1. Resumo do desafio
O desafio visa conceber, implementar e avaliar um sistema de pergunta/resposta (QA) executável exclusivamente em CPU, baseado numa arquitetura puramente simbólica (léxico, gramáticas, grafo de conhecimento, lógica formal). Todo o desenvolvimento do sistema é conduzido por LLMs open-weights quantizados, executáveis em hardware de consumo (CPU i9, RTX 3090).
Este projeto insere-se no movimento da Green AI (Schwartz et al., 2020) e da Frugal AI, em oposição à corrida para modelos cada vez maiores cuja pegada de carbono se tornou alarmante (Kim et al., 2026; Hasan et al., 2025). Responde igualmente às crescentes exigências de transparência, explicabilidade e conformidade regulamentar impostas pelo RGPD e pelo European AI Act (Wagner et al., 2025; Juliussen, 2025).
- Sistema QA puramente simbólico (sem rede neural na inferência)
- CPU-only em tempo de execução (sem GPU necessária)
- Construção automática do KG a partir de documentos em linguagem natural
- Desenvolvimento inteiramente supervisionado por LLMs open-weights quantizados
- Conformidade nativa RGPD/AI Act by design (interpretabilidade intrínseca)
- Licença ética (Hippocratic 3.0)
2. Contexto e posicionamento científico
2.1. Enunciado do problema
Os sistemas QA atuais dependem fortemente de LLMs (GPT, LLaMA, etc.) que requerem GPUs dispendiosas para inferência, e levantam problemas de alucinação, reprodutibilidade, explicabilidade e soberania dos dados. Funcionam como caixas negras e são difíceis de tornar conformes com os requisitos do European AI Act (Artigo 13) relativos à transparência de sistemas de alto risco (Wagner, 2025; Boshnjakovski, 2025).
2.2. Estado da arte
Abordagens neuro-simbólicas e KG-QA
A literatura recente converge para a integração de grafos de conhecimento (KG) e raciocínio simbólico para abordar as limitações das abordagens puramente neurais:
- Cheng et al. (2025), "Neural-symbolic methods for knowledge graph reasoning" (ACM TKDD) — distinguem completamento de KG, resposta a perguntas complexas e aprendizagem de regras lógicas; identificam o potencial dos métodos puramente simbólicos para interpretabilidade.
- Niu et al. (2026), "A Comprehensive Survey of Knowledge Graph Reasoning" (IEEE Trans. Big Data) — cobrem raciocínio multi-hop em KG, incluindo abordagens de Inductive Logic Programming (ILP).
- Linders & Tomczak (2025), "Knowledge graph-extended RAG for QA" (Applied Intelligence) — demonstram que os KGs permitem raciocínio simbólico e respostas verificáveis.
- Chudasama et al. (2025), "Toward interpretable hybrid AI" (IEEE Access) — propõem TrustKG combinando interpretabilidade simbólica com KG.
- Agarwal & Bedathur (2025), "A Zero-Shot Neuro-Symbolic Approach for Complex KGQA" (EMNLP Findings 2025).
- Liu et al. (2025), "SymAgent" (TheWebConf 2025) — agente simbólico auto-aprendente para KGQA.
Construção automática de grafos de conhecimento
- Zavarella (2026), "Methods for KG Construction from Text Collections" (arXiv) — framework combinando NLP, ML e Semantic Web.
- Salman et al. (2024), "Doc-KG" (Expert Systems) — construção de KG a partir de documentos não estruturados.
- Chen et al. (2025), "Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs" (TheWebConf 2025).
Eficiência CPU e abordagens leves
- 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) confirmam que "spaCy fornece extração leve e de alta precisão, eficiente em CPUs padrão".
- Okechukwu et al. (2025) confirmam que "spaCy e NLTK operam eficientemente em CPUs padrão".
Impacto ecológico da IA
- Kim & Yoo (2026), "Toward Sustainable AI" (IEEE Access) — a pegada de carbono dos centros de dados de IA triplicou entre 2024 e 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).
Conformidade RGPD 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. Objetivos
Objetivo principal
Demonstrar a viabilidade e avaliar o desempenho de um sistema QA CPU-only, puramente simbólico cujo grafo de conhecimento é construído automaticamente a partir de documentos em linguagem natural.
Objetivos secundários
- Alcançar desempenho competitivo em benchmarks KGQA reconhecidos.
- Medir e comparar a pegada energética (CPU vs. GPU) para demonstrar o benefício ecológico.
- Demonstrar a interpretabilidade intrínseca do sistema (rastreabilidade de cada resposta).
