論文の概要: From Unstructured Communication to Intelligent RAG: Multi-Agent Automation for Supply Chain Knowledge Bases

• arxiv url: http://arxiv.org/abs/2506.17484v1
• Date: Fri, 20 Jun 2025 21:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.437051
• Title: From Unstructured Communication to Intelligent RAG: Multi-Agent Automation for Supply Chain Knowledge Bases
• Title（参考訳）: 非構造化コミュニケーションからインテリジェントRAGへ:サプライチェーン知識ベースのためのマルチエージェント自動化
• Authors: Yao Zhang, Zaixi Shang, Silpan Patel, Mikel Zuniga,
• Abstract要約: サプライチェーン操作は大量の運用データを生成する。 システムの使用、トラブルシューティング、非構造化、解決技術といった重要な知識は、しばしば通信の中に埋もれています。 RAGシステムは知識ベースとしてそのようなコミュニケーションを活用することを目的としているが、その有効性は生データの問題によって制限されている。 我々はこれらのコミュニケーションを構造化知識ベースに変換する新しいオフラインファースト手法を導入する。
• 参考スコア（独自算出の注目度）: 8.640991293068248
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Supply chain operations generate vast amounts of operational data; however, critical knowledge such as system usage practices, troubleshooting workflows, and resolution techniques often remains buried within unstructured communications like support tickets, emails, and chat logs. While RAG systems aim to leverage such communications as a knowledge base, their effectiveness is limited by raw data challenges: support tickets are typically noisy, inconsistent, and incomplete, making direct retrieval suboptimal. Unlike existing RAG approaches that focus on runtime optimization, we introduce a novel offline-first methodology that transforms these communications into a structured knowledge base. Our key innovation is a LLMs-based multi-agent system orchestrating three specialized agents: Category Discovery for taxonomy creation, Categorization for ticket grouping, and Knowledge Synthesis for article generation. Applying our methodology to real-world support tickets with resolution notes and comments, our system creates a compact knowledge base - reducing total volume to just 3.4% of original ticket data while improving quality. Experiments demonstrate that our prebuilt knowledge base in RAG systems significantly outperforms traditional RAG implementations (48.74% vs. 38.60% helpful answers) and achieves a 77.4% reduction in unhelpful responses. By automating institutional knowledge capture that typically remains siloed in experts' heads, our solution translates to substantial operational efficiency: reducing support workload, accelerating resolution times, and creating self-improving systems that automatically resolve approximately 50% of future supply chain tickets. Our approach addresses a key gap in knowledge management by transforming transient communications into structured, reusable knowledge through intelligent offline processing rather than latency-inducing runtime architectures.
• Abstract（参考訳）: サプライチェーン操作は膨大な量の運用データを生成するが、システムの使用慣行、トラブルシューティングワークフロー、解決技術といった重要な知識は、サポートチケット、Eメール、チャットログなどの非構造化通信の中に埋もれていることが多い。 RAGシステムは知識ベースとしてこのようなコミュニケーションを活用することを目的としているが、その効果は生データの問題によって制限されている。 ランタイム最適化に焦点を当てた既存のRAGアプローチとは異なり、これらの通信を構造化知識ベースに変換する新しいオフラインファースト手法を導入します。 我々の重要な革新は、3つの特殊エージェントを編成するLLMベースのマルチエージェントシステムである:分類学作成のためのカテゴリー発見、チケットグループ化のためのカテゴリ化、記事生成のための知識合成である。 提案手法を実世界の支援チケットにレゾリューションノートやコメントで適用することにより,システムにはコンパクトな知識ベースが構築され,チケットデータの総量を3.4%に削減し,品質の向上を実現した。 RAGシステムにおける事前構築された知識ベースは、従来のRAG実装(48.74%対38.60%の有用な回答)を著しく上回り、不快な応答を77.4%削減することを示した。 専門家の頭の中で一般的にサイロ化されている制度的知識の収集を自動化することで、我々のソリューションは、サポートワークロードの削減、解決時間の短縮、将来のサプライチェーンチケットの約50%を自動解決する自己改善システムの構築といった、運用効率を大幅に向上します。 我々のアプローチは,過渡的なコミュニケーションを,レイテンシを誘導するランタイムアーキテクチャではなく,インテリジェントなオフライン処理を通じて,構造化された再利用可能な知識に変換することで,知識管理における重要なギャップに対処する。

