1. Краткое описание вызова
Целью вызова является проектирование, реализация и оценка системы вопросов и ответов (QA), работающей исключительно на CPU, основанной на чисто символьной архитектуре (лексикон, грамматики, граф знаний, формальная логика). Разработка всей системы осуществляется под руководством квантованных LLM с открытыми весами, исполняемых на потребительском оборудовании (процессор i9, видеокарта RTX 3090).
Данный проект входит в движение Green AI (Schwartz et al., 2020) и Frugal AI, в противовес гонке за всё более крупными моделями, углеродный след которых стал тревожным (Kim et al., 2026; Hasan et al., 2025). Он также отвечает растущим требованиям к прозрачности, объяснимости и нормативному соответствию, предъявляемым GDPR и Европейским законом об ИИ (Wagner et al., 2025; Juliussen, 2025).
- Чисто символьная система QA (без нейронных сетей при выводе)
- CPU-only во время выполнения (без GPU)
- Автоматическое построение KG из документов на естественном языке
- Разработка полностью под руководством квантованных LLM с открытыми весами
- Встроенное соответствие GDPR/AI Act (внутренняя интерпретируемость)
- Этическая лицензия (Hippocratic 3.0)
2. Контекст и научное позиционирование
2.1. Постановка задачи
Современные системы QA в значительной степени зависят от LLM (GPT, LLaMA и др.), которые требуют дорогостоящих GPU для вывода и порождают проблемы галлюцинаций, воспроизводимости, объяснимости и суверенитета данных. Они работают как чёрные ящики, и их сложно привести в соответствие с требованиями Европейского закона об ИИ (статья 13) относительно прозрачности систем высокого риска (Wagner, 2025; Boshnjakovski, 2025).
2.2. Состояние научных исследований
Нейросимвольные подходы и KG-QA
Современная литература сходится к интеграции графов знаний (KG) и символьного рассуждения для преодоления ограничений чисто нейронных подходов:
- Cheng et al. (2025), "Neural-symbolic methods for knowledge graph reasoning" (ACM TKDD) — различают подходы к заполнению KG, ответам на сложные запросы и обучению логическим правилам; выявляют потенциал чисто символьных методов для интерпретируемости.
- Niu et al. (2026), "A Comprehensive Survey of Knowledge Graph Reasoning" (IEEE Trans. Big Data) — охватывают многошаговое рассуждение на KG, включая подходы Inductive Logic Programming (ILP).
- Linders & Tomczak (2025), "Knowledge graph-extended RAG for QA" (Applied Intelligence) — демонстрируют, что KG обеспечивают символьное рассуждение и верифицируемые ответы.
- Chudasama et al. (2025), "Toward interpretable hybrid AI" (IEEE Access) — предлагают TrustKG, сочетающий символьную интерпретируемость с KG.
- Agarwal & Bedathur (2025), "A Zero-Shot Neuro-Symbolic Approach for Complex KGQA" (EMNLP Findings 2025).
- Liu et al. (2025), "SymAgent" (TheWebConf 2025) — самообучающийся символьный агент для KGQA.
Автоматическое построение графов знаний
- Zavarella (2026), "Methods for KG Construction from Text Collections" (arXiv) — фреймворк, объединяющий NLP, ML и Семантический Веб.
- Salman et al. (2024), "Doc-KG" (Expert Systems) — построение KG из неструктурированных документов.
- Chen et al. (2025), "Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs" (TheWebConf 2025).
Эффективность на CPU и облегчённые подходы
- 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) подтверждают, что "spaCy provides lightweight, high-precision extraction, efficient on standard CPU".
- Okechukwu et al. (2025) подтверждают, что "spaCy and NLTK operate efficiently on standard CPUs".
Экологическое воздействие ИИ
- Kim & Yoo (2026), "Toward Sustainable AI" (IEEE Access) — углеродный след дата-центров ИИ утроился между 2024 и 2025 годами.
- Hasan et al. (2025), "Carbon emission quantification of ML" (IEEE Trans.).
- Tunzina et al. (2026), "GreenAI: Environmental Efficiency in LLM-Generated Code" (IEEE Access).
Соответствие GDPR и 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. Цели
Основная цель
Продемонстрировать осуществимость и оценить производительность чисто символьной системы QA, работающей только на CPU, граф знаний которой автоматически строится из документов на естественном языке.
Вторичные цели
- Достичь конкурентоспособных результатов на признанных бенчмарках KGQA.
- Измерить и сравнить энергетический след (CPU vs GPU) для демонстрации экологического преимущества.
