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

Вызов ИИ

Спроектируйте чисто символьную систему вопросов и ответов, работающую только на CPU, граф знаний которой автоматически строится из документов на естественном языке.

Зелёный ИИ • CPU-only • Символьный • Объяснимый

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).

Оригинальность: Ни одна существующая работа не совмещает одновременно следующие ограничения:
  1. Чисто символьная система QA (без нейронных сетей при выводе)
  2. CPU-only во время выполнения (без GPU)
  3. Автоматическое построение KG из документов на естественном языке
  4. Разработка полностью под руководством квантованных LLM с открытыми весами
  5. Встроенное соответствие GDPR/AI Act (внутренняя интерпретируемость)
  6. 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:

Автоматическое построение графов знаний

Эффективность на CPU и облегчённые подходы

Экологическое воздействие ИИ

Соответствие GDPR и AI Act

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

  1. Достичь конкурентоспособных результатов на признанных бенчмарках KGQA.
  2. Измерить и сравнить энергетический след (CPU vs GPU) для демонстрации экологического преимущества.
  3. Продемонстрировать внутреннюю интерпретируемость системы (отслеживаемость каждого ответа).
  4. 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

КомпонентФаза 1 (построение KG)Фаза 2 (работа QA)
CPUIntel Core i9 (максимум)Intel Core i9 (максимум)
GPUNVIDIA RTX 3090 (24 GB VRAM)Отсутствует (строго CPU-only)
RAM32 GB (максимум)32 GB (достаточно)
ХранилищеNVMe SSDNVMe 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

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:

6.2. Совместимость зависимостей

ЛицензияСовместима с HL3Примеры
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

7. Нормативное соответствие

7.1. GDPR

Принцип GDPRРеализация
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 ActСоответствие
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.
Ключевой аргумент: Чисто символьная система изначально соответствует требованиям прозрачности и объяснимости AI Act, в отличие от систем на основе LLM, которые требуют дополнительных слоёв XAI (Goncalves & Correia, 2026; Wagner et al., 2025).

8. Экологическое воздействие

8.1. Проблема

8.2. Преимущество символьного CPU-only подхода

МетрикаСистема на LLM (GPU)Вызов ИИ (CPU-only)Оценочный выигрыш
Мгновенная мощность300-400 Вт (GPU)65-125 Вт (CPU)~3-5×
Задержка на запрос0,5-5 с< 100 мс (цель)~5-50×
Энергия на запрос~0,001-0,01 кВт·ч~0,000001-0,00001 кВт·ч~100-1000×
Необходимое оборудованиеGPU ≥ €6 000Потребительский CPU < €500~12×

8.3. Обязательные измерения

Проект должен измерить и отчитаться о:

9. Воспроизводимость

  1. Полный исходный код: опубликован в публичном репозитории под лицензией HL3.
  2. Инструкции по установке: автоматизированный скрипт или контейнеризация.
  3. Тестовые данные: исключительное использование публичных бенчмарков.
  4. Случайные зёрна: фиксированные и документированные для любого стохастического компонента.
  5. Версионирование зависимостей: файл зависимостей с фиксированными версиями.
  6. Контейнеризация: полная система должна быть воспроизводимо исполняемой.
  7. 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:

БенчмаркОписаниеРазмерСсылка
SimpleQuestionsПростые фактологические вопросы по Freebase~100K вопросовACL
WebQuestionsSPВеб-вопросы с SPARQL аннотациями~4 737 вопросовACL
LC-QuAD 2.0Сложные вопросы по DBpedia/Wikidata~30K вопросовISWC
ComplexWebQuestionsМногошаговые вопросы по Freebase~34K вопросовNAACL
QALDМногоязычный конкурс, малый размер~400-500 вопросовCLEF/ESWC
MINTQAСвежий бенчмарк для LLM+KG на редких сущностяхВарьируетсяEMNLP 2025
SQuAD 2.0Экстрактивный QA по абзацам~150K вопросовACL
Natural QuestionsРеальные вопросы Google~307K вопросовTACL
TriviaQAТривиальный QA с поддерживающими документами~95K вопросовACL

Рекомендация: приоритет отдать LC-QuAD 2.0 и QALD, дополнив SQuAD или Natural Questions для сравнения с нейронными подходами.

11.2. Метрики оценки

КатегорияМетрикаОписание
Производительность QAF1 score, Exact Match (EM)Точность ответа
Производительность QAHits@1, Hits@5Доля правильных ответов в top-k
Производительность QAMRRСредний ранг правильного ответа
ЗадержкаСреднее/p95 время отклика (мс)Измерено только на CPU
Пропускная способностьВопросов/секундуПропускная способность
ЭкологиякВт·ч/запрос, гCO₂/запросЧерез codecarbon/carbontracker
ОбъяснимостьДоля отслеживаемости% ответов с полной трассой (цель: 100%)
Покрытие KGТриплеты, сущности, отношенияОписательная статистика

11.3. Базовые линии для сравнения

  1. RAG + LLM (GPU): нейронная базовая линия на GPU.
  2. KG-RAG (GPU): гибридная базовая линия KG + LLM.
  3. Direct SPARQL: чисто символьная базовая линия (ручные запросы к тому же KG).

12. Спецификации производительности

КритерийЦельОбоснование
Задержка QA< 100 мс (p95)Приемлемая интерактивность для пользователя
Построение KG< 1 мин / 1 000 коротких документовПрактичность
Объём памяти QA< 4 GB RAMИсполнимо на скромном ПК
Размер KGМасштабируемо до 10M+ триплетовДостаточное покрытие для бенчмарков
Точность QA≥ 50% F1 на простых бенчмаркахИнтерпретируемость и экономичность — главные аргументы
Отслеживаемость100% ответов объясненыКлючевое преимущество символьного подхода

13. Риски и меры по снижению

РискВероятностьВоздействиеСнижение
Недостаточная производительность QA по сравнению с LLMВысокаяСредняяАкцент на интерпретируемость/экономичность
Недостаточное качество автоматического KGСредняяВысокаяИтерация правил, руководство LLM
Сложность многошаговых вопросовВысокаяСредняяОграничение ≤ 3 шагов, документирование ограничений
Несовместимость лицензий зависимостейНизкаяВысокаяСистематический аудит лицензий
LLM с открытыми весами недостаточна для руководстваСредняяСредняяТестирование и комбинирование нескольких моделей
Ограниченное покрытие KG в масштабеСредняяСредняяНачать с QALD, затем масштабировать

14. Критерии успеха

  1. Система QA работает полностью на CPU без GPU при выводе.
  2. KG строится автоматически из документов на естественном языке.
  3. Производительность измеряется на ≥ 2 признанных публичных бенчмарках.
  4. 100% ответов сопровождаются трассой объяснения.
  5. Потребление энергии измеряется и сравнивается с базовой линией на GPU.
  6. Код опубликован под лицензией Hippocratic 3.0 с совместимыми зависимостями.
  7. Система воспроизводима через Docker на указанном оборудовании.
  8. Разработка полностью осуществлена LLM с открытыми весами в песочнице.

15. Библиографические ссылки

  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.