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

Wyzwanie AI

Zaprojektuj system pytań i odpowiedzi działający wyłącznie na CPU, czysto symboliczny, którego graf wiedzy jest budowany automatycznie z dokumentów w języku naturalnym.

Green AI • CPU-only • Symboliczny • Wyjaśnialny

1. Podsumowanie wyzwania

Celem wyzwania jest zaprojektowanie, wdrożenie i ocena systemu pytań i odpowiedzi (QA) działającego wyłącznie na CPU, opartego na architekturze czysto symbolicznej (leksykon, gramatyki, graf wiedzy, logika formalna). Cały rozwój systemu jest prowadzony przez skwantyzowane LLM z otwartymi wagami, wykonywalne na sprzęcie konsumenckim (i9 CPU, RTX 3090).

Projekt ten wpisuje się w ruch Green AI (Schwartz et al., 2020) i Frugal AI, w opozycji do wyścigu w kierunku coraz większych modeli, których ślad węglowy stał się alarmujący (Kim et al., 2026; Hasan et al., 2025). Odpowiada również na rosnące wymagania dotyczące przejrzystości, wyjaśnialności i zgodności regulacyjnej narzucane przez RODO i europejski AI Act (Wagner et al., 2025; Juliussen, 2025).

Oryginalność: Żadna istniejąca praca nie łączy jednocześnie następujących ograniczeń:
  1. Czysto symboliczny system QA (brak sieci neuronowej przy wnioskowaniu)
  2. CPU-only w czasie działania (brak GPU)
  3. Automatyczna budowa KG z dokumentów w języku naturalnym
  4. Rozwój w całości nadzorowany przez skwantyzowane LLM z otwartymi wagami
  5. Natywna zgodność z RODO / AI Act z założenia (naturalna interpretowalność)
  6. Licencja etyczna (Hippocratic 3.0)

2. Kontekst i pozycjonowanie naukowe

2.1. Sformułowanie problemu

Obecne systemy QA opierają się w dużej mierze na LLM (GPT, LLaMA itd.), które wymagają kosztownych GPU do wnioskowania i rodzą problemy z halucynacjami, odtwarzalnością, wyjaśnialnością oraz suwerennością danych. Działają jak czarne skrzynki i trudno je dostosować do wymagań europejskiego AI Act (artykuł 13) dotyczących przejrzystości systemów wysokiego ryzyka (Wagner, 2025; Boshnjakovski, 2025).

2.2. Stan wiedzy

Podejścia neurosymboliczne i KG-QA

Najnowsza literatura zmierza ku integracji grafów wiedzy (KG) i wnioskowania symbolicznego w celu przezwyciężenia ograniczeń podejść czysto neuronowych:

Automatyczna budowa grafów wiedzy

Wydajność CPU i podejścia lekkie

Wpływ ekologiczny AI

Zgodność z RODO i AI Act

3. Cele

Cel główny

Wykazać wykonalność i ocenić wydajność czysto symbolicznego systemu QA działającego wyłącznie na CPU, którego graf wiedzy jest budowany automatycznie z dokumentów w języku naturalnym.

Cele drugorzędne

  1. Osiągnąć konkurencyjną wydajność na uznanych benchmarkach KGQA.
  2. Zmierzyć i porównać ślad energetyczny (CPU vs GPU), aby wykazać korzyść ekologiczną.
  3. Wykazać naturalną interpretowalność systemu (identyfikowalność każdej odpowiedzi).
  4. Dostarczyć odtwarzalne, udokumentowane oprogramowanie na licencji etycznej.

4. Architektura i specyfikacje techniczne

4.1. Architektura ogólna

System dzieli się na dwie odrębne fazy:

Faza 1 — Budowa grafu wiedzy (offline, GPU dozwolone)

Dokumenty NL → Preprocessing → NER → Ekstrakcja relacji → Rozwiązywanie koreferencji
    → Budowa KG (trójki RDF/OWL) → Przechowywanie grafu

Faza 2 — Pytania i odpowiedzi (runtime, ściśle CPU-only)

Pytanie NL → Analiza składniowo-semantyczna → Transformacja do zapytania formalnego
    → Przeszukiwanie KG → Wnioskowanie logiczne → Generowanie odpowiedzi
    → Ślad wyjaśnienia

