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

AI-utmaning

Designa ett CPU-only, rent symboliskt fråge-/svarssystem vars kunskapsgraf byggs automatiskt från naturliga språkdokument.

Grön AI • CPU-only • Symbolisk • Förklarbar

1. Sammanfattning av utmaningen

Utmaningen syftar till att designa, implementera och utvärdera ett fråge-/svarssystem (QA) som körs uteslutande på CPU, baserat på en rent symbolisk arkitektur (lexikon, grammatiker, kunskapsgraf, formell logik). Hela systemutvecklingen drivs av kvantiserade open-weights LLM:er, körbara på konsumenthårdvara (i9 CPU, RTX 3090).

Detta projekt faller inom rörelsen Green AI (Schwartz et al., 2020) och Frugal AI, i motsats till kapplöpningen mot allt större modeller vars koldioxidavtryck har blivit alarmerande (Kim et al., 2026; Hasan et al., 2025). Det adresserar också de växande kraven på transparens, förklarbarhet och regelefterlevnad som ställs av GDPR och den europeiska AI Act (Wagner et al., 2025; Juliussen, 2025).

Originalitet: Inget befintligt arbete kombinerar samtidigt följande begränsningar:
  1. Rent symboliskt QA-system (inget neuralt nätverk vid inferens)
  2. CPU-only vid körning (ingen GPU krävs)
  3. Automatisk KG-konstruktion från naturliga språkdokument
  4. Utveckling helt styrd av kvantiserade open-weights LLM:er
  5. Inbyggd GDPR/AI Act-efterlevnad genom design (inneboende tolkningsbarhet)
  6. Etisk licens (Hippocratic 3.0)

2. Kontext och vetenskaplig positionering

2.1. Problemformulering

Nuvarande QA-system förlitar sig starkt på LLM:er (GPT, LLaMA etc.) som kräver dyra GPU:er för inferens, och ger upphov till problem med hallucination, reproducerbarhet, förklarbarhet och datasuveränitet. De fungerar som svarta lådor och är svåra att göra kompatibla med kraven i den europeiska AI Act (artikel 13) gällande transparens i högrisk-system (Wagner, 2025; Boshnjakovski, 2025).

2.2. State of the Art

Neuro-symboliska ansatser och KG-QA

Nyare litteratur konvergerar mot integration av kunskapsgrafer (KG) och symboliskt resonemang för att adressera begränsningarna hos rent neurala ansatser:

Automatisk kunskapsgrafkonstruktion

CPU-effektivitet och lättviktsansatser

AI:s ekologiska påverkan

GDPR- och AI Act-efterlevnad

3. Mål

Huvudmål

Demonstrera genomförbarheten och utvärdera prestandan hos ett CPU-only, rent symboliskt QA-system vars kunskapsgraf byggs automatiskt från naturliga språkdokument.

Sekundära mål

  1. Uppnå konkurrenskraftig prestanda på erkända KGQA-benchmarks.
  2. Mäta och jämföra energiavtrycket (CPU vs GPU) för att demonstrera den ekologiska fördelen.
  3. Demonstrera systemets inneboende tolkningsbarhet (spårbarhet för varje svar).
  4. Tillhandahålla reproducerbar, dokumenterad programvara under etisk licens.

4. Arkitektur & tekniska specifikationer

4.1. Övergripande arkitektur

Systemet är uppdelat i två distinkta faser:

Fas 1 — Kunskapsgrafkonstruktion (offline, GPU tillåten)

NL-dokument → Förbehandling → NER → Relationsextraktion → Koreferensresolution
    → KG-konstruktion (RDF/OWL-tripplar) → Graflagring

Fas 2 — Fråga/svar (körning, strikt CPU-only)

NL-fråga → Syntaktisk/semantisk analys → Transformation till formell fråga
    → KG-traversering → Logiskt resonemang → Svarsgenerering
    → Förklaringsspår

4.2. Hårdvaruspecifikationer

KomponentFas 1 (KG-konstruktion)Fas 2 (QA-körning)
CPUIntel Core i9 (max)Intel Core i9 (max)
GPUNVIDIA RTX 3090 (24 GB VRAM)Ingen (strikt CPU-only)
RAM32 GB (max)32 GB (tillräckligt)
LagringNVMe SSDNVMe SSD

Motivering: Fas 1 kan använda GPU:n för att köra de kvantiserade open-weights LLM:er som styr pipeline-konstruktionen. Fas 2, som utgör det driftsättningsbara systemet, måste vara strikt CPU-only för att garantera tillgänglighet, suveränitet och sparsamhet.

4.3. Utvecklingsmiljö

4.4. LLM-handledning

Systemutvecklingen drivs helt av en eller flera open-weights LLM:er, körbara lokalt på angiven hårdvara (Fas 1). Valet av modeller, kvantisering och inferensramverk överlåts till deltagaren.

5. Föreslagen pipeline-arkitektur

Följande uppdelning ges som en riktlinje. Deltagare är fria att föreslå en annan arkitektur, förutsatt att de uppfyller de funktionella begränsningarna (avsnitt 3, 4 och 12) och licenskraven (avsnitt 6).

