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

Izziv UI

Zasnovati čisto simbolični sistem vprašanj in odgovorov, ki deluje samo na CPU, katerega graf znanja je samodejno zgrajen iz dokumentov v naravnem jeziku.

Green AI • CPU-only • Simbolični • Razložljiv

1. Povzetek izziva

Izziv si zastavlja zasnovo, implementacijo in vrednotenje sistema vprašanj in odgovorov (QA), ki deluje izključno na CPU, temelječega na čisto simbolični arhitekturi (leksikon, gramatike, graf znanja, formalna logika). Celoten razvoj sistema je voden s kvantiziranimi LLM z odprtimi utežmi, izvedljivimi na potrošniški strojni opremi (i9 CPU, RTX 3090).

Ta projekt spada v gibanje Green AI (Schwartz et al., 2020) in Frugal AI, v nasprotju z dirko za vedno večjimi modeli, katerih ogljični odtis je postal zaskrbljujoč (Kim et al., 2026; Hasan et al., 2025). Prav tako naslavlja naraščajoče zahteve po transparentnosti, razložljivosti in regulativni skladnosti, ki jih nalagata GDPR in evropski AI Act (Wagner et al., 2025; Juliussen, 2025).

Izvirnost: Nobeno obstoječe delo ne združuje hkrati naslednjih omejitev:
  1. Čisto simbolični QA sistem (brez nevronske mreže pri sklepanju)
  2. Samo CPU med delovanjem (brez GPU)
  3. Samodejna gradnja KG iz dokumentov v naravnem jeziku
  4. Razvoj v celoti voden s kvantiziranimi LLM z odprtimi utežmi
  5. Izvorna skladnost z GDPR/AI Act že od zasnove (intrinzična interpretabilnost)
  6. Etična licenca (Hippocratic 3.0)

2. Kontekst in znanstveno umeščanje

2.1. Opredelitev problema

Trenutni QA sistemi se močno zanašajo na LLM (GPT, LLaMA itd.), ki zahtevajo drage GPU za sklepanje ter odpirajo vprašanja halucinacij, ponovljivosti, razložljivosti in podatkovne suverenosti. Delujejo kot črne škatle in jih je težko uskladiti z zahtevami evropskega AI Act (člen 13) glede transparentnosti visokotveganih sistemov (Wagner, 2025; Boshnjakovski, 2025).

2.2. Pregled stanja

Nevro-simbolični pristopi in KG-QA

Nedavna literatura konvergira k integraciji grafov znanja (KG) in simboličnega sklepanja za reševanje omejitev čisto nevronskih pristopov:

Samodejna gradnja grafov znanja

Učinkovitost na CPU in lahki pristopi

Ekološki vpliv UI

Skladnost z GDPR in AI Act

3. Cilji

Glavni cilj

Dokazati izvedljivost in ovrednotiti zmogljivost čisto simboličnega QA sistema, ki deluje samo na CPU, katerega graf znanja je samodejno zgrajen iz dokumentov v naravnem jeziku.

Sekundarni cilji

  1. Doseči konkurenčno zmogljivost na priznanih primerjalnih testih KGQA.
  2. Izmeriti in primerjati energijski odtis (CPU proti GPU) za dokazovanje ekološke koristi.
  3. Dokazati intrinzično interpretabilnost sistema (sledljivost vsakega odgovora).
  4. Zagotoviti ponovljivo, dokumentirano programsko opremo pod etično licenco.

4. Arhitektura in tehnične specifikacije

4.1. Celotna arhitektura

Sistem je razdeljen na dve ločeni fazi:

Faza 1 — Gradnja grafa znanja (brez povezave, GPU dovoljen)

Dokumenti v naravnem jeziku → Predprocesiranje → NER → Ekstrakcija relacij → Razrešitev koreferenc
    → Gradnja KG (RDF/OWL trojice) → Shranjevanje grafa

Faza 2 — Vprašanja in odgovori (med delovanjem, strogo samo CPU)

Vprašanje v naravnem jeziku → Sintaktična/semantična analiza → Pretvorba v formalno poizvedbo
    → Prehod KG → Logično sklepanje → Generiranje odgovora
    → Sled razlage