- Fornecer software reprodutível e documentado sob licença ética.
4. Arquitetura & especificações técnicas
4.1. Arquitetura geral
O sistema está dividido em duas fases distintas:
Fase 1 — Construção do grafo de conhecimento (offline, GPU permitida)
Documentos NL → Pré-processamento → NER → Extração de relações → Resolução de correferências
→ Construção do KG (triplos RDF/OWL) → Armazenamento do grafo
Fase 2 — Pergunta/Resposta (runtime, estritamente CPU-only)
Pergunta NL → Análise sintática/semântica → Transformação em consulta formal
→ Travessia do KG → Raciocínio lógico → Geração de resposta
→ Rastro de explicação
4.2. Especificações de hardware
| Componente | Fase 1 (Construção KG) | Fase 2 (QA Runtime) |
|---|---|---|
| CPU | Intel Core i9 (máx.) | Intel Core i9 (máx.) |
| GPU | NVIDIA RTX 3090 (24 GB VRAM) | Nenhuma (estritamente CPU-only) |
| RAM | 32 GB (máx.) | 32 GB (suficiente) |
| Armazenamento | NVMe SSD | NVMe SSD |
Justificação: A Fase 1 pode utilizar a GPU para executar os LLMs open-weights quantizados que supervisionam a construção da pipeline. A Fase 2, que constitui o sistema implementável, deve ser estritamente CPU-only para garantir acessibilidade, soberania e frugalidade.
4.3. Ambiente de desenvolvimento
- Sandbox: desenvolvimento em ambiente isolado para segurança e reprodutibilidade.
- SO alvo: Linux (alvo primário), com portabilidade Windows/macOS desejável.
- Linguagem(ns): escolha livre, desde que as dependências cumpram as restrições de licença (secção 6).
4.4. Supervisão LLM
O desenvolvimento do sistema é inteiramente conduzido por um ou mais LLMs open-weights, executáveis localmente no hardware especificado (Fase 1). A escolha dos modelos, quantização e framework de inferência fica a cargo do participante.
5. Arquitetura de pipeline sugerida
A seguinte decomposição é fornecida como orientação. Os participantes são livres de propor uma arquitetura diferente, desde que cumpram as restrições funcionais (secções 3, 4 e 12) e os requisitos de licença (secção 6).
5.1. Pré-processamento de texto
- Segmentação em frases
- Tokenização
- Lematização
- Etiquetagem Part-of-Speech
- Análise de dependências
5.2. Reconhecimento de entidades nomeadas (NER)
- Deteção de entidades (pessoas, locais, organizações, datas, conceitos)
- Tipificação de entidades segundo uma ontologia de domínio
- Resolução de correferências
5.3. Extração de relações (RE)
- Extração de triplos (sujeito, predicado, objeto) a partir do texto
- Extração aberta ou guiada por padrões
5.4. Construção do grafo de conhecimento
- Normalização e fusão de entidades (entity linking)
- Construção e armazenamento do grafo (triplos)
- Enriquecimento por inferência de relações implícitas
- Validação e limpeza do grafo
5.5. Compreensão da pergunta
- Análise sintática da pergunta em linguagem natural
- Identificação do tipo de pergunta (quem, o quê, onde, quando…)
- Extração das entidades e relações mencionadas
- Transformação numa consulta formal sobre o grafo
5.6. Raciocínio & busca de respostas
- Travessia do grafo de conhecimento (raciocínio multi-hop)
- Resolução lógica e classificação das respostas candidatas
5.7. Geração de respostas & explicações
- Formulação da resposta em linguagem natural
- Rastro de explicação completo: caminho no KG, regras aplicadas, entidades e relações envolvidas, confiança/completude
6. Restrições de licença
6.1. Hippocratic License 3.0 (HL3)
O software final será publicado sob Hippocratic License 3.0 (firstdonoharm.dev). Esta licença:
- Não é considerada open source no sentido OSI (restrições éticas de uso).
- É uma licença copyleft (Secção 8.3).
- Impõe padrões éticos baseados nos direitos humanos fundamentais (DUDH, PIDESC, PIDCP, OIT).
6.2. Compatibilidade de dependências
| Licença | Compatível HL3 | Exemplos |
|---|---|---|
| MIT | ✅ Sim | — |
| BSD (2/3 cláusulas) | ✅ Sim | — |
| Apache 2.0 | ✅ Sim | — |
| ISC / CC0 | ✅ Sim | — |
| GPL v2/v3 | ⚠️ Potencialmente incompatível | — |
| AGPL | ❌ Provavelmente incompatível | — |
6.3. Módulos HL3 opcionais recomendados
- HL3-ECO (Ecocídio) — coerente com o objetivo de redução do impacto ecológico.
