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

Provocare IA

Proiectați un sistem de întrebări/răspunsuri exclusiv pe CPU, pur simbolic, al cărui graf de cunoștințe este construit automat din documente în limbaj natural.

Green AI • CPU-only • Simbolic • Explicabil

1. Rezumatul provocării

Provocarea își propune proiectarea, implementarea și evaluarea unui sistem de întrebări/răspunsuri (QA) care funcționează exclusiv pe CPU, bazat pe o arhitectură pur simbolică (lexicon, gramatici, graf de cunoștințe, logică formală). Întreaga dezvoltare a sistemului este condusă de LLM-uri cuantizate cu ponderi deschise, executabile pe hardware de consum (i9 CPU, RTX 3090).

Acest proiect se încadrează în mișcarea Green AI (Schwartz et al., 2020) și Frugal AI, în opoziție cu cursa spre modele din ce în ce mai mari, a căror amprentă de carbon a devenit alarmantă (Kim et al., 2026; Hasan et al., 2025). Răspunde, de asemenea, cerințelor crescânde de transparență, explicabilitate și conformitate reglementară impuse de GDPR și de AI Act-ul european (Wagner et al., 2025; Juliussen, 2025).

Originalitate: Nicio lucrare existentă nu combină simultan următoarele constrângeri:
  1. Sistem QA pur simbolic (fără rețea neuronală la inferență)
  2. CPU-only în execuție (fără GPU necesar)
  3. Construcție automată a KG din documente în limbaj natural
  4. Dezvoltare supervizată integral de LLM-uri cuantizate cu ponderi deschise
  5. Conformitate nativă GDPR / AI Act prin design (interpretabilitate intrinsecă)
  6. Licență etică (Hippocratic 3.0)

2. Context și poziționare științifică

2.1. Formularea problemei

Sistemele QA actuale se bazează în mare măsură pe LLM-uri (GPT, LLaMA etc.) care necesită GPU-uri costisitoare pentru inferență și ridică probleme de halucinații, reproductibilitate, explicabilitate și suveranitate a datelor. Funcționează ca niște cutii negre și sunt dificil de conformizat cu cerințele AI Act-ului european (articolul 13) privind transparența sistemelor cu risc ridicat (Wagner, 2025; Boshnjakovski, 2025).

2.2. Stadiul actual al cunoașterii

Abordări neuro-simbolice și KG-QA

Literatura recentă converge spre integrarea grafurilor de cunoștințe (KG) și a raționamentului simbolic pentru a depăși limitările abordărilor pur neuronale:

Construcția automată a grafurilor de cunoștințe

Eficiență CPU și abordări ușoare

Impactul ecologic al IA

Conformitate GDPR și AI Act

3. Obiective

Obiectiv principal

Demonstrarea fezabilității și evaluarea performanței unui sistem QA pur simbolic, exclusiv pe CPU, al cărui graf de cunoștințe este construit automat din documente în limbaj natural.

Obiective secundare

  1. Obținerea unei performanțe competitive pe benchmark-uri KGQA recunoscute.
  2. Măsurarea și compararea amprentei energetice (CPU vs GPU) pentru a demonstra beneficiul ecologic.
  3. Demonstrarea interpretabilității intrinseci a sistemului (trasabilitatea fiecărui răspuns).
  4. Furnizarea de software reproductibil, documentat, sub licență etică.