4.2. Strojne specifikacije

KomponentaFaza 1 (Gradnja KG)Faza 2 (QA med delovanjem)
CPUIntel Core i9 (maks.)Intel Core i9 (maks.)
GPUNVIDIA RTX 3090 (24 GB VRAM)Brez (strogo samo CPU)
RAM32 GB (maks.)32 GB (zadostno)
ShrambaNVMe SSDNVMe SSD

Utemeljitev: Faza 1 lahko uporablja GPU za poganjanje kvantiziranih LLM z odprtimi utežmi, ki vodijo gradnjo cevovoda. Faza 2, ki predstavlja namestitveni sistem, mora biti strogo samo CPU, da se zagotovi dostopnost, suverenost in varčnost.

4.3. Razvojno okolje

4.4. Nadzor LLM

Razvoj sistema je v celoti voden z enim ali več LLM z odprtimi utežmi, izvedljivimi lokalno na navedeni strojni opremi (Faza 1). Izbira modelov, kvantizacije in inferenčnega ogrodja je prepuščena udeležencu.

5. Predlagana arhitektura cevovoda

Naslednja razčlenitev je podana kot smernica. Udeleženci lahko predlagajo drugačno arhitekturo, pod pogojem, da izpolnjujejo funkcionalne zahteve (poglavja 3, 4 in 12) in licenčne pogoje (poglavje 6).

5.1. Predprocesiranje besedila

  • Segmentacija stavkov
  • Tokenizacija
  • Lematizacija
  • Označevanje besednih vrst
  • Odvisnostno razčlenjevanje

5.2. Prepoznavanje imenskih entitet (NER)

  • Zaznavanje entitet (osebe, lokacije, organizacije, datumi, koncepti)
  • Tipizacija entitet po domenski ontologiji
  • Razrešitev koreferenc

5.3. Ekstrakcija relacij (RE)

  • Ekstrakcija trojic (subjekt, predikat, objekt) iz besedila
  • Odprta ali z vzorci vodena ekstrakcija

5.4. Gradnja grafa znanja

  • Normalizacija in združevanje entitet (entity linking)
  • Gradnja in shranjevanje grafa (trojice)
  • Obogatitev z izpeljevanjem implicitnih relacij
  • Validacija in čiščenje grafa

5.5. Razumevanje vprašanj

  • Sintaktična analiza vprašanja v naravnem jeziku
  • Prepoznavanje tipa vprašanja (kdo, kaj, kje, kdaj…)
  • Ekstrakcija omenjenih entitet in relacij
  • Pretvorba v formalno poizvedbo nad grafom

5.6. Sklepanje in iskanje odgovorov

  • Prehod grafa znanja (večkoračno sklepanje)
  • Logična rezolucija in razvrščanje kandidatnih odgovorov

5.7. Generiranje odgovorov in razlage

  • Oblikovanje odgovora v naravnem jeziku
  • Popoln sled razlage: pot v KG, uporabljena pravila, vključene entitete in relacije, zaupanje/popolnost

6. Licenčne omejitve

6.1. Hippocratic License 3.0 (HL3)

Končna programska oprema bo objavljena pod licenco Hippocratic License 3.0 (firstdonoharm.dev). Ta licenca:

6.2. Združljivost odvisnosti

LicencaZdružljiva s HL3Primeri
MIT✅ Da—
BSD (2/3-clause)✅ Da—
Apache 2.0✅ Da—
ISC / CC0✅ Da—
GPL v2/v3⚠️ Potencialno nezdružljiva—
AGPL❌ Verjetno nezdružljiva—

6.3. Priporočeni izbirni moduli HL3

7. Regulativna skladnost

7.1. GDPR

Načelo GDPRImplementacija
Minimizacija podatkov (čl. 5.1.c)KG hrani samo relevantne ekstrahirane trojice, ne surovih osebnih podatkov.
Pravica do razlage (čl. 22 + uvodna izjava 71)Popoln sled razlage za vsak odgovor.
Pravica do izbrisa (čl. 17)Možnost brisanja entitet/trojic iz KG.
Zasebnost od zasnove (čl. 25)Brez občutljivih podatkov v KG brez dokumentirane nujnosti.
Brez avtomatiziranega profiliranja (čl. 22)Sistem ne sprejema avtomatiziranih odločitev o posameznikih.

