania jest zaprojektowanie, wdrożenie i ocena systemu pytań i odpowiedzi (QA) działającego wyłącznie na CPU, opartego na architekturze czysto symbolicznej (leksykon, gramatyki, graf wiedzy, logika formalna). Cały rozwój systemu jest prowadzony przez skwantyzowane LLM z otwartymi wagami, wykonywalne na sprzęcie konsumenckim (i9 CPU, RTX 3090).
Projekt ten wpisuje się w ruch Green AI (Schwartz et al., 2020) i Frugal AI, w opozycji do wyścigu w kierunku coraz większych modeli, których ślad węglowy stał się alarmujący (Kim et al., 2026; Hasan et al., 2025). Odpowiada również na rosnące wymagania dotyczące przejrzystości, wyjaśnialności i zgodności regulacyjnej narzucane przez RODO i europejski AI Act (Wagner et al., 2025; Juliussen, 2025).
- Czysto symboliczny system QA (brak sieci neuronowej przy wnioskowaniu)
- CPU-only w czasie działania (brak GPU)
- Automatyczna budowa KG z dokumentów w języku naturalnym
- Rozwój w całości nadzorowany przez skwantyzowane LLM z otwartymi wagami
- Natywna zgodność z RODO / AI Act z założenia (naturalna interpretowalność)
- Licencja etyczna (Hippocratic 3.0)
2. Kontekst i pozycjonowanie naukowe
2.1. Sformułowanie problemu
Obecne systemy QA opierają się w dużej mierze na LLM (GPT, LLaMA itd.), które wymagają kosztownych GPU do wnioskowania i rodzą problemy z halucynacjami, odtwarzalnością, wyjaśnialnością oraz suwerennością danych. Działają jak czarne skrzynki i trudno je dostosować do wymagań europejskiego AI Act (artykuł 13) dotyczących przejrzystości systemów wysokiego ryzyka (Wagner, 2025; Boshnjakovski, 2025).
2.2. Stan wiedzy
Podejścia neurosymboliczne i KG-QA
Najnowsza literatura zmierza ku integracji grafów wiedzy (KG) i wnioskowania symbolicznego w celu przezwyciężenia ograniczeń podejść czysto neuronowych:
- Cheng et al. (2025), "Neural-symbolic methods for knowledge graph reasoning" (ACM TKDD) — rozróżniają podejścia do uzupełniania KG, odpowiadania na złożone zapytania i uczenia reguł logicznych; identyfikują potencjał czystych metod symbolicznych dla interpretowalności.
- Niu et al. (2026), "A Comprehensive Survey of Knowledge Graph Reasoning" (IEEE Trans. Big Data) — obejmują wnioskowanie wieloetapowe na KG, w tym podejścia Inductive Logic Programming (ILP).
- Linders & Tomczak (2025), "Knowledge graph-extended RAG for QA" (Applied Intelligence) — wykazują, że KG umożliwiają wnioskowanie symboliczne i weryfikowalne odpowiedzi.
- Chudasama et al. (2025), "Toward interpretable hybrid AI" (IEEE Access) — proponują TrustKG łączący interpretowalność symboliczną z KG.
- Agarwal & Bedathur (2025), "A Zero-Shot Neuro-Symbolic Approach for Complex KGQA" (EMNLP Findings 2025).
- Liu et al. (2025), "SymAgent" (TheWebConf 2025) — samouczący się agent symboliczny do KGQA.
Automatyczna budowa grafów wiedzy
- Zavarella (2026), "Methods for KG Construction from Text Collections" (arXiv) — framework łączący NLP, ML i Semantic Web.
- Salman et al. (2024), "Doc-KG" (Expert Systems) — budowa KG z dokumentów nieustrukturyzowanych.
- Chen et al. (2025), "Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs" (TheWebConf 2025).
Wydajność CPU i podejścia lekkie
- 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) potwierdzają, że „spaCy zapewnia lekką ekstrakcję o wysokiej precyzji, wydajną na standardowym CPU".
- Okechukwu et al. (2025) potwierdzają, że „spaCy i NLTK działają wydajnie na standardowych CPU".
