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

Výzva AI

Navrhnúť čisto symbolický systém otázok a odpovedí bežiaci iba na CPU, ktorého znalostný graf je automaticky vytvorený z dokumentov v prirodzenom jazyku.

Green AI • CPU-only • Symbolický • Vysvetliteľný

1. Zhrnutie výzvy

Výzva si kladie za cieľ navrhnúť, implementovať a vyhodnotiť systém otázok a odpovedí (QA) bežiaci výhradne na CPU, založený na čisto symbolickej architektúre (lexikón, gramatiky, znalostný graf, formálna logika). Celý vývoj systému je riadený kvantizovanými LLM s otvorenými váhami, spustiteľnými na spotrebiteľskom hardvéri (i9 CPU, RTX 3090).

Tento projekt spadá do hnutia Green AI (Schwartz et al., 2020) a Frugal AI, v protiklade k pretekom za stále väčšími modelmi, ktorých uhlíková stopa sa stala alarmujúcou (Kim et al., 2026; Hasan et al., 2025). Reaguje tiež na rastúce požiadavky na transparentnosť, vysvetliteľnosť a regulačný súlad stanovené GDPR a európskym AI Act (Wagner et al., 2025; Juliussen, 2025).

Originalita: Žiadna existujúca práca súčasne nekombinuje nasledujúce obmedzenia:
  1. Čisto symbolický QA systém (žiadna neurónová sieť pri inferencii)
  2. Iba CPU za behu (žiaden GPU)
  3. Automatická konštrukcia KG z dokumentov v prirodzenom jazyku
  4. Vývoj úplne riadený kvantizovanými LLM s otvorenými váhami
  5. Natívny súlad s GDPR/AI Act už od návrhu (vnútorná interpretovateľnosť)
  6. Etická licencia (Hippocratic 3.0)

2. Kontext a vedecké zaradenie

2.1. Definícia problému

Súčasné QA systémy sa silne spoliehajú na LLM (GPT, LLaMA atď.), ktoré vyžadujú drahé GPU na inferenciu a vyvolávajú problémy s halucináciami, reprodukovateľnosťou, vysvetliteľnosťou a dátovou suverenitou. Fungujú ako čierne skrinky a je ťažké zabezpečiť ich súlad s požiadavkami európskeho AI Act (článok 13) ohľadom transparentnosti vysoko rizikových systémov (Wagner, 2025; Boshnjakovski, 2025).

2.2. Stav poznania

Neuro-symbolické prístupy a KG-QA

Nedávna literatúra konverguje k integrácii znalostných grafov (KG) a symbolického usudzovania za účelom riešenia obmedzení čisto neurónových prístupov:

Automatická konštrukcia znalostných grafov

Efektívnosť na CPU a odľahčené prístupy

Ekologický dopad AI

Súlad s GDPR a AI Act

3. Ciele

Hlavný cieľ

Preukázať uskutočniteľnosť a vyhodnotiť výkon čisto symbolického QA systému bežiaceho iba na CPU, ktorého znalostný graf je automaticky vytvorený z dokumentov v prirodzenom jazyku.

Vedľajšie ciele

  1. Dosiahnuť konkurencieschopný výkon na uznávaných benchmarkoch KGQA.
  2. Merať a porovnávať energetickú stopu (CPU vs GPU) za účelom preukázania ekologického prínosu.
  3. Preukázať vnútornú interpretovateľnosť systému (sledovateľnosť každej odpovede).
  4. Poskytnúť reprodukovateľný, dokumentovaný softvér pod etickou licenciou.

4. Architektúra a technické špecifikácie

4.1. Celková architektúra

Systém je rozdelený do dvoch odlišných fáz:

Fáza 1 — Konštrukcia znalostného grafu (offline, GPU povolený)

Dokumenty v prirodzenom jazyku → Predspracovanie → NER → Extrakcia relácií → Riešenie koreferencií
    → Konštrukcia KG (RDF/OWL trojice) → Uloženie grafu

Fáza 2 — Otázky a odpovede (runtime, striktne iba CPU)

Otázka v prirodzenom jazyku → Syntaktická/sémantická analýza → Transformácia na formálny dotaz
    → Prechod KG → Logické usudzovanie → Generovanie odpovede
    → Vysvetľovacia stopa