7.2. Evropski AI Act

Zahteva AI ActSkladnost
Transparentnost (čl. 13)Intrinzično interpretabilna simbolična arhitektura — vsak korak sklepanja je sledljiv.
Razložljivost (čl. 13.1)Popoln sled: vprašanje → formalna poizvedba → pot v KG → odgovor.
Tehnična dokumentacija (čl. 11)Polno dokumentiran simbolični cevovod (gramatike, pravila, ontologija).
Robustnost in natančnost (čl. 15)Brez halucinacij — odgovori izvirajo izključno iz KG.
Človeški nadzor (čl. 14)KG je pregleden in spremenljiv s strani človeka.
Upravljanje tveganj (čl. 9)Nizko tveganje: brez nepreglednega modela, brez emergentne pristranskosti.
Ključni argument: Čisto simbolični sistem je izvorno skladen z zahtevami po transparentnosti in razložljivosti AI Act, za razliko od sistemov na osnovi LLM, ki zahtevajo dodatne plasti XAI (Goncalves & Correia, 2026; Wagner et al., 2025).

8. Ekološki vpliv

8.1. Problem

8.2. Prednost simboličnega pristopa samo na CPU

MetrikaSistem LLM (GPU)Izziv UI (CPU-only)Ocenjen dobiček
Trenutna moč300–400 W (GPU)65–125 W (CPU)~3–5×
Zakasnitev na poizvedbo0,5–5 s< 100 ms (cilj)~5–50×
Energija na poizvedbo~0,001–0,01 kWh~0,000001–0,00001 kWh~100–1000×
Potrebna strojna opremaGPU ≥ 6.000 €Potrošniški CPU < 500 €~12×

8.3. Obvezno merjenje

Projekt mora izmeriti in poročati:

9. Ponovljivost

  1. Popolna izvorna koda: objavljena v javnem repozitoriju pod licenco HL3.
  2. Navodila za namestitev: avtomatizirani skript ali kontejnerizacija.
  3. Testni podatki: izključna uporaba javnih primerjalnih testov.
  4. Naključna semena: fiksna in dokumentirana za vsako stohastično komponento.
  5. Verzioniranje odvisnosti: datoteka s fiksnimi različicami odvisnosti.
  6. Kontejnerizacija: celoten sistem mora biti ponovljivo izvedljiv.
  7. Dokumentirana minimalna strojna oprema: izrecne minimalne specifikacije.

Največja zahtevana strojna oprema (i9 + RTX 3090) je dostopna široki javnosti. Faza 2 (QA med delovanjem) ne zahteva GPU, kar omogoča izvajanje na preprostem prenosniku.

10. Suverenost, varnost in zasebnost

Digitalna suverenost

  • Brez odvisnosti od oblaka — popolnoma lokalno delovanje.
  • Brez klicev zunanjih API — nobeni podatki ne zapustijo naprave.
  • LLM z odprtimi utežmi za prenos in lokalno izvajanje.
  • Brez vezave na ponudnika.

Varnost

  • Izvajanje v peskovniku (izolirano okolje).
  • Brez izvajanja poljubne kode.
  • Brez prompt injection (brez LLM pri sklepanju).
  • Preverjanje vnosa s formalno gramatiko.

Zasebnost

  • Izključno lokalno procesiranje — dokumenti nikoli ne zapustijo naprave.
  • Brez telemetrije.
  • KG izbrisljiv na zahtevo.
  • Možnost instanciranja ločenih KG na uporabnika ali domeno.