4.2. Specyfikacje sprzętowe

KomponentFaza 1 (Budowa KG)Faza 2 (Runtime QA)
CPUIntel Core i9 (maks.)Intel Core i9 (maks.)
GPUNVIDIA RTX 3090 (24 GB VRAM)Brak (ściśle CPU-only)
RAM32 GB (maks.)32 GB (wystarczające)
Pamięć masowaNVMe SSDNVMe SSD

Uzasadnienie: Faza 1 może wykorzystywać GPU do uruchamiania skwantyzowanych LLM z otwartymi wagami, które nadzorują budowę potoku. Faza 2, stanowiąca system wdrożeniowy, musi być ściśle CPU-only, aby zagwarantować dostępność, suwerenność i oszczędność.

4.3. Środowisko deweloperskie

4.4. Nadzór LLM

Rozwój systemu jest w całości prowadzony przez jeden lub więcej LLM z otwartymi wagami, wykonywalnymi lokalnie na określonym sprzęcie (Faza 1). Wybór modeli, kwantyzacji i frameworka wnioskowania jest pozostawiony uczestnikowi.

5. Proponowana architektura potoku

Poniższy podział jest przedstawiony jako wytyczna. Uczestnicy mogą zaproponować inną architekturę, pod warunkiem spełnienia ograniczeń funkcjonalnych (sekcje 3, 4 i 12) oraz wymagań licencyjnych (sekcja 6).

5.1. Preprocessing tekstu

  • Segmentacja zdań
  • Tokenizacja
  • Lematyzacja
  • Tagowanie części mowy
  • Analiza zależności

5.2. Rozpoznawanie encji nazwanych (NER)

  • Wykrywanie encji (osoby, lokalizacje, organizacje, daty, pojęcia)
  • Typowanie encji zgodnie z ontologią dziedzinową
  • Rozwiązywanie koreferencji

5.3. Ekstrakcja relacji (RE)

  • Ekstrakcja trójek (podmiot, predykat, dopełnienie) z tekstu
  • Ekstrakcja otwarta lub sterowana wzorcami

5.4. Budowa grafu wiedzy

  • Normalizacja i scalanie encji (entity linking)
  • Budowa i przechowywanie grafu (trójki)
  • Wzbogacanie przez wnioskowanie ukrytych relacji
  • Walidacja i czyszczenie grafu

5.5. Rozumienie pytań

  • Analiza składniowa pytania w języku naturalnym
  • Identyfikacja typu pytania (kto, co, gdzie, kiedy…)
  • Ekstrakcja wspomnianych encji i relacji
  • Transformacja do zapytania formalnego na grafie

5.6. Wnioskowanie i wyszukiwanie odpowiedzi

  • Przeszukiwanie grafu wiedzy (wnioskowanie wieloetapowe)
  • Rozstrzyganie logiczne i ranking odpowiedzi kandydujących

5.7. Generowanie odpowiedzi i wyjaśnień

  • Formułowanie odpowiedzi w języku naturalnym
  • Pełny ślad wyjaśnienia: ścieżka w KG, zastosowane reguły, zaangażowane encje i relacje, pewność/kompletność

6. Ograniczenia licencyjne

6.1. Hippocratic License 3.0 (HL3)

Końcowe oprogramowanie zostanie opublikowane na licencji Hippocratic License 3.0 (firstdonoharm.dev). Licencja ta:

6.2. Kompatybilność zależności

LicencjaKompatybilna z HL3Przykłady
MIT✅ Tak—
BSD (2/3-clause)✅ Tak—
Apache 2.0✅ Tak—
ISC / CC0✅ Tak—
GPL v2/v3⚠️ Potencjalnie niekompatybilna—
AGPL❌ Prawdopodobnie niekompatybilna—

6.3. Zalecane opcjonalne moduły HL3

7. Zgodność regulacyjna

7.1. RODO

Zasada RODOImplementacja
Minimalizacja danych (art. 5.1.c)KG przechowuje jedynie istotne wyekstrahowane trójki, nie surowe dane osobowe.
Prawo do wyjaśnienia (art. 22 + motyw 71)Pełny ślad wyjaśnienia dla każdej odpowiedzi.
Prawo do usunięcia (art. 17)Możliwość usuwania encji/trójek z KG.
Ochrona prywatności z założenia (art. 25)Brak danych wrażliwych w KG, chyba że jest to udokumentowana konieczność.
Brak automatycznego profilowania (art. 22)System nie podejmuje zautomatyzowanych decyzji dotyczących osób.