- Продемонстрировать внутреннюю интерпретируемость системы (отслеживаемость каждого ответа).
- Предоставить воспроизводимое, документированное программное обеспечение под этической лицензией.
4. Архитектура и технические спецификации
4.1. Общая архитектура
Система разделена на две отдельные фазы:
Фаза 1 — Построение графа знаний (офлайн, GPU разрешён)
Документы на ЕЯ → Предобработка → NER → Извлечение отношений → Разрешение кореферентности
→ Построение KG (триплеты RDF/OWL) → Хранение графа
Фаза 2 — Вопросы/Ответы (runtime, строго CPU-only)
Вопрос на ЕЯ → Синтаксический/семантический анализ → Преобразование в формальный запрос
→ Обход KG → Логический вывод → Генерация ответа
→ Трасса объяснения
4.2. Аппаратные спецификации
| Компонент | Фаза 1 (построение KG) | Фаза 2 (работа QA) |
|---|---|---|
| CPU | Intel Core i9 (максимум) | Intel Core i9 (максимум) |
| GPU | NVIDIA RTX 3090 (24 GB VRAM) | Отсутствует (строго CPU-only) |
| RAM | 32 GB (максимум) | 32 GB (достаточно) |
| Хранилище | NVMe SSD | NVMe SSD |
Обоснование: Фаза 1 может использовать GPU для запуска квантованных LLM с открытыми весами, управляющих построением конвейера. Фаза 2, составляющая развёртываемую систему, должна быть строго CPU-only для обеспечения доступности, суверенитета и экономичности.
4.3. Среда разработки
- Песочница: разработка в изолированной среде для безопасности и воспроизводимости.
- Целевая ОС: Linux (основная цель), с желательной переносимостью на Windows/macOS.
- Язык(и): свободный выбор при условии соответствия зависимостей лицензионным ограничениям (раздел 6).
4.4. Руководство LLM
Разработка системы полностью ведётся одной или несколькими LLM с открытыми весами, исполняемыми локально на указанном оборудовании (Фаза 1). Выбор моделей, квантования и фреймворка вывода остаётся за участником.
5. Предлагаемая архитектура конвейера
Следующая разбивка предоставлена в качестве ориентира. Участники вольны предложить другую архитектуру при условии выполнения функциональных ограничений (разделы 3, 4 и 12) и лицензионных требований (раздел 6).
5.1. Предобработка текста
- Сегментация предложений
- Токенизация
- Лемматизация
- Морфологическая разметка (POS-tagging)
- Синтаксический разбор зависимостей
5.2. Распознавание именованных сущностей (NER)
- Обнаружение сущностей (персоны, локации, организации, даты, концепты)
- Типизация сущностей согласно доменной онтологии
- Разрешение кореферентности
5.3. Извлечение отношений (RE)
- Извлечение триплетов (субъект, предикат, объект) из текста
- Открытое или направляемое шаблонами извлечение
5.4. Построение графа знаний
- Нормализация и слияние сущностей (Entity Linking)
- Построение и хранение графа (триплеты)
- Обогащение путём вывода неявных отношений
- Валидация и очистка графа
5.5. Понимание вопроса
- Синтаксический анализ вопроса на естественном языке
- Определение типа вопроса (кто, что, где, когда…)
- Извлечение упомянутых сущностей и отношений
- Преобразование в формальный запрос к графу
5.6. Рассуждение и поиск ответа
- Обход графа знаний (многошаговое рассуждение)
- Логический вывод и ранжирование кандидатных ответов
5.7. Генерация ответа и объяснений
- Формулировка ответа на естественном языке
- Полная трасса объяснения: путь в KG, применённые правила, задействованные сущности и отношения, уверенность/полнота
6. Лицензионные ограничения
6.1. Лицензия Hippocratic 3.0 (HL3)
Конечное программное обеспечение будет опубликовано под лицензией Hippocratic 3.0 (firstdonoharm.dev). Эта лицензия:
- Не считается открытым исходным кодом в понимании OSI (этические ограничения на использование).
- Является лицензией copyleft (раздел 8.3).
- Налагает этические стандарты, основанные на фундаментальных правах человека (UDHR, ICESCR, ICCPR, ILO).
6.2. Совместимость зависимостей
| Лицензия | Совместима с HL3 | Примеры |
|---|---|---|
| MIT | ✅ Да | — |
| BSD (2/3-clause) | ✅ Да | — |
| Apache 2.0 | ✅ Да | — |
| ISC / CC0 | ✅ Да | — |
| GPL v2/v3 | ⚠️ Потенциально несовместима | — |
| AGPL | ❌ Вероятно несовместима | — |
6.3. Рекомендуемые дополнительные модули HL3
- HL3-ECO (Экоцид) — согласуется с целью снижения экологического воздействия.