Wpływ ekologiczny AI
- Kim & Yoo (2026), "Toward Sustainable AI" (IEEE Access) — ślad węglowy centrów danych AI potroił się między 2024 a 2025 rokiem.
- Hasan et al. (2025), "Carbon emission quantification of ML" (IEEE Trans.).
- Tunzina et al. (2026), "GreenAI: Environmental Efficiency in LLM-Generated Code" (IEEE Access).
Zgodność z RODO i 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. Cele
Cel główny
Wykazać wykonalność i ocenić wydajność czysto symbolicznego systemu QA działającego wyłącznie na CPU, którego graf wiedzy jest budowany automatycznie z dokumentów w języku naturalnym.
Cele drugorzędne
- Osiągnąć konkurencyjną wydajność na uznanych benchmarkach KGQA.
- Zmierzyć i porównać ślad energetyczny (CPU vs GPU), aby wykazać korzyść ekologiczną.
- Wykazać naturalną interpretowalność systemu (identyfikowalność każdej odpowiedzi).
- Dostarczyć odtwarzalne, udokumentowane oprogramowanie na licencji etycznej.
4. Architektura i specyfikacje techniczne
4.1. Architektura ogólna
System dzieli się na dwie odrębne fazy:
Faza 1 — Budowa grafu wiedzy (offline, GPU dozwolone)
Dokumenty NL → Preprocessing → NER → Ekstrakcja relacji → Rozwiązywanie koreferencji
→ Budowa KG (trójki RDF/OWL) → Przechowywanie grafu
Faza 2 — Pytania i odpowiedzi (runtime, ściśle CPU-only)
Pytanie NL → Analiza składniowo-semantyczna → Transformacja do zapytania formalnego
→ Przeszukiwanie KG → Wnioskowanie logiczne → Generowanie odpowiedzi
→ Ślad wyjaśnienia
4.2. Specyfikacje sprzętowe
| Komponent | Faza 1 (Budowa KG) | Faza 2 (Runtime QA) |
|---|---|---|
| CPU | Intel Core i9 (maks.) | Intel Core i9 (maks.) |
| GPU | NVIDIA RTX 3090 (24 GB VRAM) | Brak (ściśle CPU-only) |
| RAM | 32 GB (maks.) | 32 GB (wystarczające) |
| Pamięć masowa | NVMe SSD | NVMe SSD |
Uzasadnienie: Faza 1 może wykorzystywać GPU do uruchamiania skwantyzowanych LLM z otwartymi wagami, które nadzorują budowę potoku. Faza 2, stanowiąca system wdrożeniowy, musi być ściśle CPU-only, aby zagwarantować dostępność, suwerenność i oszczędność.
4.3. Środowisko deweloperskie
- Sandbox: rozwój w izolowanym środowisku dla bezpieczeństwa i odtwarzalności.
- Docelowy OS: Linux (cel główny), z pożądaną przenośnością na Windows/macOS.
- Język(i): dowolny wybór, pod warunkiem zgodności zależności z ograniczeniami licencyjnymi (sekcja 6).
4.4. Nadzór LLM
Rozwój systemu jest w całości prowadzony przez jeden lub więcej LLM z otwartymi wagami, wykonywalnymi lokalnie na określonym sprzęcie (Faza 1). Wybór modeli, kwantyzacji i frameworka wnioskowania jest pozostawiony uczestnikowi.
5. Proponowana architektura potoku
Poniższy podział jest przedstawiony jako wytyczna. Uczestnicy mogą zaproponować inną architekturę, pod warunkiem spełnienia ograniczeń funkcjonalnych (sekcje 3, 4 i 12) oraz wymagań licencyjnych (sekcja 6).