4. Arhitectură și specificații tehnice

4.1. Arhitectura generală

Sistemul este împărțit în două faze distincte:

Faza 1 — Construcția grafului de cunoștințe (offline, GPU permis)

Documente NL → Preprocesare → NER → Extracția relațiilor → Rezolvarea coreferințelor
    → Construcția KG (triplete RDF/OWL) → Stocarea grafului

Faza 2 — Întrebări/Răspunsuri (runtime, strict CPU-only)

Întrebare NL → Analiză sintactico-semantică → Transformare în interogare formală
    → Parcurgerea KG → Raționament logic → Generare răspuns
    → Traseu de explicație

4.2. Specificații hardware

ComponentăFaza 1 (Construcție KG)Faza 2 (Runtime QA)
CPUIntel Core i9 (max.)Intel Core i9 (max.)
GPUNVIDIA RTX 3090 (24 GB VRAM)Niciunul (strict CPU-only)
RAM32 GB (max.)32 GB (suficient)
StocareNVMe SSDNVMe SSD

Justificare: Faza 1 poate utiliza GPU-ul pentru a rula LLM-urile cuantizate cu ponderi deschise care supervizează construcția conductei. Faza 2, care constituie sistemul implementabil, trebuie să fie strict CPU-only pentru a garanta accesibilitatea, suveranitatea și frugalitatea.

4.3. Mediul de dezvoltare

4.4. Supervizare LLM

Dezvoltarea sistemului este condusă integral de unul sau mai multe LLM-uri cu ponderi deschise, executabile local pe hardware-ul specificat (Faza 1). Alegerea modelelor, cuantizării și a cadrului de inferență este lăsată la latitudinea participantului.

5. Arhitectura sugerată a conductei

Următoarea descompunere este furnizată ca ghid orientativ. Participanții sunt liberi să propună o arhitectură diferită, cu condiția să respecte constrângerile funcționale (secțiunile 3, 4 și 12) și cerințele de licență (secțiunea 6).

5.1. Preprocesarea textului

  • Segmentarea propozițiilor
  • Tokenizare
  • Lemmatizare
  • Etichetarea părților de vorbire
  • Analiza dependențelor

5.2. Recunoașterea entităților denumite (NER)

  • Detectarea entităților (persoane, locații, organizații, date, concepte)
  • Tiparea entităților conform unei ontologii de domeniu
  • Rezolvarea coreferințelor

5.3. Extracția relațiilor (RE)

  • Extracția tripletelor (subiect, predicat, obiect) din text
  • Extracție deschisă sau ghidată prin șabloane

5.4. Construcția grafului de cunoștințe

  • Normalizarea și fuzionarea entităților (entity linking)
  • Construcția și stocarea grafului (triplete)
  • Îmbogățire prin inferența relațiilor implicite
  • Validarea și curățarea grafului

5.5. Înțelegerea întrebărilor

  • Analiza sintactică a întrebării în limbaj natural
  • Identificarea tipului de întrebare (cine, ce, unde, când…)
  • Extracția entităților și relațiilor menționate
  • Transformarea într-o interogare formală pe graf

5.6. Raționament și căutarea răspunsurilor

  • Parcurgerea grafului de cunoștințe (raționament multi-hop)
  • Rezoluție logică și clasificarea răspunsurilor candidate

5.7. Generarea răspunsurilor și explicații

  • Formularea răspunsului în limbaj natural
  • Traseu complet de explicație: calea în KG, regulile aplicate, entitățile și relațiile implicate, încredere/completitudine

6. Constrângeri de licență

6.1. Hippocratic License 3.0 (HL3)

Software-ul final va fi publicat sub licența Hippocratic License 3.0 (firstdonoharm.dev). Această licență:

6.2. Compatibilitatea dependențelor

LicențăCompatibilă cu HL3Exemple
MIT✅ Da—
BSD (2/3-clause)✅ Da—
Apache 2.0✅ Da—
ISC / CC0✅ Da—
GPL v2/v3⚠️ Potențial incompatibilă—
AGPL❌ Probabil incompatibilă—

6.3. Module HL3 opționale recomandate

7. Conformitate reglementară

7.1. GDPR

Principiu GDPRImplementare
Minimizarea datelor (Art. 5.1.c)KG-ul stochează doar triplete extrase relevante, nu date personale brute.
Dreptul la explicație (Art. 22 + considerentul 71)Traseu complet de explicație pentru fiecare răspuns.
Dreptul la ștergere (Art. 17)Posibilitatea de a șterge entități/triplete din KG.
Confidențialitate prin design (Art. 25)Nicio dată sensibilă în KG fără necesitate documentată.
Fără profilare automată (Art. 22)Sistemul nu ia decizii automatizate cu privire la indivizi.