- HL3-MEDIA — proibição de uso para promoção de violência.
- HL3-SV (Vigilância em massa) — coerente com soberania e privacidade.
7. Conformidade regulamentar
7.1. RGPD
| Princípio RGPD | Implementação |
|---|---|
| Minimização dos dados (Art. 5.1.c) | O KG armazena apenas triplos extraídos relevantes, não dados pessoais brutos. |
| Direito à explicação (Art. 22 + considerando 71) | Rastro de explicação completo para cada resposta. |
| Direito ao apagamento (Art. 17) | Possibilidade de eliminar entidades/triplos do KG. |
| Privacidade desde a conceção (Art. 25) | Sem dados sensíveis no KG sem necessidade documentada. |
| Sem perfilagem automatizada (Art. 22) | O sistema não toma decisões automatizadas sobre indivíduos. |
7.2. European AI Act
| Requisito AI Act | Conformidade |
|---|---|
| Transparência (Art. 13) | Arquitetura simbólica intrinsecamente interpretável — cada passo de raciocínio é rastreável. |
| Explicabilidade (Art. 13.1) | Rastro completo: pergunta → consulta formal → caminho KG → resposta. |
| Documentação técnica (Art. 11) | Pipeline simbólica completamente documentável (gramáticas, regras, ontologia). |
| Robustez e exatidão (Art. 15) | Sem alucinação — as respostas provêm exclusivamente do KG. |
| Supervisão humana (Art. 14) | O KG é inspecionável e modificável por um humano. |
| Gestão de risco (Art. 9) | Risco baixo: sem modelo opaco, sem viés emergente. |
8. Impacto ecológico
8.1. O problema
- O treino do GPT-3 consumiu aproximadamente 1.287 MWh, ou seja, ~552 toneladas de CO₂.
- Os centros de dados de IA viram a sua pegada de carbono triplicar entre 2024 e 2025 (Awab, 2026).
- Uma consulta LLM consome aproximadamente 10× mais energia do que uma pesquisa web padrão (Kim & Yoo, 2026).
8.2. Vantagem do simbólico CPU-only
| Métrica | Sistema LLM (GPU) | Desafio IA (CPU-only) | Ganho estimado |
|---|---|---|---|
| Potência instantânea | 300-400 W (GPU) | 65-125 W (CPU) | ~3-5× |
| Latência por consulta | 0,5-5 s | < 100 ms (objetivo) | ~5-50× |
| Energia por consulta | ~0,001-0,01 kWh | ~0,000001-0,00001 kWh | ~100-1000× |
| Hardware necessário | GPU ≥ 6.000 € | CPU consumidor < 500 € | ~12× |
8.3. Medição obrigatória
O projeto deve medir e reportar:
- Consumo energético (kWh) para a construção do KG.
- Consumo energético por consulta QA.
- Pegada de CO₂ correspondente.
- Comparação com um sistema baseline GPU.
9. Reprodutibilidade
- Código-fonte completo: publicado num repositório público, sob licença HL3.
- Instruções de instalação: script automatizado ou containerização.
- Dados de teste: uso exclusivo de benchmarks públicos.
- Sementes aleatórias: fixas e documentadas para qualquer componente estocástico.
- Versionamento de dependências: ficheiro de dependências fixado.
- Containerização: o sistema completo deve ser reprodutivelmente executável.
- Hardware mínimo documentado: especificações mínimas explícitas.
O hardware máximo requerido (i9 + RTX 3090) é acessível a um vasto público. A Fase 2 (QA runtime) não requer qualquer GPU, permitindo a execução num simples portátil.
10. Soberania, segurança & privacidade
Soberania digital
- Sem dependência da cloud — funcionamento totalmente local.
- Sem chamadas a APIs externas — nenhum dado sai da máquina.
- LLMs open-weights descarregáveis e executáveis localmente.
- Sem vendor lock-in.
Segurança
- Execução em sandbox (ambiente isolado).
- Sem execução arbitrária de código.
- Sem prompt injection (sem LLM na inferência).
- Validação de entrada via gramática formal.
Privacidade
- Processamento exclusivamente local — os documentos nunca saem da máquina.
- Sem telemetria.
- KG eliminável a pedido.
- Possibilidade de instanciar KGs separados por utilizador ou por domínio.