7.2. Europejski AI Act

Wymóg AI ActZgodność
Przejrzystość (art. 13)Naturalnie interpretowalna architektura symboliczna — każdy krok wnioskowania jest identyfikowalny.
Wyjaśnialność (art. 13.1)Pełny ślad: pytanie → zapytanie formalne → ścieżka KG → odpowiedź.
Dokumentacja techniczna (art. 11)W pełni dokumentowalny potok symboliczny (gramatyki, reguły, ontologia).
Odporność i dokładność (art. 15)Brak halucynacji — odpowiedzi pochodzą wyłącznie z KG.
Nadzór człowieka (art. 14)KG jest inspekcjowalny i modyfikowalny przez człowieka.
Zarządzanie ryzykiem (art. 9)Niskie ryzyko: brak nieprzejrzystego modelu, brak emergentnego obciążenia.
Kluczowy argument: System czysto symboliczny jest natywnie zgodny z wymaganiami przejrzystości i wyjaśnialności AI Act, w przeciwieństwie do systemów opartych na LLM, które wymagają dodatkowych warstw XAI (Goncalves & Correia, 2026; Wagner et al., 2025).

8. Wpływ ekologiczny

8.1. Problem

8.2. Zalety symbolicznego systemu CPU-only

MetrykaSystem LLM (GPU)Wyzwanie AI (CPU-only)Szacowany zysk
Moc chwilowa300-400 W (GPU)65-125 W (CPU)~3-5×
Opóźnienie na zapytanie0,5-5 s< 100 ms (cel)~5-50×
Energia na zapytanie~0,001-0,01 kWh~0,000001-0,00001 kWh~100-1000×
Wymagany sprzętGPU ≥ 6 000 €CPU konsumencki < 500 €~12×

8.3. Obowiązkowy pomiar

Projekt musi zmierzyć i zaraportować:

9. Odtwarzalność

  1. Kompletny kod źródłowy: opublikowany w publicznym repozytorium, na licencji HL3.
  2. Instrukcje instalacji: automatyczny skrypt lub konteneryzacja.
  3. Dane testowe: wyłączne użycie publicznych benchmarków.
  4. Ziarna losowe: ustalone i udokumentowane dla każdego komponentu stochastycznego.
  5. Wersjonowanie zależności: plik z przypiętymi zależnościami.
  6. Konteneryzacja: kompletny system musi być odtwarzalnie uruchamialny.
  7. Udokumentowany minimalny sprzęt: jawnie określone minimalne specyfikacje.

Maksymalny wymagany sprzęt (i9 + RTX 3090) jest dostępny dla szerokiej publiczności. Faza 2 (runtime QA) nie wymaga żadnego GPU, umożliwiając uruchomienie na prostym laptopie.

10. Suwerenność, bezpieczeństwo i prywatność

Suwerenność cyfrowa

  • Brak zależności od chmury — w pełni lokalne działanie.
  • Brak wywołań zewnętrznych API — żadne dane nie opuszczają maszyny.
  • LLM z otwartymi wagami do pobrania i uruchomienia lokalnie.
  • Brak uzależnienia od dostawcy.

Bezpieczeństwo

  • Wykonanie w piaskownicy (izolowane środowisko).
  • Brak arbitralnego wykonania kodu.
  • Brak prompt injection (brak LLM przy wnioskowaniu).
  • Walidacja wejścia za pomocą gramatyki formalnej.

Prywatność

  • Wyłącznie lokalne przetwarzanie — dokumenty nigdy nie opuszczają maszyny.
  • Brak telemetrii.
  • KG usuwalny na żądanie.
  • Możliwość tworzenia oddzielnych KG na użytkownika lub na dziedzinę.