4.2. Hardvérové špecifikácie

KomponentFáza 1 (Konštrukcia KG)Fáza 2 (QA runtime)
CPUIntel Core i9 (max)Intel Core i9 (max)
GPUNVIDIA RTX 3090 (24 GB VRAM)Žiaden (striktne iba CPU)
RAM32 GB (max)32 GB (dostatočné)
ÚložiskoNVMe SSDNVMe SSD

Odôvodnenie: Fáza 1 môže využívať GPU na spúšťanie kvantizovaných LLM s otvorenými váhami, ktoré riadia konštrukciu pipeline. Fáza 2, ktorá predstavuje nasaditeľný systém, musí byť striktne iba CPU, aby bola zaručená dostupnosť, suverenita a úspornosť.

4.3. Vývojové prostredie

4.4. Supervízia LLM

Vývoj systému je úplne riadený jedným alebo viacerými LLM s otvorenými váhami, spustiteľnými lokálne na špecifikovanom hardvéri (Fáza 1). Výber modelov, kvantizácie a inferenčného rámca je ponechaný na účastníkovi.

5. Navrhovaná architektúra pipeline

Nasledujúce rozčlenenie je uvedené ako odporúčanie. Účastníci môžu navrhnúť odlišnú architektúru, pokiaľ splnia funkčné obmedzenia (sekcie 3, 4 a 12) a licenčné požiadavky (sekcia 6).

5.1. Predspracovanie textu

  • Segmentácia viet
  • Tokenizácia
  • Lemmatizácia
  • Značkovanie slovných druhov
  • Závislostná analýza

5.2. Rozpoznávanie pomenovaných entít (NER)

  • Detekcia entít (osoby, lokality, organizácie, dátumy, koncepty)
  • Typovanie entít podľa doménovej ontológie
  • Riešenie koreferencií

5.3. Extrakcia relácií (RE)

  • Extrakcia trojíc (subjekt, predikát, objekt) z textu
  • Otvorená alebo vzorom riadená extrakcia

5.4. Konštrukcia znalostného grafu

  • Normalizácia a zlučovanie entít (entity linking)
  • Konštrukcia a uloženie grafu (trojice)
  • Obohatenie odvodzovaním implicitných relácií
  • Validácia a čistenie grafu

5.5. Porozumenie otázkam

  • Syntaktická analýza otázky v prirodzenom jazyku
  • Identifikácia typu otázky (kto, čo, kde, kedy…)
  • Extrakcia zmienených entít a relácií
  • Transformácia na formálny dotaz nad grafom

5.6. Usudzovanie a hľadanie odpovedí

  • Prechod znalostným grafom (usudzovanie na viacerých krokoch)
  • Logická rezolúcia a hodnotenie kandidátnych odpovedí

5.7. Generovanie odpovedí a vysvetlenia

  • Formulácia odpovede v prirodzenom jazyku
  • Kompletná vysvetľovacia stopa: cesta v KG, aplikované pravidlá, zapojené entity a relácie, dôvera/kompletnosť

6. Licenčné obmedzenia

6.1. Hippocratic License 3.0 (HL3)

Výsledný softvér bude publikovaný pod licenciou Hippocratic License 3.0 (firstdonoharm.dev). Táto licencia:

6.2. Kompatibilita závislostí

LicenciaKompatibilná s HL3Príklady
MIT✅ Áno—
BSD (2/3-clause)✅ Áno—
Apache 2.0✅ Áno—
ISC / CC0✅ Áno—
GPL v2/v3⚠️ Potenciálne nekompatibilná—
AGPL❌ Pravdepodobne nekompatibilná—

6.3. Odporúčané voliteľné moduly HL3

7. Regulačný súlad

7.1. GDPR

Princíp GDPRImplementácia
Minimalizácia dát (čl. 5.1.c)KG uchováva iba relevantné extrahované trojice, nie surové osobné údaje.
Právo na vysvetlenie (čl. 22 + recitál 71)Kompletná vysvetľovacia stopa pre každú odpoveď.
Právo na výmaz (čl. 17)Možnosť vymazať entity/trojice z KG.
Ochrana súkromia od návrhu (čl. 25)Žiadne citlivé údaje v KG bez dokumentovanej nutnosti.
Žiadne automatizované profilovanie (čl. 22)Systém nevykonáva automatizované rozhodnutia o jednotlivcoch.