11. Primerjalna testiranja in vrednotenje

11.1. Priznavana primerjalna testiranja KGQA

Sistem mora biti ovrednoten na vsaj dveh od naslednjih primerjalnih testov:

Primerjalni testOpisVelikostReferenca
SimpleQuestionsPreprosta dejstvena vprašanja na Freebase~100K vprašanjACL
WebQuestionsSPSpletna vprašanja z anotacijami SPARQL~4.737 vprašanjACL
LC-QuAD 2.0Kompleksna vprašanja na DBpedia/Wikidata~30K vprašanjISWC
ComplexWebQuestionsVečkoračna vprašanja na Freebase~34K vprašanjNAACL
QALDVečjezični izziv, majhen obseg~400–500 vprašanjCLEF/ESWC
MINTQANedavni primerjalni test za LLM+KG na redkih entitetahSpremenljivaEMNLP 2025
SQuAD 2.0Ekstrakcijski QA na odstavkih~150K vprašanjACL
Natural QuestionsResnična vprašanja iz Google~307K vprašanjTACL
TriviaQAKviz QA s podpornimi dokumenti~95K vprašanjACL

Priporočilo: prednostno obravnavati LC-QuAD 2.0 in QALD, dopolnjena s SQuAD ali Natural Questions za primerjavo z nevronskimi pristopi.

11.2. Metrike vrednotenja

KategorijaMetrikaOpis
Zmogljivost QAF1 ocena, Exact Match (EM)Natančnost odgovorov
Zmogljivost QAHits@1, Hits@5Delež pravilnih odgovorov v prvih k
Zmogljivost QAMRRSrednji rang pravilnega odgovora
ZakasnitevPovprečni/p95 odzivni čas (ms)Merjeno samo na CPU
PrepustnostVprašanj/sekundoPrepustnost
EkologijakWh/poizvedba, gCO₂/poizvedbaPrek codecarbon/carbontracker
RazložljivostStopnja sledljivosti% odgovorov s popolnim sledom (cilj: 100 %)
Pokritost KGTrojice, entitete, relacijeOpisna statistika

11.3. Primerjalne osnove

  1. RAG + LLM (GPU): nevronska osnova na GPU.
  2. KG-RAG (GPU): hibridna osnova KG + LLM.
  3. Neposredni SPARQL: čisto simbolična osnova (ročne poizvedbe na istem KG).

12. Zmogljivostne specifikacije

MeriloCiljUtemeljitev
Zakasnitev QA< 100 ms (p95)Sprejemljiva uporabniška interaktivnost
Gradnja KG< 1 min / 1.000 kratkih dokumentovPraktičnost
Pomnilniški odtis QA< 4 GB RAMIzvedljivo na skromnem PC
Velikost KGSkalabilno na 10M+ trojicZadostna pokritost za primerjalne teste
Natančnost QA≥ 50 % F1 na preprostih primerjalnih testihInterpretabilnost in varčnost kot glavna argumenta
Sledljivost100 % odgovorov razloženihKljučna prednost simboličnega pristopa

13. Tveganja in ukrepi

TveganjeVerjetnostVplivUkrep
Nezadostna zmogljivost QA v primerjavi z LLMVisokaSrednjiOsredotočenje na interpretabilnost/varčnost
Nezadostna kakovost samodejnega KGSrednjaVisokIteracija pravil, nadzor LLM
Kompleksnost večkoračnih vprašanjVisokaSrednjiOmejitev na ≤ 3 korake, dokumentacija omejitev
Nezdružljivost licenc odvisnostiNizkaVisokSistematičen licenčni pregled
LLM z odprtimi utežmi nezadosten za nadzorSrednjaSrednjiTestiranje in kombiniranje več modelov
Omejena pokritost KG v velikem obseguSrednjaSrednjiZačetek s QALD, nato skaliranje

14. Merila uspešnosti

  1. QA sistem deluje v celoti na CPU brez GPU pri sklepanju.
  2. KG je zgrajen samodejno iz dokumentov v naravnem jeziku.
  3. Zmogljivost je izmerjena na ≥ 2 priznanih javnih primerjalnih testih.
  4. 100 % odgovorov je opremljenih s sledom razlage.
  5. Poraba energije je izmerjena in primerjana z referenčnim sistemom na GPU.
  6. Koda je objavljena pod licenco Hippocratic 3.0 z združljivimi odvisnostmi.
  7. Sistem je ponovljiv prek Docker na navedeni strojni opremi.
  8. Razvoj je v celoti izveden z LLM z odprtimi utežmi v peskovniku.

15. Bibliografske reference

  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.