5.1. Textförbehandling

  • Meningssegmentering
  • Tokenisering
  • Lemmatisering
  • Ordklasstaggning
  • Beroendeanalys

5.2. Namngiven entitetsigenkänning (NER)

  • Entitetsdetektering (personer, platser, organisationer, datum, begrepp)
  • Entitetstypning enligt en domänontologi
  • Koreferensresolution

5.3. Relationsextraktion (RE)

  • Trippelextraktion (subjekt, predikat, objekt) från text
  • Öppen eller mönsterstyrd extraktion

5.4. Kunskapsgrafkonstruktion

  • Entitetsnormalisering och sammanslagning (entity linking)
  • Grafkonstruktion och lagring (tripplar)
  • Anrikning genom implicit relationsinferens
  • Grafvalidering och rensning

5.5. Frågeförståelse

  • Syntaktisk analys av den naturliga språkfrågan
  • Identifiering av frågetyp (vem, vad, var, när…)
  • Extraktion av nämnda entiteter och relationer
  • Transformation till en formell fråga på grafen

5.6. Resonemang & svarssökning

  • Kunskapsgraftraversering (multi-hop-resonemang)
  • Logisk resolution och rangordning av kandidatsvar

5.7. Svarsgenerering & förklaringar

  • Svarsformulering på naturligt språk
  • Komplett förklaringsspår: väg i KG:n, tillämpade regler, involverade entiteter och relationer, konfidens/fullständighet

6. Licensbegränsningar

6.1. Hippocratic License 3.0 (HL3)

Den slutgiltiga programvaran kommer att publiceras under Hippocratic License 3.0 (firstdonoharm.dev). Denna licens:

6.2. Beroendekompatibilitet

LicensHL3-kompatibelExempel
MIT✅ Ja—
BSD (2/3-clause)✅ Ja—
Apache 2.0✅ Ja—
ISC / CC0✅ Ja—
GPL v2/v3⚠️ Potentiellt inkompatibel—
AGPL❌ Troligen inkompatibel—

6.3. Rekommenderade valfria HL3-moduler

7. Regelefterlevnad

7.1. GDPR

GDPR-principImplementering
Dataminimering (Art. 5.1.c)KG:n lagrar endast relevanta extraherade tripplar, inte rå persondata.
Rätt till förklaring (Art. 22 + skäl 71)Komplett förklaringsspår för varje svar.
Rätt till radering (Art. 17)Möjlighet att radera entiteter/tripplar från KG:n.
Inbyggt dataskydd (Art. 25)Inga känsliga data i KG:n om inte dokumenterat nödvändigt.
Ingen automatiserad profilering (Art. 22)Systemet fattar inga automatiserade beslut om enskilda personer.

7.2. Europeiska AI Act

AI Act-kravEfterlevnad
Transparens (Art. 13)Inneboende tolkningsbar symbolisk arkitektur — varje resonemangssteg kan spåras.
Förklarbarhet (Art. 13.1)Komplett spår: fråga → formell fråga → KG-väg → svar.
Teknisk dokumentation (Art. 11)Fullt dokumenterbar symbolisk pipeline (grammatiker, regler, ontologi).
Robusthet och noggrannhet (Art. 15)Ingen hallucination — svar kommer uteslutande från KG:n.
Mänsklig tillsyn (Art. 14)KG:n kan inspekteras och modifieras av en människa.
Riskhantering (Art. 9)Låg risk: ingen ogenomskinlig modell, ingen emergent bias.
Nyckelargument: Ett rent symboliskt system är naturligt efterlevande av AI Act:s krav på transparens och förklarbarhet, till skillnad från LLM-baserade system som kräver ytterligare XAI-lager (Goncalves & Correia, 2026; Wagner et al., 2025).

8. Ekologisk påverkan

8.1. Problemet

8.2. Fördel med symbolisk CPU-only

MätvärdeLLM-system (GPU)AI-utmaning (CPU-only)Uppskattad vinst
Momentan effekt300–400 W (GPU)65–125 W (CPU)~3–5×
Latens per fråga0,5–5 s< 100 ms (mål)~5–50×
Energi per fråga~0,001–0,01 kWh~0,000001–0,00001 kWh~100–1000×
Krävd hårdvaraGPU ≥ 6 000 €Konsument-CPU < 500 €~12×

8.3. Obligatorisk mätning

Projektet måste mäta och rapportera:

9. Reproducerbarhet

  1. Komplett källkod: publicerad på ett offentligt repository under HL3-licens.
  2. Installationsinstruktioner: automatiserat skript eller containerisering.
  3. Testdata: uteslutande användning av offentliga benchmarks.
  4. Slumpfrön: fasta och dokumenterade för alla stokastiska komponenter.
  5. Beroendeversionering: låst beroendelist.
  6. Containerisering: det kompletta systemet måste vara reproducerbart körbart.
  7. Dokumenterad minimihårdvara: explicita minimispecifikationer.