7.2. Európsky AI Act

Požiadavka AI ActSúlad
Transparentnosť (čl. 13)Vnútorne interpretovateľná symbolická architektúra — každý krok usudzovania je sledovateľný.
Vysvetliteľnosť (čl. 13.1)Kompletná stopa: otázka → formálny dotaz → cesta v KG → odpoveď.
Technická dokumentácia (čl. 11)Plne dokumentovateľný symbolický pipeline (gramatiky, pravidlá, ontológia).
Robustnosť a presnosť (čl. 15)Žiadne halucinácie — odpovede pochádzajú výhradne z KG.
Ľudský dohľad (čl. 14)KG je kontrolovateľný a upraviteľný človekom.
Riadenie rizík (čl. 9)Nízke riziko: žiaden nepriehľadný model, žiadna emergentná zaujatosť.
Kľúčový argument: Čisto symbolický systém je natívne v súlade s požiadavkami na transparentnosť a vysvetliteľnosť AI Act, na rozdiel od systémov založených na LLM, ktoré vyžadujú dodatočné vrstvy XAI (Goncalves & Correia, 2026; Wagner et al., 2025).

8. Ekologický dopad

8.1. Problém

8.2. Výhoda symbolického prístupu iba na CPU

MetrikaSystém LLM (GPU)Výzva AI (CPU-only)Odhadovaný zisk
Okamžitý príkon300–400 W (GPU)65–125 W (CPU)~3–5×
Latencia na dotaz0,5–5 s< 100 ms (cieľ)~5–50×
Energia na dotaz~0,001–0,01 kWh~0,000001–0,00001 kWh~100–1000×
Potrebný hardvérGPU ≥ 6 000 €Spotrebiteľský CPU < 500 €~12×

8.3. Povinné meranie

Projekt musí merať a reportovať:

9. Reprodukovateľnosť

  1. Kompletný zdrojový kód: publikovaný vo verejnom repozitári pod licenciou HL3.
  2. Inštalačné pokyny: automatizovaný skript alebo kontajnerizácia.
  3. Testovacie dáta: výhradné použitie verejných benchmarkov.
  4. Náhodné semienka: pevne stanovené a dokumentované pre akúkoľvek stochastickú zložku.
  5. Verzie závislostí: súbor s pevnými verziami závislostí.
  6. Kontajnerizácia: kompletný systém musí byť reprodukovateľne spustiteľný.
  7. Dokumentovaný minimálny hardvér: explicitné minimálne špecifikácie.

Maximálny požadovaný hardvér (i9 + RTX 3090) je dostupný širokej verejnosti. Fáza 2 (QA runtime) nevyžaduje GPU, čo umožňuje spustenie na jednoduchom notebooku.

10. Suverenita, bezpečnosť a súkromie

Digitálna suverenita

  • Žiadna závislosť na cloude — plne lokálna prevádzka.
  • Žiadne volania externých API — žiadne dáta neopúšťajú počítač.
  • LLM s otvorenými váhami na stiahnutie a lokálne spustenie.
  • Žiadne závislostné zamknutie na dodávateľovi.

Bezpečnosť

  • Spúšťanie v sandboxe (izolované prostredie).
  • Žiadne spúšťanie ľubovoľného kódu.
  • Žiadna prompt injection (žiaden LLM pri inferencii).
  • Validácia vstupu formálnou gramatikou.

Súkromie

  • Výhradne lokálne spracovanie — dokumenty nikdy neopúšťajú počítač.
  • Žiadna telemetria.
  • KG vymazateľný na požiadanie.
  • Možnosť vytvoriť oddelené KG pre jednotlivých používateľov alebo domény.