- HL3-MEDIA — запрет использования для пропаганды насилия.
- HL3-SV (Массовое наблюдение) — согласуется с суверенитетом и конфиденциальностью.
7. Нормативное соответствие
7.1. GDPR
| Принцип GDPR | Реализация |
|---|---|
| Минимизация данных (ст. 5.1.c) | KG хранит только извлечённые релевантные триплеты, а не исходные персональные данные. |
| Право на объяснение (ст. 22 + рецитал 71) | Полная трасса объяснения для каждого ответа. |
| Право на удаление (ст. 17) | Возможность удаления сущностей/триплетов из KG. |
| Конфиденциальность по проекту (ст. 25) | Никаких чувствительных данных в KG без документированной необходимости. |
| Отсутствие автоматического профилирования (ст. 22) | Система не принимает автоматических решений о физических лицах. |
7.2. Европейский закон об ИИ
| Требование AI Act | Соответствие |
|---|---|
| Прозрачность (ст. 13) | Внутренне интерпретируемая символьная архитектура — каждый шаг рассуждения отслеживается. |
| Объяснимость (ст. 13.1) | Полная трасса: вопрос → формальный запрос → путь в KG → ответ. |
| Техническая документация (ст. 11) | Полностью документируемый символьный конвейер (грамматики, правила, онтология). |
| Робастность и точность (ст. 15) | Отсутствие галлюцинаций — ответы берутся исключительно из KG. |
| Человеческий контроль (ст. 14) | KG доступен для проверки и модификации человеком. |
| Управление рисками (ст. 9) | Низкий риск: нет непрозрачной модели, нет эмерджентных предубеждений. |
8. Экологическое воздействие
8.1. Проблема
- Обучение GPT-3 потребило около 1 287 МВт·ч, т.е. ~552 тонны CO₂.
- Углеродный след ИИ-дата-центров утроился между 2024 и 2025 годами (Awab, 2026).
- Запрос к LLM потребляет примерно в 10 раз больше энергии, чем стандартный веб-поиск (Kim & Yoo, 2026).
8.2. Преимущество символьного CPU-only подхода
| Метрика | Система на LLM (GPU) | Вызов ИИ (CPU-only) | Оценочный выигрыш |
|---|---|---|---|
| Мгновенная мощность | 300-400 Вт (GPU) | 65-125 Вт (CPU) | ~3-5× |
| Задержка на запрос | 0,5-5 с | < 100 мс (цель) | ~5-50× |
| Энергия на запрос | ~0,001-0,01 кВт·ч | ~0,000001-0,00001 кВт·ч | ~100-1000× |
| Необходимое оборудование | GPU ≥ €6 000 | Потребительский CPU < €500 | ~12× |
8.3. Обязательные измерения
Проект должен измерить и отчитаться о:
- Потребление энергии (кВт·ч) при построении KG.
- Потребление энергии на один запрос QA.
- Соответствующий углеродный след CO₂.
- Сравнение с базовой системой на GPU.
9. Воспроизводимость
- Полный исходный код: опубликован в публичном репозитории под лицензией HL3.
- Инструкции по установке: автоматизированный скрипт или контейнеризация.
- Тестовые данные: исключительное использование публичных бенчмарков.
- Случайные зёрна: фиксированные и документированные для любого стохастического компонента.
- Версионирование зависимостей: файл зависимостей с фиксированными версиями.
- Контейнеризация: полная система должна быть воспроизводимо исполняемой.
- Документированный минимум оборудования: явно указанные минимальные спецификации.
Максимально требуемое оборудование (i9 + RTX 3090) доступно широкой аудитории. Фаза 2 (работа QA) не требует GPU, что позволяет выполнение на обычном ноутбуке.
10. Суверенитет, безопасность и конфиденциальность
Цифровой суверенитет
- Нет зависимости от облака — полностью локальная работа.
- Нет внешних API-вызовов — данные не покидают машину.
- LLM с открытыми весами загружаются и выполняются локально.
- Отсутствие привязки к поставщику.
Безопасность
- Выполнение в песочнице (изолированная среда).
- Нет произвольного выполнения кода.
- Нет prompt injection (нет LLM при выводе).
- Валидация ввода через формальную грамматику.
Конфиденциальность
- Исключительно локальная обработка — документы никогда не покидают машину.
- Нет телеметрии.
- KG удаляется по запросу.