Den maximalt krävda hårdvaran (i9 + RTX 3090) är tillgänglig för en bred publik. Fas 2 (QA-körning) kräver ingen GPU, vilket möjliggör körning på en enkel bärbar dator.

10. Suveränitet, säkerhet & integritet

Digital suveränitet

  • Inget molnberoende — helt lokal drift.
  • Inga externa API-anrop — ingen data lämnar maskinen.
  • Open-weights LLM:er nedladdningsbara och körbara lokalt.
  • Inget leverantörslåsning.

Säkerhet

  • Sandboxad körning (isolerad miljö).
  • Ingen godtycklig kodkörning.
  • Ingen prompt injection (ingen LLM vid inferens).
  • Inputvalidering via formell grammatik.

Integritet

  • Uteslutande lokal bearbetning — dokument lämnar aldrig maskinen.
  • Ingen telemetri.
  • KG raderbar på begäran.
  • Möjlighet att skapa separata KG:er per användare eller per domän.

11. Benchmarks & utvärdering

11.1. Erkända KGQA-benchmarks

Systemet måste utvärderas på minst två av följande benchmarks:

BenchmarkBeskrivningStorlekReferens
SimpleQuestionsEnkla faktafrågor om Freebase~100K frågorACL
WebQuestionsSPWebbfrågor med SPARQL-annotationer~4 737 frågorACL
LC-QuAD 2.0Komplexa frågor om DBpedia/Wikidata~30K frågorISWC
ComplexWebQuestionsMulti-hop-frågor om Freebase~34K frågorNAACL
QALDFlerspråkig utmaning, liten storlek~400–500 frågorCLEF/ESWC
MINTQANyare benchmark för LLM+KG på ovanliga entiteterVariabelEMNLP 2025
SQuAD 2.0Extraktiv QA på stycken~150K frågorACL
Natural QuestionsRiktiga Google-frågor~307K frågorTACL
TriviaQATrivia QA med stödjande dokument~95K frågorACL

Rekommendation: prioritera LC-QuAD 2.0 och QALD, kompletterat med SQuAD eller Natural Questions för jämförelse med neurala ansatser.

11.2. Utvärderingsmätvärden

KategoriMätvärdeBeskrivning
QA-prestandaF1-poäng, Exact Match (EM)Svarsprecision
QA-prestandaHits@1, Hits@5Korrekt svarsfrekvens i topp-k
QA-prestandaMRRGenomsnittlig rang för korrekt svar
LatensGenomsnittlig/p95 svarstid (ms)Mätt enbart på CPU
GenomströmningFrågor/sekundGenomströmning
EkologikWh/fråga, gCO₂/frågaVia codecarbon/carbontracker
FörklarbarhetSpårbarhetsgrad% av svar med komplett spår (mål: 100%)
KG-täckningTripplar, entiteter, relationerDeskriptiv statistik

11.3. Jämförelsebaslinjer

  1. RAG + LLM (GPU): neural baslinje på GPU.
  2. KG-RAG (GPU): hybrid KG + LLM-baslinje.
  3. Direkt SPARQL: rent symbolisk baslinje (manuella frågor på samma KG).

12. Prestandaspecifikationer

KriteriumMålMotivering
QA-latens< 100 ms (p95)Acceptabel användarinteraktivitet
KG-konstruktion< 1 min / 1 000 korta dokumentPraktiskt
QA-minnesavtryck< 4 GB RAMKörbart på enkel PC
KG-storlekSkalbar till 10M+ tripplarTillräcklig täckning för benchmarks
QA-precision≥ 50% F1 på enkla benchmarksTolkningsbarhet och sparsamhet som huvudargument
Spårbarhet100% av svar förklaradeNyckelfördel med symbolisk ansats

13. Risker & åtgärder

RiskSannolikhetPåverkanÅtgärd
Otillräcklig QA-prestanda vs LLMHögMediumFokus på tolkningsbarhet/sparsamhet
Otillräcklig kvalitet på automatisk KGMediumHögIterera regler, LLM-handledning
Komplexitet hos multi-hop-frågorHögMediumBegränsa till ≤ 3 hopp, dokumentera begränsningar
BeroendelicensinkompatibilitetLågHögSystematisk licens­granskning
Open-weights LLM otillräcklig för handledningMediumMediumTesta och kombinera flera modeller
Begränsad KG-täckning i stor skalaMediumMediumBörja med QALD, skala sedan upp

14. Framgångskriterier

  1. QA-systemet körs helt på CPU utan GPU vid inferens.
  2. KG:n byggs automatiskt från naturliga språkdokument.
  3. Prestanda mäts på ≥ 2 erkända offentliga benchmarks.
  4. 100% av svaren åtföljs av ett förklaringsspår.
  5. Energiförbrukning är mätt och jämförd med en GPU-baslinje.
  6. Koden publiceras under Hippocratic 3.0-licens med kompatibla beroenden.
  7. Systemet är reproducerbart via Docker på angiven hårdvara.
  8. Utvecklingen utförs helt av open-weights LLM:er i en sandbox.

15. Bibliografiska referenser

  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.