関連論文リスト

• Patchwork: A Unified Framework for RAG Serving [6.430565435912026]
  Retrieval Augmented Generation (RAG) は、外部知識ソースとの統合による大規模言語モデルの信頼性向上のための新しいパラダイムとして登場した。 Patchworkは、これらの効率のボトルネックに対処するために設計された、包括的なエンドツーエンドのRAGサービスフレームワークです。
  論文  参考訳（メタデータ） (2025-05-01T18:58:26Z)
• TAMO:Fine-Grained Root Cause Analysis via Tool-Assisted LLM Agent with Multi-Modality Observation Data in Cloud-Native Systems [33.5606443790794]
  大規模言語モデル(LLM)は、コンテキスト推論とドメイン知識の統合においてブレークスルーをもたらした。 細粒度根本原因解析のための多モード観測データ,すなわちTAMOを用いたツール支援LLMエージェントを提案する。
  論文  参考訳（メタデータ） (2025-04-29T06:50:48Z)
• DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
  大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。 符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。 我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
  論文  参考訳（メタデータ） (2025-03-18T14:02:59Z)
• Aligning Task- and Reconstruction-Oriented Communications for Edge Intelligence [13.863202685618058]
  本稿では,エッジインテリジェンスのための再構築指向とタスク指向のコミュニケーションを連携させる新しいコミュニケーションフレームワークを提案する。 提案フレームワークはエッジベースの自動運転シナリオにおいて特に有効である。
  論文  参考訳（メタデータ） (2025-02-21T13:55:41Z)
• AI-in-the-Loop Sensing and Communication Joint Design for Edge Intelligence [65.29835430845893]
  本稿では,AI-in-the-loopジョイントセンシングと通信によるエッジインテリジェンス向上のためのフレームワークを提案する。 私たちの研究の重要な貢献は、バリデーション損失とシステムのチューニング可能なパラメータとの間に明確な関係を確立することです。 提案手法は, 通信エネルギー消費を最大77%削減し, 試料数で測定した検知コストを最大52%削減する。
  論文  参考訳（メタデータ） (2025-02-14T14:56:58Z)
• Agentic AI-Driven Technical Troubleshooting for Enterprise Systems: A Novel Weighted Retrieval-Augmented Generation Paradigm [0.0]
  本稿では,企業の技術的トラブルシューティングに適したRAG(Weighted Retrieval-Augmented Generation)フレームワーク上に構築されたエージェントAIソリューションを提案する。 製品マニュアル、内部知識ベース、FAQ、トラブルシューティングガイドなどの検索ソースを動的に重み付けすることで、最も関連性の高いデータを優先順位付けする。 大規模エンタープライズデータセットに関する予備評価では、トラブルシューティングの精度を改善し、解決時間を短縮し、さまざまな技術的課題に適応する上で、フレームワークの有効性が示されている。
  論文  参考訳（メタデータ） (2024-12-16T17:32:38Z)
• KBAlign: Efficient Self Adaptation on Specific Knowledge Bases [73.34893326181046]
  本稿では,効率的なモデル適応によりRAGシステムを強化する自己教師型フレームワークKBAlignを提案する。 私たちのキーとなる洞察は、2つの革新的なメカニズムを通じて、モデルの本質的な能力を知識の整合性に活用することです。 KBAlign は GPT-4 による適応によって得られる性能向上の90%を達成できることを示した。
  論文  参考訳（メタデータ） (2024-11-22T08:21:03Z)
• EWEK-QA: Enhanced Web and Efficient Knowledge Graph Retrieval for Citation-based Question Answering Systems [103.91826112815384]
  引用ベースのQAシステムは2つの欠点に悩まされている。 彼らは通常、抽出された知識の源としてWebにのみ依存し、外部の知識ソースを追加することで、システムの効率を損なう。 システムに供給された知識の内容を充実させるため,Web と 効率的な知識グラフ (KG) 検索ソリューション (EWEK-QA) を提案する。
  論文  参考訳（メタデータ） (2024-06-14T19:40:38Z)
• Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
  自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。 車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。 推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-16T12:14:42Z)
• CosSGD: Nonlinear Quantization for Communication-efficient Federated Learning [62.65937719264881]
  フェデレーション学習は、これらのクライアントのローカルデータを中央サーバに転送することなく、クライアント間での学習を促進する。 圧縮勾配降下のための非線形量子化を提案し、フェデレーションラーニングで容易に利用することができる。 本システムは,訓練過程の収束と精度を維持しつつ,通信コストを最大3桁まで削減する。
  論文  参考訳（メタデータ） (2020-12-15T12:20:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。