7.2. AI Act-ul european

Cerința AI ActConformitate
Transparență (Art. 13)Arhitectură simbolică intrinsec interpretabilă — fiecare pas de raționament este trasabil.
Explicabilitate (Art. 13.1)Traseu complet: întrebare → interogare formală → cale KG → răspuns.
Documentație tehnică (Art. 11)Conductă simbolică pe deplin documentabilă (gramatici, reguli, ontologie).
Robustețe și acuratețe (Art. 15)Fără halucinații — răspunsurile provin exclusiv din KG.
Supraveghere umană (Art. 14)KG-ul este inspectabil și modificabil de către un om.
Managementul riscurilor (Art. 9)Risc scăzut: niciun model opac, nicio prejudecată emergentă.
Argument cheie: Un sistem pur simbolic este nativ conform cu cerințele de transparență și explicabilitate ale AI Act-ului, spre deosebire de sistemele bazate pe LLM care necesită straturi XAI suplimentare (Goncalves & Correia, 2026; Wagner et al., 2025).

8. Impact ecologic

8.1. Problema

8.2. Avantajul sistemului simbolic CPU-only

MetricăSistem LLM (GPU)Provocare IA (CPU-only)Câștig estimat
Putere instantanee300-400 W (GPU)65-125 W (CPU)~3-5×
Latență per interogare0,5-5 s< 100 ms (țintă)~5-50×
Energie per interogare~0,001-0,01 kWh~0,000001-0,00001 kWh~100-1000×
Hardware necesarGPU ≥ 6.000 €CPU de consum < 500 €~12×

8.3. Măsurare obligatorie

Proiectul trebuie să măsoare și să raporteze:

9. Reproductibilitate

  1. Cod sursă complet: publicat într-un depozit public, sub licență HL3.
  2. Instrucțiuni de instalare: script automatizat sau containerizare.
  3. Date de test: utilizare exclusivă a benchmark-urilor publice.
  4. Semințe aleatoare: fixate și documentate pentru orice componentă stochastică.
  5. Versionarea dependențelor: fișier cu dependențe fixate.
  6. Containerizare: sistemul complet trebuie să fie executabil reproductibil.
  7. Hardware minim documentat: specificații minime explicite.

Hardware-ul maxim necesar (i9 + RTX 3090) este accesibil unui public larg. Faza 2 (runtime QA) nu necesită niciun GPU, permițând execuția pe un simplu laptop.

10. Suveranitate, securitate și confidențialitate

Suveranitate digitală

  • Fără dependență de cloud — funcționare complet locală.
  • Fără apeluri API externe — nicio dată nu părăsește mașina.
  • LLM-uri cu ponderi deschise descărcabile și executabile local.
  • Fără dependență de furnizor.

Securitate

  • Execuție în sandbox (mediu izolat).
  • Fără execuție arbitrară de cod.
  • Fără prompt injection (fără LLM la inferență).
  • Validarea intrărilor prin gramatică formală.

Confidențialitate

  • Procesare exclusiv locală — documentele nu părăsesc niciodată mașina.
  • Fără telemetrie.
  • KG ștergibil la cerere.
  • Posibilitatea de a instanția KG-uri separate per utilizator sau per domeniu.