5.1. Preprocessing tekstu
- Segmentacja zdań
- Tokenizacja
- Lematyzacja
- Tagowanie części mowy
- Analiza zależności
5.2. Rozpoznawanie encji nazwanych (NER)
- Wykrywanie encji (osoby, lokalizacje, organizacje, daty, pojęcia)
- Typowanie encji zgodnie z ontologią dziedzinową
- Rozwiązywanie koreferencji
5.3. Ekstrakcja relacji (RE)
- Ekstrakcja trójek (podmiot, predykat, dopełnienie) z tekstu
- Ekstrakcja otwarta lub sterowana wzorcami
5.4. Budowa grafu wiedzy
- Normalizacja i scalanie encji (entity linking)
- Budowa i przechowywanie grafu (trójki)
- Wzbogacanie przez wnioskowanie ukrytych relacji
- Walidacja i czyszczenie grafu
5.5. Rozumienie pytań
- Analiza składniowa pytania w języku naturalnym
- Identyfikacja typu pytania (kto, co, gdzie, kiedy…)
- Ekstrakcja wspomnianych encji i relacji
- Transformacja do zapytania formalnego na grafie
5.6. Wnioskowanie i wyszukiwanie odpowiedzi
- Przeszukiwanie grafu wiedzy (wnioskowanie wieloetapowe)
- Rozstrzyganie logiczne i ranking odpowiedzi kandydujących
5.7. Generowanie odpowiedzi i wyjaśnień
- Formułowanie odpowiedzi w języku naturalnym
- Pełny ślad wyjaśnienia: ścieżka w KG, zastosowane reguły, zaangażowane encje i relacje, pewność/kompletność
6. Ograniczenia licencyjne
6.1. Hippocratic License 3.0 (HL3)
Końcowe oprogramowanie zostanie opublikowane na licencji Hippocratic License 3.0 (firstdonoharm.dev). Licencja ta:
- Nie jest uznawana za open source w rozumieniu OSI (etyczne ograniczenia użytkowania).
- Jest licencją copyleft (sekcja 8.3).
- Nakłada standardy etyczne oparte na podstawowych prawach człowieka (UDHR, ICESCR, ICCPR, ILO).
6.2. Kompatybilność zależności
| Licencja | Kompatybilna z HL3 | Przykłady |
|---|---|---|
| MIT | ✅ Tak | — |
| BSD (2/3-clause) | ✅ Tak | — |
| Apache 2.0 | ✅ Tak | — |
| ISC / CC0 | ✅ Tak | — |
| GPL v2/v3 | ⚠️ Potencjalnie niekompatybilna | — |
| AGPL | ❌ Prawdopodobnie niekompatybilna | — |
6.3. Zalecane opcjonalne moduły HL3
- HL3-ECO (Ekobójstwo) — zgodne z celem ograniczenia wpływu ekologicznego.
- HL3-MEDIA — zakaz użycia do promowania przemocy.
- HL3-SV (Masowa inwigilacja) — zgodne z suwerennością i prywatnością.
7. Zgodność regulacyjna
7.1. RODO
| Zasada RODO | Implementacja |
|---|---|
| Minimalizacja danych (art. 5.1.c) | KG przechowuje jedynie istotne wyekstrahowane trójki, nie surowe dane osobowe. |
| Prawo do wyjaśnienia (art. 22 + motyw 71) | Pełny ślad wyjaśnienia dla każdej odpowiedzi. |
| Prawo do usunięcia (art. 17) | Możliwość usuwania encji/trójek z KG. |
| Ochrona prywatności z założenia (art. 25) | Brak danych wrażliwych w KG, chyba że jest to udokumentowana konieczność. |
| Brak automatycznego profilowania (art. 22) | System nie podejmuje zautomatyzowanych decyzji dotyczących osób. |
7.2. Europejski AI Act
| Wymóg AI Act | Zgodność |
|---|---|
| Przejrzystość (art. 13) | Naturalnie interpretowalna architektura symboliczna — każdy krok wnioskowania jest identyfikowalny. |
| Wyjaśnialność (art. 13.1) | Pełny ślad: pytanie → zapytanie formalne → ścieżka KG → odpowiedź. |
| Dokumentacja techniczna (art. 11) | W pełni dokumentowalny potok symboliczny (gramatyki, reguły, ontologia). |
| Odporność i dokładność (art. 15) | Brak halucynacji — odpowiedzi pochodzą wyłącznie z KG. |
| Nadzór człowieka (art. 14) | KG jest inspekcjowalny i modyfikowalny przez człowieka. |
| Zarządzanie ryzykiem (art. 9) | Niskie ryzyko: brak nieprzejrzystego modelu, brak emergentnego obciążenia. |
8. Wpływ ekologiczny
8.1. Problem
- Trening GPT-3 zużył około 1 287 MWh, tj. ~552 tony CO₂.