- Возможность создания отдельных KG для каждого пользователя или домена.
11. Бенчмарки и оценка
11.1. Признанные бенчмарки KGQA
Система должна быть оценена минимум на двух из следующих бенчмарков:
| Бенчмарк | Описание | Размер | Ссылка |
|---|---|---|---|
| SimpleQuestions | Простые фактологические вопросы по Freebase | ~100K вопросов | ACL |
| WebQuestionsSP | Веб-вопросы с SPARQL аннотациями | ~4 737 вопросов | ACL |
| LC-QuAD 2.0 | Сложные вопросы по DBpedia/Wikidata | ~30K вопросов | ISWC |
| ComplexWebQuestions | Многошаговые вопросы по Freebase | ~34K вопросов | NAACL |
| QALD | Многоязычный конкурс, малый размер | ~400-500 вопросов | CLEF/ESWC |
| MINTQA | Свежий бенчмарк для LLM+KG на редких сущностях | Варьируется | EMNLP 2025 |
| SQuAD 2.0 | Экстрактивный QA по абзацам | ~150K вопросов | ACL |
| Natural Questions | Реальные вопросы Google | ~307K вопросов | TACL |
| TriviaQA | Тривиальный QA с поддерживающими документами | ~95K вопросов | ACL |
Рекомендация: приоритет отдать LC-QuAD 2.0 и QALD, дополнив SQuAD или Natural Questions для сравнения с нейронными подходами.
11.2. Метрики оценки
| Категория | Метрика | Описание |
|---|---|---|
| Производительность QA | F1 score, Exact Match (EM) | Точность ответа |
| Производительность QA | Hits@1, Hits@5 | Доля правильных ответов в top-k |
| Производительность QA | MRR | Средний ранг правильного ответа |
| Задержка | Среднее/p95 время отклика (мс) | Измерено только на CPU |
| Пропускная способность | Вопросов/секунду | Пропускная способность |
| Экология | кВт·ч/запрос, гCO₂/запрос | Через codecarbon/carbontracker |
| Объяснимость | Доля отслеживаемости | % ответов с полной трассой (цель: 100%) |
| Покрытие KG | Триплеты, сущности, отношения | Описательная статистика |
11.3. Базовые линии для сравнения
- RAG + LLM (GPU): нейронная базовая линия на GPU.
- KG-RAG (GPU): гибридная базовая линия KG + LLM.
- Direct SPARQL: чисто символьная базовая линия (ручные запросы к тому же KG).
12. Спецификации производительности
| Критерий | Цель | Обоснование |
|---|---|---|
| Задержка QA | < 100 мс (p95) | Приемлемая интерактивность для пользователя |
| Построение KG | < 1 мин / 1 000 коротких документов | Практичность |
| Объём памяти QA | < 4 GB RAM | Исполнимо на скромном ПК |
| Размер KG | Масштабируемо до 10M+ триплетов | Достаточное покрытие для бенчмарков |
| Точность QA | ≥ 50% F1 на простых бенчмарках | Интерпретируемость и экономичность — главные аргументы |
| Отслеживаемость | 100% ответов объяснены | Ключевое преимущество символьного подхода |
13. Риски и меры по снижению
| Риск | Вероятность | Воздействие | Снижение |
|---|---|---|---|
| Недостаточная производительность QA по сравнению с LLM | Высокая | Средняя | Акцент на интерпретируемость/экономичность |
| Недостаточное качество автоматического KG | Средняя | Высокая | Итерация правил, руководство LLM |
| Сложность многошаговых вопросов | Высокая | Средняя | Ограничение ≤ 3 шагов, документирование ограничений |
| Несовместимость лицензий зависимостей | Низкая | Высокая | Систематический аудит лицензий |
| LLM с открытыми весами недостаточна для руководства | Средняя | Средняя | Тестирование и комбинирование нескольких моделей |
| Ограниченное покрытие KG в масштабе | Средняя | Средняя | Начать с QALD, затем масштабировать |
14. Критерии успеха
- Система QA работает полностью на CPU без GPU при выводе.
- KG строится автоматически из документов на естественном языке.
- Производительность измеряется на ≥ 2 признанных публичных бенчмарках.
- 100% ответов сопровождаются трассой объяснения.
- Потребление энергии измеряется и сравнивается с базовой линией на GPU.
- Код опубликован под лицензией Hippocratic 3.0 с совместимыми зависимостями.
- Система воспроизводима через Docker на указанном оборудовании.
- Разработка полностью осуществлена LLM с открытыми весами в песочнице.
15. Библиографические ссылки
- 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.