論文の概要: Retrieval-Augmented Generation in Industry: An Interview Study on Use Cases, Requirements, Challenges, and Evaluation

• arxiv url: http://arxiv.org/abs/2508.14066v1
• Date: Mon, 11 Aug 2025 09:40:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.146735
• Title: Retrieval-Augmented Generation in Industry: An Interview Study on Use Cases, Requirements, Challenges, and Evaluation
• Title（参考訳）: 産業における検索機能強化世代 : 事例,要件,課題,評価に関するインタビュー研究
• Authors: Lorenz Brehme, Benedikt Dornauer, Thomas Ströhle, Maximilian Ehrhart, Ruth Breu,
• Abstract要約: Retrieval-Augmented Generation (RAG)は、AIにおける急速に進化する分野である。 工業的文脈におけるその実践的応用に関する研究の欠如がある。 本研究では,企業におけるRAGの適用状況について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) is a well-established and rapidly evolving field within AI that enhances the outputs of large language models by integrating relevant information retrieved from external knowledge sources. While industry adoption of RAG is now beginning, there is a significant lack of research on its practical application in industrial contexts. To address this gap, we conducted a semistructured interview study with 13 industry practitioners to explore the current state of RAG adoption in real-world settings. Our study investigates how companies apply RAG in practice, providing (1) an overview of industry use cases, (2) a consolidated list of system requirements, (3) key challenges and lessons learned from practical experiences, and (4) an analysis of current industry evaluation methods. Our main findings show that current RAG applications are mostly limited to domain-specific QA tasks, with systems still in prototype stages; industry requirements focus primarily on data protection, security, and quality, while issues such as ethics, bias, and scalability receive less attention; data preprocessing remains a key challenge, and system evaluation is predominantly conducted by humans rather than automated methods.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、外部の知識ソースから取得した関連情報を統合することで、大規模言語モデルの出力を向上させる、AI内の十分に確立された、急速に進化する分野である。 現在、RAGの産業採用が始まっているが、産業的文脈におけるその実践的応用についての研究は極めて少ない。 このギャップに対処するため、13人の業界実践者と半構造化インタビューを行い、実環境におけるRAG導入の現状を調査した。 本研究では,(1)産業利用事例の概要,(2)システム要件の総合リスト,(3)実践経験から学んだ重要な課題と教訓,(4)現在の産業評価手法の分析などについて検討する。 現在のRAGアプリケーションは、主にドメイン固有のQAタスクに限られており、システムはまだプロトタイプ段階であり、業界要件は、データ保護、セキュリティ、品質に重点を置いている一方で、倫理、バイアス、スケーラビリティといった問題はあまり注目されていない。

関連論文リスト

• A Systematic Review of Key Retrieval-Augmented Generation (RAG) Systems: Progress, Gaps, and Future Directions [1.4931265249949528]
  Retrieval-Augmented Generation (RAG)は自然言語処理(NLP)における大きな進歩である RAGは、大規模言語モデル(LLM)と情報検索システムを組み合わせて、事実的根拠付け、正確性、文脈的関連性を高める。 本稿ではRAGの体系的なレビューを行い、最近の最先端実装に対するオープンドメイン質問の早期展開から進化を辿る。
  論文  参考訳（メタデータ） (2025-07-25T03:05:46Z)
• Engineering RAG Systems for Real-World Applications: Design, Development, and Evaluation [4.448709087838503]
  大規模言語モデル(LLM)を外部知識に基盤付けるための重要なアプローチとして,検索-拡張生成(RAG)システムが登場している。 本稿では,ガバナンス,サイバーセキュリティ,農業,産業研究,医療診断の5つの領域固有のRAGアプリケーションについて述べる。
  論文  参考訳（メタデータ） (2025-06-25T22:40:00Z)
• Beyond Academic Benchmarks: Critical Analysis and Best Practices for Visual Industrial Anomaly Detection [40.174488947319645]
  製造における視覚検査の自動化には,異常検出(AD)が不可欠である。 本稿では,(1)実世界のデータセットの重要性を実証し,実際の生産データを用いたベンチマークを確立すること,(2)実践的応用に有用な指標を用いて,既存のSOTA手法を公平に比較すること,(3)学術と産業のギャップを埋めるための重要な課題と新たな視点を論じることで,この分野の最近の進歩を包括的に分析すること,の3つの主要な貢献を行う。
  論文  参考訳（メタデータ） (2025-03-30T14:11:46Z)
• State of play and future directions in industrial computer vision AI standards [6.5545889890947295]
  人工知能(AI)とディープラーニング(DL)はコンピュータビジョン(CV)の分野で大きな進歩をもたらした。 本研究では,産業用コンピュータビジョンAI標準の開発について,現状を考察する。
  論文  参考訳（メタデータ） (2025-03-04T14:46:34Z)
• AILuminate: Introducing v1.0 of the AI Risk and Reliability Benchmark from MLCommons [62.374792825813394]
  本稿ではAI製品リスクと信頼性を評価するための業界標準ベンチマークとして,AIluminate v1.0を紹介する。 このベンチマークは、危険、違法、または望ましくない行動を12の危険カテゴリーで引き起こすように設計されたプロンプトに対するAIシステムの抵抗を評価する。
  論文  参考訳（メタデータ） (2025-02-19T05:58:52Z)
• Anomaly Detection for Industrial Applications, Its Challenges, Solutions, and Future Directions: A Review [4.139740414165092]
  カメラセンサを用いた画像からの異常検出は、産業レベルでの主流の応用の1つである。 従来の異常検出ワークフローは、人間の操作者による手動検査に基づいている。 最近のビジョンベースのアプローチは、コンピュータビジョンを使用して機能を自動的に抽出し、処理し、解釈することができる。
  論文  参考訳（メタデータ） (2025-01-20T07:24:39Z)
• Trustworthiness in Retrieval-Augmented Generation Systems: A Survey [59.26328612791924]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の開発において、急速に重要なパラダイムへと成長してきた。 本稿では,RAGシステムの信頼性を,事実性,堅牢性,公正性,透明性,説明責任,プライバシの6つの面で評価する統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-16T09:06:44Z)
• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• The Technological Emergence of AutoML: A Survey of Performant Software and Applications in the Context of Industry [72.10607978091492]
  Automated/Autonomous Machine Learning (AutoML/AutonoML)は比較的若い分野である。 このレビューは、このトピックに関する知識に2つの主要な貢献をしている。 オープンソースと商用両方の既存のAutoMLツールについて、最新かつ包括的な調査を提供する。
  論文  参考訳（メタデータ） (2022-11-08T10:42:08Z)

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。