11. Benchmarki i ewaluacja

11.1. Uznane benchmarki KGQA

System musi być oceniony na co najmniej dwóch z następujących benchmarków:

BenchmarkOpisRozmiarŹródło
SimpleQuestionsProste pytania faktograficzne o Freebase~100K pytańACL
WebQuestionsSPPytania z sieci z adnotacjami SPARQL~4 737 pytańACL
LC-QuAD 2.0Złożone pytania o DBpedia/Wikidata~30K pytańISWC
ComplexWebQuestionsPytania wieloetapowe o Freebase~34K pytańNAACL
QALDWielojęzyczne wyzwanie, mały rozmiar~400-500 pytańCLEF/ESWC
MINTQANowy benchmark dla LLM+KG na rzadkich encjachZmiennyEMNLP 2025
SQuAD 2.0Ekstrakcyjne QA na akapitach~150K pytańACL
Natural QuestionsPrawdziwe pytania z Google~307K pytańTACL
TriviaQAQA z zagadkami z dokumentami wspierającymi~95K pytańACL

Zalecenie: priorytetowo traktować LC-QuAD 2.0 i QALD, uzupełnione o SQuAD lub Natural Questions do porównania z podejściami neuronowymi.

11.2. Metryki ewaluacji

KategoriaMetrykaOpis
Wydajność QAF1 score, Exact Match (EM)Precyzja odpowiedzi
Wydajność QAHits@1, Hits@5Procent poprawnych odpowiedzi w top-k
Wydajność QAMRRŚrednia ranga poprawnej odpowiedzi
OpóźnienieŚredni/p95 czas odpowiedzi (ms)Mierzone wyłącznie na CPU
PrzepustowośćPytania/sekundęPrzepustowość
EkologiakWh/zapytanie, gCO₂/zapytaniePrzez codecarbon/carbontracker
WyjaśnialnośćWskaźnik identyfikowalności% odpowiedzi z pełnym śladem (cel: 100%)
Pokrycie KGTrójki, encje, relacjeStatystyki opisowe

11.3. Bazy porównawcze

  1. RAG + LLM (GPU): bazowy system neuronowy na GPU.
  2. KG-RAG (GPU): hybrydowy bazowy system KG + LLM.
  3. Direct SPARQL: bazowy system czysto symboliczny (ręczne zapytania na tym samym KG).

12. Specyfikacje wydajności

KryteriumCelUzasadnienie
Opóźnienie QA< 100 ms (p95)Akceptowalna interaktywność użytkownika
Budowa KG< 1 min / 1 000 krótkich dokumentówPraktyczność
Zużycie pamięci QA< 4 GB RAMUruchamialne na skromnym PC
Rozmiar KGSkalowalne do 10M+ trójekWystarczające pokrycie dla benchmarków
Precyzja QA≥ 50% F1 na prostych benchmarkachInterpretowalność i oszczędność jako główne argumenty
Identyfikowalność100% odpowiedzi z wyjaśnieniemKluczowa zaleta podejścia symbolicznego

13. Ryzyka i środki zaradcze

RyzykoPrawdopodobieństwoWpływŚrodki zaradcze
Niedostateczna wydajność QA vs LLMWysokieŚredniNacisk na interpretowalność/oszczędność
Niedostateczna jakość automatycznego KGŚrednieWysokiIteracja reguł, nadzór LLM
Złożoność pytań wieloetapowychWysokieŚredniOgraniczenie do ≤ 3 skoków, dokumentacja ograniczeń
Niekompatybilność licencji zależnościNiskieWysokiSystematyczny audyt licencji
LLM z otwartymi wagami niewystarczający do nadzoruŚrednieŚredniTestowanie i łączenie wielu modeli
Ograniczone pokrycie KG w skaliŚrednieŚredniRozpoczęcie od QALD, następnie skalowanie

14. Kryteria sukcesu

  1. System QA działa w całości na CPU bez GPU przy wnioskowaniu.
  2. KG jest budowany automatycznie z dokumentów w języku naturalnym.
  3. Wydajność jest mierzona na ≥ 2 uznanych publicznych benchmarkach.
  4. 100% odpowiedzi zawiera ślad wyjaśnienia.
  5. Zużycie energii jest mierzone i porównywane z bazowym systemem GPU.
  6. Kod jest opublikowany na licencji Hippocratic 3.0 z kompatybilnymi zależnościami.
  7. System jest odtwarzalny przez Docker na określonym sprzęcie.
  8. Rozwój jest w całości prowadzony przez LLM z otwartymi wagami w piaskownicy.

15. Bibliografia

  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.