11. Benchmark-uri și evaluare

11.1. Benchmark-uri KGQA recunoscute

Sistemul trebuie evaluat pe cel puțin două dintre următoarele benchmark-uri:

BenchmarkDescriereDimensiuneReferință
SimpleQuestionsÎntrebări factuale simple despre Freebase~100K întrebăriACL
WebQuestionsSPÎntrebări web cu adnotări SPARQL~4.737 întrebăriACL
LC-QuAD 2.0Întrebări complexe despre DBpedia/Wikidata~30K întrebăriISWC
ComplexWebQuestionsÎntrebări multi-hop despre Freebase~34K întrebăriNAACL
QALDProvocare multilingvă, dimensiune mică~400-500 întrebăriCLEF/ESWC
MINTQABenchmark recent pentru LLM+KG pe entități rareVariabilăEMNLP 2025
SQuAD 2.0QA extractiv pe paragrafe~150K întrebăriACL
Natural QuestionsÎntrebări reale din Google~307K întrebăriTACL
TriviaQAQA de cultură generală cu documente suport~95K întrebăriACL

Recomandare: prioritizați LC-QuAD 2.0 și QALD, completate cu SQuAD sau Natural Questions pentru comparație cu abordările neuronale.

11.2. Metrici de evaluare

CategorieMetricăDescriere
Performanță QAF1 score, Exact Match (EM)Precizia răspunsurilor
Performanță QAHits@1, Hits@5Rata de răspunsuri corecte în top-k
Performanță QAMRRRangul mediu al răspunsului corect
LatențăTimp mediu/p95 de răspuns (ms)Măsurat exclusiv pe CPU
DebitÎntrebări/secundăDebit
EcologiekWh/interogare, gCO₂/interogarePrin codecarbon/carbontracker
ExplicabilitateRată de trasabilitate% de răspunsuri cu traseu complet (țintă: 100%)
Acoperire KGTriplete, entități, relațiiStatistici descriptive

11.3. Linii de bază pentru comparație

  1. RAG + LLM (GPU): linie de bază neuronală pe GPU.
  2. KG-RAG (GPU): linie de bază hibridă KG + LLM.
  3. Direct SPARQL: linie de bază pur simbolică (interogări manuale pe același KG).

12. Specificații de performanță

CriteriuȚintăJustificare
Latență QA< 100 ms (p95)Interactivitate acceptabilă pentru utilizator
Construcție KG< 1 min / 1.000 documente scurtePracticitate
Amprenta de memorie QA< 4 GB RAMExecutabil pe un PC modest
Dimensiune KGScalabil la 10M+ tripleteAcoperire suficientă pentru benchmark-uri
Precizia QA≥ 50% F1 pe benchmark-uri simpleInterpretabilitate și frugalitate ca argumente principale
Trasabilitate100% din răspunsuri explicateAvantaj cheie al abordării simbolice

13. Riscuri și măsuri de atenuare

RiscProbabilitateImpactAtenuare
Performanță QA insuficientă vs LLMRidicatăMediuAccent pe interpretabilitate/frugalitate
Calitate insuficientă a KG-ului automatMedieRidicatIterarea regulilor, supervizare LLM
Complexitatea întrebărilor multi-hopRidicatăMediuLimitare la ≤ 3 hop-uri, documentarea limitărilor
Incompatibilitate de licență a dependențelorScăzutăRidicatAudit sistematic de licențe
LLM cu ponderi deschise insuficient pentru supervizareMedieMediuTestarea și combinarea mai multor modele
Acoperire KG limitată la scară mareMedieMediuÎncepere cu QALD, apoi scalare

14. Criterii de succes

  1. Sistemul QA funcționează integral pe CPU fără GPU la inferență.
  2. KG-ul este construit automat din documente în limbaj natural.
  3. Performanța este măsurată pe ≥ 2 benchmark-uri publice recunoscute.
  4. 100% din răspunsuri sunt însoțite de un traseu de explicație.
  5. Consumul de energie este măsurat și comparat cu o linie de bază GPU.
  6. Codul este publicat sub licența Hippocratic 3.0 cu dependențe compatibile.
  7. Sistemul este reproductibil prin Docker pe hardware-ul specificat.
  8. Dezvoltarea este realizată integral de LLM-uri cu ponderi deschise într-un sandbox.

15. Referințe bibliografice

  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.