11. Benchmarky a hodnotenie

11.1. Uznávané benchmarky KGQA

Systém musí byť vyhodnotený na aspoň dvoch z nasledujúcich benchmarkov:

BenchmarkPopisVeľkosťReferencia
SimpleQuestionsJednoduché faktické otázky na Freebase~100K otázokACL
WebQuestionsSPWebové otázky s anotáciami SPARQL~4 737 otázokACL
LC-QuAD 2.0Zložité otázky na DBpedia/Wikidata~30K otázokISWC
ComplexWebQuestionsViackrokové otázky na Freebase~34K otázokNAACL
QALDViacjazyčná výzva, malý rozsah~400–500 otázokCLEF/ESWC
MINTQANedávny benchmark pre LLM+KG na vzácnych entitáchVariabilnáEMNLP 2025
SQuAD 2.0Extrakčné QA na odsekoch~150K otázokACL
Natural QuestionsSkutočné otázky z Google~307K otázokTACL
TriviaQAKvízové QA s podpornými dokumentmi~95K otázokACL

Odporúčanie: uprednostniť LC-QuAD 2.0 a QALD, doplnené o SQuAD alebo Natural Questions na porovnanie s neurónovými prístupmi.

11.2. Metriky hodnotenia

KategóriaMetrikaPopis
Výkon QAF1 skóre, Exact Match (EM)Presnosť odpovedí
Výkon QAHits@1, Hits@5Miera správnych odpovedí v top-k
Výkon QAMRRPriemerné poradie správnej odpovede
LatenciaPriemerná/p95 doba odozvy (ms)Merané iba na CPU
PriepustnosťOtázok/sekunduPriepustnosť
EkológiakWh/dotaz, gCO₂/dotazPomocou codecarbon/carbontracker
VysvetliteľnosťMiera sledovateľnosti% odpovedí s kompletnou stopou (cieľ: 100 %)
Pokrytie KGTrojice, entity, reláciePopisná štatistika

11.3. Porovnávacie základne

  1. RAG + LLM (GPU): neurónová základňa na GPU.
  2. KG-RAG (GPU): hybridná základňa KG + LLM.
  3. Priamy SPARQL: čisto symbolická základňa (ručné dotazy na rovnakom KG).

12. Výkonnostné špecifikácie

KritériumCieľOdôvodnenie
Latencia QA< 100 ms (p95)Prijateľná používateľská interaktivita
Konštrukcia KG< 1 min / 1 000 krátkych dokumentovPraktickosť
Pamäťová stopa QA< 4 GB RAMSpustiteľné na skromnom PC
Veľkosť KGŠkálovateľný na 10M+ trojícDostatočné pokrytie pre benchmarky
Presnosť QA≥ 50 % F1 na jednoduchých benchmarkochInterpretovateľnosť a úspornosť ako hlavné argumenty
Sledovateľnosť100 % odpovedí vysvetlenýchKľúčová výhoda symbolického prístupu

13. Riziká a opatrenia

RizikoPravdepodobnosťDopadOpatrenie
Nedostatočný výkon QA oproti LLMVysokáStrednýZameranie na interpretovateľnosť/úspornosť
Nedostatočná kvalita automatického KGStrednáVysokýIterácia pravidiel, supervízia LLM
Zložitosť viackrokových otázokVysokáStrednýObmedzenie na ≤ 3 kroky, dokumentácia obmedzení
Nekompatibilita licencie závislostíNízkaVysokýSystematický audit licencií
LLM s otvorenými váhami nedostatočný pre supervíziuStrednáStrednýTestovanie a kombinácia viacerých modelov
Obmedzené pokrytie KG vo veľkom meradleStrednáStrednýZačať s QALD, potom škálovať

14. Kritériá úspechu

  1. QA systém funguje úplne na CPU bez GPU pri inferencii.
  2. KG je vytvorený automaticky z dokumentov v prirodzenom jazyku.
  3. Výkon je meraný na ≥ 2 uznávaných verejných benchmarkoch.
  4. 100 % odpovedí je sprevádzaných vysvetľovacou stopou.
  5. Spotreba energie je meraná a porovnávaná s referenčným systémom na GPU.
  6. Kód je publikovaný pod licenciou Hippocratic 3.0 s kompatibilnými závislosťami.
  7. Systém je reprodukovateľný pomocou Docker na špecifikovanom hardvéri.
  8. Vývoj je úplne vykonaný LLM s otvorenými váhami v sandboxe.

15. Bibliografické odkazy

  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.