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).
- Čisto symbolický QA systém (žiadna neurónová sieť pri inferencii)
- Iba CPU za behu (žiaden GPU)
- Automatická konštrukcia KG z dokumentov v prirodzenom jazyku
- Vývoj úplne riadený kvantizovanými LLM s otvorenými váhami
- Natívny súlad s GDPR/AI Act už od návrhu (vnútorná interpretovateľnosť)
- 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:
- Cheng et al. (2025), "Neural-symbolic methods for knowledge graph reasoning" (ACM TKDD) — rozlišujú prístupy k dopĺňaniu KG, odpovedaniu na zložité dotazy a učeniu logických pravidiel; identifikujú potenciál čisto symbolických metód pre interpretovateľnosť.
- Niu et al. (2026), "A Comprehensive Survey of Knowledge Graph Reasoning" (IEEE Trans. Big Data) — pokrývajú usudzovanie na viacerých krokoch v KG, vrátane prístupov induktívneho logického programovania (ILP).
- Linders & Tomczak (2025), "Knowledge graph-extended RAG for QA" (Applied Intelligence) — demonštrujú, že KG umožňujú symbolické usudzovanie a overiteľné odpovede.
- Chudasama et al. (2025), "Toward interpretable hybrid AI" (IEEE Access) — navrhujú TrustKG kombinujúci symbolickú interpretovateľnosť s KG.
- Agarwal & Bedathur (2025), "A Zero-Shot Neuro-Symbolic Approach for Complex KGQA" (EMNLP Findings 2025).
- Liu et al. (2025), "SymAgent" (TheWebConf 2025) — samoučiaci sa symbolický agent pre KGQA.
Automatická konštrukcia znalostných grafov
- Zavarella (2026), "Methods for KG Construction from Text Collections" (arXiv) — rámec kombinujúci NLP, ML a Sémantický web.
- Salman et al. (2024), "Doc-KG" (Expert Systems) — konštrukcia KG z neštruktúrovaných dokumentov.
- Chen et al. (2025), "Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs" (TheWebConf 2025).
Efektívnosť na CPU a odľahčené prístupy
- 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) potvrdzujú, že „spaCy poskytuje ľahkú extrakciu s vysokou presnosťou, efektívnu na štandardnom CPU".
- Okechukwu et al. (2025) potvrdzujú, že „spaCy a NLTK pracujú efektívne na štandardných CPU".
Ekologický dopad AI
- Kim & Yoo (2026), "Toward Sustainable AI" (IEEE Access) — uhlíková stopa dátových centier AI sa medzi rokmi 2024 a 2025 strojnásobila.
- Hasan et al. (2025), "Carbon emission quantification of ML" (IEEE Trans.).
- Tunzina et al. (2026), "GreenAI: Environmental Efficiency in LLM-Generated Code" (IEEE Access).
Súlad s GDPR a 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. 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
- Dosiahnuť konkurencieschopný výkon na uznávaných benchmarkoch KGQA.
- Merať a porovnávať energetickú stopu (CPU vs GPU) za účelom preukázania ekologického prínosu.
- Preukázať vnútornú interpretovateľnosť systému (sledovateľnosť každej odpovede).
- 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
| Komponent | Fáza 1 (Konštrukcia KG) | Fáza 2 (QA runtime) |
|---|---|---|
| CPU | Intel Core i9 (max) | Intel Core i9 (max) |
| GPU | NVIDIA RTX 3090 (24 GB VRAM) | Žiaden (striktne iba CPU) |
| RAM | 32 GB (max) | 32 GB (dostatočné) |
| Úložisko | NVMe SSD | NVMe 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
- Sandbox: vývoj v izolovanom prostredí pre bezpečnosť a reprodukovateľnosť.
- Cieľový OS: Linux (primárny cieľ), s požadovanou prenositeľnosťou na Windows/macOS.
- Jazyk(y): voľný výber, za predpokladu, že závislosti spĺňajú licenčné obmedzenia (sekcia 6).
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:
- Nie je považovaná za open source v zmysle OSI (etické obmedzenia použitia).
- Je licencia typu copyleft (sekcia 8.3).
- Ukladá etické štandardy založené na základných ľudských právach (UDHR, ICESCR, ICCPR, ILO).
6.2. Kompatibilita závislostí
| Licencia | Kompatibilná s HL3 | Príklady |
|---|---|---|
| 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
- HL3-ECO (Ekocída) — v súlade s cieľom zníženia ekologického dopadu.
- HL3-MEDIA — zákaz použitia na propagáciu násilia.
- HL3-SV (Masový dohľad) — v súlade so suverenitou a súkromím.
7. Regulačný súlad
7.1. GDPR
| Princíp GDPR | Implementácia |
|---|---|
| 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 Act | Súlad |
|---|---|
| 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. |
8. Ekologický dopad
8.1. Problém
- Trénovanie GPT-3 spotrebovalo približne 1 287 MWh, t. j. ~552 ton CO₂.
- Uhlíková stopa dátových centier AI sa medzi rokmi 2024 a 2025 strojnásobila (Awab, 2026).
- Dotaz na LLM spotrebuje približne 10× viac energie ako štandardné webové vyhľadávanie (Kim & Yoo, 2026).
8.2. Výhoda symbolického prístupu iba na CPU
| Metrika | Systém LLM (GPU) | Výzva AI (CPU-only) | Odhadovaný zisk |
|---|---|---|---|
| Okamžitý príkon | 300–400 W (GPU) | 65–125 W (CPU) | ~3–5× |
| Latencia na dotaz | 0,5–5 s | < 100 ms (cieľ) | ~5–50× |
| Energia na dotaz | ~0,001–0,01 kWh | ~0,000001–0,00001 kWh | ~100–1000× |
| Potrebný hardvér | GPU ≥ 6 000 € | Spotrebiteľský CPU < 500 € | ~12× |
8.3. Povinné meranie
Projekt musí merať a reportovať:
- Spotrebu energie (kWh) pre konštrukciu KG.
