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

Desafio IA

Conceber um sistema de Pergunta/Resposta CPU-only, puramente simbólico, cujo grafo de conhecimento é construído automaticamente a partir de documentos em linguagem natural.

Green AI • CPU-only • Simbólico • Explicável

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).

Originalidade: Nenhum trabalho existente combina simultaneamente as seguintes restrições:
  1. Sistema QA puramente simbólico (sem rede neural na inferência)
  2. CPU-only em tempo de execução (sem GPU necessária)
  3. Construção automática do KG a partir de documentos em linguagem natural
  4. Desenvolvimento inteiramente supervisionado por LLMs open-weights quantizados
  5. Conformidade nativa RGPD/AI Act by design (interpretabilidade intrínseca)
  6. 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:

Construção automática de grafos de conhecimento

Eficiência CPU e abordagens leves

Impacto ecológico da IA

Conformidade RGPD e AI Act

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

  1. Alcançar desempenho competitivo em benchmarks KGQA reconhecidos.
  2. Medir e comparar a pegada energética (CPU vs. GPU) para demonstrar o benefício ecológico.
  3. Demonstrar a interpretabilidade intrínseca do sistema (rastreabilidade de cada resposta).
  4. 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

ComponenteFase 1 (Construção KG)Fase 2 (QA Runtime)
CPUIntel Core i9 (máx.)Intel Core i9 (máx.)
GPUNVIDIA RTX 3090 (24 GB VRAM)Nenhuma (estritamente CPU-only)
RAM32 GB (máx.)32 GB (suficiente)
ArmazenamentoNVMe SSDNVMe 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

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:

6.2. Compatibilidade de dependências

LicençaCompatível HL3Exemplos
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

7. Conformidade regulamentar

7.1. RGPD

Princípio RGPDImplementação
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 ActConformidade
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.
Argumento chave: Um sistema puramente simbólico é nativamente conforme com os requisitos de transparência e explicabilidade do AI Act, ao contrário dos sistemas baseados em LLMs que requerem camadas XAI adicionais (Goncalves & Correia, 2026; Wagner et al., 2025).

8. Impacto ecológico

8.1. O problema

8.2. Vantagem do simbólico CPU-only

MétricaSistema LLM (GPU)Desafio IA (CPU-only)Ganho estimado
Potência instantânea300-400 W (GPU)65-125 W (CPU)~3-5×
Latência por consulta0,5-5 s< 100 ms (objetivo)~5-50×
Energia por consulta~0,001-0,01 kWh~0,000001-0,00001 kWh~100-1000×
Hardware necessárioGPU ≥ 6.000 €CPU consumidor < 500 €~12×

8.3. Medição obrigatória

O projeto deve medir e reportar:

9. Reprodutibilidade

  1. Código-fonte completo: publicado num repositório público, sob licença HL3.
  2. Instruções de instalação: script automatizado ou containerização.
  3. Dados de teste: uso exclusivo de benchmarks públicos.
  4. Sementes aleatórias: fixas e documentadas para qualquer componente estocástico.
  5. Versionamento de dependências: ficheiro de dependências fixado.
  6. Containerização: o sistema completo deve ser reprodutivelmente executável.
  7. 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:

BenchmarkDescriçãoDimensãoReferência
SimpleQuestionsPerguntas factuais simples sobre Freebase~100K perguntasACL
WebQuestionsSPPerguntas web com anotações SPARQL~4.737 perguntasACL
LC-QuAD 2.0Perguntas complexas sobre DBpedia/Wikidata~30K perguntasISWC
ComplexWebQuestionsPerguntas multi-hop sobre Freebase~34K perguntasNAACL
QALDDesafio multilingue, dimensão reduzida~400-500 perguntasCLEF/ESWC
MINTQABenchmark recente para LLM+KG em entidades rarasVariávelEMNLP 2025
SQuAD 2.0QA extrativo em parágrafos~150K perguntasACL
Natural QuestionsPerguntas reais do Google~307K perguntasTACL
TriviaQAQA trivia com documentos de apoio~95K perguntasACL

Recomendação: priorizar LC-QuAD 2.0 e QALD, complementados por SQuAD ou Natural Questions para comparação com abordagens neurais.

11.2. Métricas de avaliação

CategoriaMétricaDescrição
Desempenho QAF1 score, Exact Match (EM)Precisão da resposta
Desempenho QAHits@1, Hits@5Taxa de respostas corretas no top-k
Desempenho QAMRRClassificação média da resposta correta
LatênciaTempo de resposta médio/p95 (ms)Medido apenas em CPU
DébitoPerguntas/segundoDébito
EcologiakWh/consulta, gCO₂/consultaVia codecarbon/carbontracker
ExplicabilidadeTaxa de rastreabilidade% de respostas com rastro completo (objetivo: 100%)
Cobertura KGTriplos, entidades, relaçõesEstatísticas descritivas

11.3. Baselines de comparação

  1. RAG + LLM (GPU): baseline neural em GPU.
  2. KG-RAG (GPU): baseline híbrida KG + LLM.
  3. SPARQL direto: baseline puramente simbólica (consultas manuais no mesmo KG).

12. Especificações de desempenho

CritérioObjetivoJustificação
Latência QA< 100 ms (p95)Interatividade aceitável para o utilizador
Construção KG< 1 min / 1.000 documentos curtosPraticabilidade
Pegada de memória QA< 4 GB RAMExecutável em PC modesto
Dimensão KGEscalável para 10M+ triplosCobertura suficiente para benchmarks
Precisão QA≥ 50% F1 em benchmarks simplesInterpretabilidade e frugalidade como argumentos principais
Rastreabilidade100% das respostas explicadasVantagem chave da abordagem simbólica

13. Riscos & mitigações

RiscoProbabilidadeImpactoMitigação
Desempenho QA insuficiente vs. LLMAltaMédioFoco na interpretabilidade/frugalidade
Qualidade insuficiente do KG automáticoMédiaAltoIterar regras, supervisão LLM
Complexidade de perguntas multi-hopAltaMédioLimitar a ≤ 3 hops, documentar limitações
Incompatibilidade de licença das dependênciasBaixaAltoAuditoria sistemática de licenças
LLM open-weights insuficiente para supervisãoMédiaMédioTestar e combinar múltiplos modelos
Cobertura KG limitada em escalaMédiaMédioComeçar com QALD, depois escalar

14. Critérios de sucesso

  1. O sistema QA opera inteiramente em CPU sem GPU na inferência.
  2. O KG é construído automaticamente a partir de documentos em linguagem natural.
  3. O desempenho é medido em ≥ 2 benchmarks públicos reconhecidos.
  4. 100% das respostas são acompanhadas de um rastro de explicação.
  5. O consumo energético é medido e comparado com uma baseline GPU.
  6. O código é publicado sob licença Hippocratic 3.0 com dependências compatíveis.
  7. O sistema é reprodutível via Docker no hardware especificado.
  8. O desenvolvimento é inteiramente realizado por LLMs open-weights em sandbox.

15. Referências bibliográficas

  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.