11. Benchmarks & avaliação
11.1. Benchmarks KGQA reconhecidos
O sistema deve ser avaliado em pelo menos dois dos seguintes benchmarks:
| Benchmark | Descrição | Dimensão | Referência |
|---|---|---|---|
| SimpleQuestions | Perguntas factuais simples sobre Freebase | ~100K perguntas | ACL |
| WebQuestionsSP | Perguntas web com anotações SPARQL | ~4.737 perguntas | ACL |
| LC-QuAD 2.0 | Perguntas complexas sobre DBpedia/Wikidata | ~30K perguntas | ISWC |
| ComplexWebQuestions | Perguntas multi-hop sobre Freebase | ~34K perguntas | NAACL |
| QALD | Desafio multilingue, dimensão reduzida | ~400-500 perguntas | CLEF/ESWC |
| MINTQA | Benchmark recente para LLM+KG em entidades raras | Variável | EMNLP 2025 |
| SQuAD 2.0 | QA extrativo em parágrafos | ~150K perguntas | ACL |
| Natural Questions | Perguntas reais do Google | ~307K perguntas | TACL |
| TriviaQA | QA trivia com documentos de apoio | ~95K perguntas | ACL |
Recomendação: priorizar LC-QuAD 2.0 e QALD, complementados por SQuAD ou Natural Questions para comparação com abordagens neurais.
11.2. Métricas de avaliação
| Categoria | Métrica | Descrição |
|---|---|---|
| Desempenho QA | F1 score, Exact Match (EM) | Precisão da resposta |
| Desempenho QA | Hits@1, Hits@5 | Taxa de respostas corretas no top-k |
| Desempenho QA | MRR | Classificação média da resposta correta |
| Latência | Tempo de resposta médio/p95 (ms) | Medido apenas em CPU |
| Débito | Perguntas/segundo | Débito |
| Ecologia | kWh/consulta, gCO₂/consulta | Via codecarbon/carbontracker |
| Explicabilidade | Taxa de rastreabilidade | % de respostas com rastro completo (objetivo: 100%) |
| Cobertura KG | Triplos, entidades, relações | Estatísticas descritivas |
11.3. Baselines de comparação
- RAG + LLM (GPU): baseline neural em GPU.
- KG-RAG (GPU): baseline híbrida KG + LLM.
- SPARQL direto: baseline puramente simbólica (consultas manuais no mesmo KG).
12. Especificações de desempenho
| Critério | Objetivo | Justificação |
|---|---|---|
| Latência QA | < 100 ms (p95) | Interatividade aceitável para o utilizador |
| Construção KG | < 1 min / 1.000 documentos curtos | Praticabilidade |
| Pegada de memória QA | < 4 GB RAM | Executável em PC modesto |
| Dimensão KG | Escalável para 10M+ triplos | Cobertura suficiente para benchmarks |
| Precisão QA | ≥ 50% F1 em benchmarks simples | Interpretabilidade e frugalidade como argumentos principais |
| Rastreabilidade | 100% das respostas explicadas | Vantagem chave da abordagem simbólica |
13. Riscos & mitigações
| Risco | Probabilidade | Impacto | Mitigação |
|---|---|---|---|
| Desempenho QA insuficiente vs. LLM | Alta | Médio | Foco na interpretabilidade/frugalidade |
| Qualidade insuficiente do KG automático | Média | Alto | Iterar regras, supervisão LLM |
| Complexidade de perguntas multi-hop | Alta | Médio | Limitar a ≤ 3 hops, documentar limitações |
| Incompatibilidade de licença das dependências | Baixa | Alto | Auditoria sistemática de licenças |
| LLM open-weights insuficiente para supervisão | Média | Médio | Testar e combinar múltiplos modelos |
| Cobertura KG limitada em escala | Média | Médio | Começar com QALD, depois escalar |
14. Critérios de sucesso
- O sistema QA opera inteiramente em CPU sem GPU na inferência.
- O KG é construído automaticamente a partir de documentos em linguagem natural.
- O desempenho é medido em ≥ 2 benchmarks públicos reconhecidos.
- 100% das respostas são acompanhadas de um rastro de explicação.
- O consumo energético é medido e comparado com uma baseline GPU.
- O código é publicado sob licença Hippocratic 3.0 com dependências compatíveis.
- O sistema é reprodutível via Docker no hardware especificado.
- O desenvolvimento é inteiramente realizado por LLMs open-weights em sandbox.
15. Referências bibliográficas
- 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.