- Spotrebu energie na QA dotaz.
- Zodpovedajúcu uhlíkovú stopu CO₂.
- Porovnanie s referenčným systémom na GPU.
9. Reprodukovateľnosť
- Kompletný zdrojový kód: publikovaný vo verejnom repozitári pod licenciou HL3.
- Inštalačné pokyny: automatizovaný skript alebo kontajnerizácia.
- Testovacie dáta: výhradné použitie verejných benchmarkov.
- Náhodné semienka: pevne stanovené a dokumentované pre akúkoľvek stochastickú zložku.
- Verzie závislostí: súbor s pevnými verziami závislostí.
- Kontajnerizácia: kompletný systém musí byť reprodukovateľne spustiteľný.
- 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:
| Benchmark | Popis | Veľkosť | Referencia |
|---|---|---|---|
| SimpleQuestions | Jednoduché faktické otázky na Freebase | ~100K otázok | ACL |
| WebQuestionsSP | Webové otázky s anotáciami SPARQL | ~4 737 otázok | ACL |
| LC-QuAD 2.0 | Zložité otázky na DBpedia/Wikidata | ~30K otázok | ISWC |
| ComplexWebQuestions | Viackrokové otázky na Freebase | ~34K otázok | NAACL |
| QALD | Viacjazyčná výzva, malý rozsah | ~400–500 otázok | CLEF/ESWC |
| MINTQA | Nedávny benchmark pre LLM+KG na vzácnych entitách | Variabilná | EMNLP 2025 |
| SQuAD 2.0 | Extrakčné QA na odsekoch | ~150K otázok | ACL |
| Natural Questions | Skutočné otázky z Google | ~307K otázok | TACL |
| TriviaQA | Kvízové QA s podpornými dokumentmi | ~95K otázok | ACL |
Odporúčanie: uprednostniť LC-QuAD 2.0 a QALD, doplnené o SQuAD alebo Natural Questions na porovnanie s neurónovými prístupmi.
11.2. Metriky hodnotenia
| Kategória | Metrika | Popis |
|---|---|---|
| Výkon QA | F1 skóre, Exact Match (EM) | Presnosť odpovedí |
| Výkon QA | Hits@1, Hits@5 | Miera správnych odpovedí v top-k |
| Výkon QA | MRR | Priemerné poradie správnej odpovede |
| Latencia | Priemerná/p95 doba odozvy (ms) | Merané iba na CPU |
| Priepustnosť | Otázok/sekundu | Priepustnosť |
| Ekológia | kWh/dotaz, gCO₂/dotaz | Pomocou codecarbon/carbontracker |
| Vysvetliteľnosť | Miera sledovateľnosti | % odpovedí s kompletnou stopou (cieľ: 100 %) |
| Pokrytie KG | Trojice, entity, relácie | Popisná štatistika |
11.3. Porovnávacie základne
- RAG + LLM (GPU): neurónová základňa na GPU.
- KG-RAG (GPU): hybridná základňa KG + LLM.
- Priamy SPARQL: čisto symbolická základňa (ručné dotazy na rovnakom KG).
12. Výkonnostné špecifikácie
| Kritérium | Cieľ | Odôvodnenie |
|---|---|---|
| Latencia QA | < 100 ms (p95) | Prijateľná používateľská interaktivita |
| Konštrukcia KG | < 1 min / 1 000 krátkych dokumentov | Praktickosť |
| Pamäťová stopa QA | < 4 GB RAM | Spustiteľné na skromnom PC |
| Veľkosť KG | Škálovateľný na 10M+ trojíc | Dostatočné pokrytie pre benchmarky |
| Presnosť QA | ≥ 50 % F1 na jednoduchých benchmarkoch | Interpretovateľnosť a úspornosť ako hlavné argumenty |
| Sledovateľnosť | 100 % odpovedí vysvetlených | Kľúčová výhoda symbolického prístupu |
13. Riziká a opatrenia
| Riziko | Pravdepodobnosť | Dopad | Opatrenie |
|---|---|---|---|
| Nedostatočný výkon QA oproti LLM | Vysoká | Stredný | Zameranie na interpretovateľnosť/úspornosť |
| Nedostatočná kvalita automatického KG | Stredná | Vysoký | Iterácia pravidiel, supervízia LLM |
| Zložitosť viackrokových otázok | Vysoká | Stredný | Obmedzenie na ≤ 3 kroky, dokumentácia obmedzení |
| Nekompatibilita licencie závislostí | Nízka | Vysoký | Systematický audit licencií |
| LLM s otvorenými váhami nedostatočný pre supervíziu | Stredná | Stredný | Testovanie a kombinácia viacerých modelov |
| Obmedzené pokrytie KG vo veľkom meradle | Stredná | Stredný | Začať s QALD, potom škálovať |
14. Kritériá úspechu
- QA systém funguje úplne na CPU bez GPU pri inferencii.
- KG je vytvorený automaticky z dokumentov v prirodzenom jazyku.
- Výkon je meraný na ≥ 2 uznávaných verejných benchmarkoch.
- 100 % odpovedí je sprevádzaných vysvetľovacou stopou.
- Spotreba energie je meraná a porovnávaná s referenčným systémom na GPU.
- Kód je publikovaný pod licenciou Hippocratic 3.0 s kompatibilnými závislosťami.
- Systém je reprodukovateľný pomocou Docker na špecifikovanom hardvéri.
- Vývoj je úplne vykonaný LLM s otvorenými váhami v sandboxe.
15. Bibliografické odkazy
- 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.