- Centra danych AI odnotowały potrojenie śladu węglowego między 2024 a 2025 rokiem (Awab, 2026).
- Zapytanie do LLM zużywa około 10× więcej energii niż standardowe wyszukiwanie internetowe (Kim & Yoo, 2026).
8.2. Zalety symbolicznego systemu CPU-only
| Metryka | System LLM (GPU) | Wyzwanie AI (CPU-only) | Szacowany zysk |
|---|---|---|---|
| Moc chwilowa | 300-400 W (GPU) | 65-125 W (CPU) | ~3-5× |
| Opóźnienie na zapytanie | 0,5-5 s | < 100 ms (cel) | ~5-50× |
| Energia na zapytanie | ~0,001-0,01 kWh | ~0,000001-0,00001 kWh | ~100-1000× |
| Wymagany sprzęt | GPU ≥ 6 000 € | CPU konsumencki < 500 € | ~12× |
8.3. Obowiązkowy pomiar
Projekt musi zmierzyć i zaraportować:
- Zużycie energii (kWh) na budowę KG.
- Zużycie energii na zapytanie QA.
- Odpowiadający ślad CO₂.
- Porównanie z systemem bazowym GPU.
9. Odtwarzalność
- Kompletny kod źródłowy: opublikowany w publicznym repozytorium, na licencji HL3.
- Instrukcje instalacji: automatyczny skrypt lub konteneryzacja.
- Dane testowe: wyłączne użycie publicznych benchmarków.
- Ziarna losowe: ustalone i udokumentowane dla każdego komponentu stochastycznego.
- Wersjonowanie zależności: plik z przypiętymi zależnościami.
- Konteneryzacja: kompletny system musi być odtwarzalnie uruchamialny.
- Udokumentowany minimalny sprzęt: jawnie określone minimalne specyfikacje.
Maksymalny wymagany sprzęt (i9 + RTX 3090) jest dostępny dla szerokiej publiczności. Faza 2 (runtime QA) nie wymaga żadnego GPU, umożliwiając uruchomienie na prostym laptopie.
10. Suwerenność, bezpieczeństwo i prywatność
Suwerenność cyfrowa
- Brak zależności od chmury — w pełni lokalne działanie.
- Brak wywołań zewnętrznych API — żadne dane nie opuszczają maszyny.
- LLM z otwartymi wagami do pobrania i uruchomienia lokalnie.
- Brak uzależnienia od dostawcy.
Bezpieczeństwo
- Wykonanie w piaskownicy (izolowane środowisko).
- Brak arbitralnego wykonania kodu.
- Brak prompt injection (brak LLM przy wnioskowaniu).
- Walidacja wejścia za pomocą gramatyki formalnej.
Prywatność
- Wyłącznie lokalne przetwarzanie — dokumenty nigdy nie opuszczają maszyny.
- Brak telemetrii.
- KG usuwalny na żądanie.
- Możliwość tworzenia oddzielnych KG na użytkownika lub na dziedzinę.
11. Benchmarki i ewaluacja
11.1. Uznane benchmarki KGQA
System musi być oceniony na co najmniej dwóch z następujących benchmarków:
| Benchmark | Opis | Rozmiar | Źródło |
|---|---|---|---|
| SimpleQuestions | Proste pytania faktograficzne o Freebase | ~100K pytań | ACL |
| WebQuestionsSP | Pytania z sieci z adnotacjami SPARQL | ~4 737 pytań | ACL |
| LC-QuAD 2.0 | Złożone pytania o DBpedia/Wikidata | ~30K pytań | ISWC |
| ComplexWebQuestions | Pytania wieloetapowe o Freebase | ~34K pytań | NAACL |
| QALD | Wielojęzyczne wyzwanie, mały rozmiar | ~400-500 pytań | CLEF/ESWC |
| MINTQA | Nowy benchmark dla LLM+KG na rzadkich encjach | Zmienny | EMNLP 2025 |
| SQuAD 2.0 | Ekstrakcyjne QA na akapitach | ~150K pytań | ACL |
| Natural Questions | Prawdziwe pytania z Google | ~307K pytań | TACL |
| TriviaQA | QA z zagadkami z dokumentami wspierającymi | ~95K pytań | ACL |
Zalecenie: priorytetowo traktować LC-QuAD 2.0 i QALD, uzupełnione o SQuAD lub Natural Questions do porównania z podejściami neuronowymi.
11.2. Metryki ewaluacji
| Kategoria | Metryka | Opis |
|---|---|---|
| Wydajność QA | F1 score, Exact Match (EM) | Precyzja odpowiedzi |
| Wydajność QA | Hits@1, Hits@5 | Procent poprawnych odpowiedzi w top-k |
| Wydajność QA | MRR | Średnia ranga poprawnej odpowiedzi |
| Opóźnienie | Średni/p95 czas odpowiedzi (ms) | Mierzone wyłącznie na CPU |
| Przepustowość | Pytania/sekundę | Przepustowość |
| Ekologia | kWh/zapytanie, gCO₂/zapytanie | Przez codecarbon/carbontracker |
| Wyjaśnialność | Wskaźnik identyfikowalności | % odpowiedzi z pełnym śladem (cel: 100%) |
| Pokrycie KG | Trójki, encje, relacje | Statystyki opisowe |
11.3. Bazy porównawcze
- RAG + LLM (GPU): bazowy system neuronowy na GPU.
- KG-RAG (GPU): hybrydowy bazowy system KG + LLM.
- Direct SPARQL: bazowy system czysto symboliczny (ręczne zapytania na tym samym KG).
12. Specyfikacje wydajności
| Kryterium | Cel | Uzasadnienie |
|---|---|---|
| Opóźnienie QA | < 100 ms (p95) | Akceptowalna interaktywność użytkownika |
| Budowa KG | < 1 min / 1 000 krótkich dokumentów | Praktyczność |
| Zużycie pamięci QA | < 4 GB RAM | Uruchamialne na skromnym PC |
| Rozmiar KG | Skalowalne do 10M+ trójek | Wystarczające pokrycie dla benchmarków |
| Precyzja QA | ≥ 50% F1 na prostych benchmarkach | Interpretowalność i oszczędność jako główne argumenty |
| Identyfikowalność | 100% odpowiedzi z wyjaśnieniem | Kluczowa zaleta podejścia symbolicznego |
13. Ryzyka i środki zaradcze
| Ryzyko | Prawdopodobieństwo | Wpływ | Środki zaradcze |
|---|---|---|---|
| Niedostateczna wydajność QA vs LLM | Wysokie | Średni | Nacisk na interpretowalność/oszczędność |
| Niedostateczna jakość automatycznego KG | Średnie | Wysoki | Iteracja reguł, nadzór LLM |
| Złożoność pytań wieloetapowych | Wysokie | Średni | Ograniczenie do ≤ 3 skoków, dokumentacja ograniczeń |
| Niekompatybilność licencji zależności | Niskie | Wysoki | Systematyczny audyt licencji |
| LLM z otwartymi wagami niewystarczający do nadzoru | Średnie | Średni | Testowanie i łączenie wielu modeli |
| Ograniczone pokrycie KG w skali | Średnie | Średni | Rozpoczęcie od QALD, następnie skalowanie |
14. Kryteria sukcesu
- System QA działa w całości na CPU bez GPU przy wnioskowaniu.
- KG jest budowany automatycznie z dokumentów w języku naturalnym.
- Wydajność jest mierzona na ≥ 2 uznanych publicznych benchmarkach.
- 100% odpowiedzi zawiera ślad wyjaśnienia.
- Zużycie energii jest mierzone i porównywane z bazowym systemem GPU.
- Kod jest opublikowany na licencji Hippocratic 3.0 z kompatybilnymi zależnościami.
- System jest odtwarzalny przez Docker na określonym sprzęcie.
- Rozwój jest w całości prowadzony przez LLM z otwartymi wagami w piaskownicy.
15. Bibliografia
- 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.