論文の概要: EnterpriseLab: A Full-Stack Platform for developing and deploying agents in Enterprises

• arxiv url: http://arxiv.org/abs/2603.21630v1
• Date: Mon, 23 Mar 2026 06:50:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.531064
• Title: EnterpriseLab: A Full-Stack Platform for developing and deploying agents in Enterprises
• Title（参考訳）: EnterpriseLab: 企業におけるエージェントの開発とデプロイのためのフルスタックプラットフォーム
• Authors: Ankush Agarwal, Harsh Vishwakarma, Suraj Nagaje, Chaitanya Devaguptapu,
• Abstract要約: エンタープライズ環境でプライバシを保存するAIエージェントをデプロイするためのクローズドループフレームワークであるEnterpriseLabを紹介します。 EnterpriseArenaは、IT、人事、営業、エンジニアリングドメインにまたがる15のアプリケーションと140以上のツールによるインスタンス化です。 その結果,エンタープライズLab内でトレーニングされた8Bモデルは,複雑な企業におけるGPT-4oのパフォーマンスと一致し,推論コストを8～10倍に削減した。
• 参考スコア（独自算出の注目度）: 5.175141688438113
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deploying AI agents in enterprise environments requires balancing capability with data sovereignty and cost constraints. While small language models offer privacy-preserving alternatives to frontier models, their specialization is hindered by fragmented development pipelines that separate tool integration, data generation, and training. We introduce EnterpriseLab, a full-stack platform that unifies these stages into a closed-loop framework. EnterpriseLab provides (1) a modular environment exposing enterprise applications via Model Context Protocol, enabling seamless integration of proprietary and open-source tools; (2) automated trajectory synthesis that programmatically generates training data from environment schemas; and (3) integrated training pipelines with continuous evaluation. We validate the platform through EnterpriseArena, an instantiation with 15 applications and 140+ tools across IT, HR, sales, and engineering domains. Our results demonstrate that 8B-parameter models trained within EnterpriseLab match GPT-4o's performance on complex enterprise workflows while reducing inference costs by 8-10x, and remain robust across diverse enterprise benchmarks, including EnterpriseBench (+10%) and CRMArena (+10%). EnterpriseLab provides enterprises a practical path to deploying capable, privacy-preserving agents without compromising operational capability.
• Abstract（参考訳）: エンタープライズ環境にAIエージェントをデプロイするには、データの主権とコスト制約とのバランスが必要だ。 小さな言語モデルはフロンティアモデルに対するプライバシ保護の代替手段を提供するが、その特殊化は、ツール統合、データ生成、トレーニングを分離する断片化された開発パイプラインによって妨げられる。 これらのステージをクローズドループフレームワークに統合するフルスタックプラットフォームであるEnterpriseLabを紹介します。 EnterpriseLabは、(1)Model Context Protocolを介してエンタープライズアプリケーションを公開し、プロプライエタリおよびオープンソースツールのシームレスな統合を可能にするモジュール環境、(2)環境スキーマからトレーニングデータをプログラム的に生成する自動軌道合成、(3)継続的な評価を伴う統合トレーニングパイプラインを提供する。 EnterpriseArenaは、IT、人事、営業、エンジニアリングドメインにまたがる15のアプリケーションと140以上のツールによるインスタンス化です。 その結果、EnterpriseLab内でトレーニングされた8Bパラメータモデルは、複雑なエンタープライズワークフロー上でのGPT-4oのパフォーマンスと一致し、推論コストを8～10倍削減し、EnterpriseBench (+10%) やCRMArena (+10%) など、さまざまなエンタープライズベンチマークで堅牢であることがわかった。 EnterpriseLabは、運用能力を損なうことなく、有能なプライバシ保護エージェントをデプロイするための実践的なパスを提供する。

関連論文リスト

• Agent World Model: Infinity Synthetic Environments for Agentic Reinforcement Learning [62.499592503950026]
  大規模言語モデル(LLM)は、ツールや環境とのマルチターンインタラクションを必要とする複雑なタスクを実行するために、自律エージェントに権限を与えている。 完全合成環境生成パイプラインであるエージェント・ワールド・モデル(AWM)を提案する。 私たちは、エージェントがリッチなツールセットと対話できる、毎日のシナリオをカバーする1,000の環境にスケールします。
  論文  参考訳（メタデータ） (2026-02-10T18:55:41Z)
• SWE-World: Building Software Engineering Agents in Docker-Free Environments [91.17484806743641]
  SWE-Worldは、物理的な実行環境を、ソフトウェアエンジニアリングエージェントのトレーニングと評価のための学習的なサロゲートに置き換える、Dockerフリーのフレームワークである。 我々は,SWE-WorldがQwen2.5-Coder-32Bを,DockerフリーのSFTで6.2%から52.0%,DockerフリーのRLで55.0%,さらにTSで68.2%に引き上げたことを示す。
  論文  参考訳（メタデータ） (2026-02-03T11:44:39Z)
• AI4EOSC: a Federated Cloud Platform for Artificial Intelligence in Scientific Research [44.97138432029079]
  我々は、科学ワークロードで人工知能をサポートするための、連邦計算プラットフォームについて説明する。 物理的に分散したe-インフラのフェデレーションに一貫した透過的なアクセスを提供する。 このプラットフォームは、完全な機械学習ライフサイクルをカバーする統合されたユーザーエクスペリエンスを提供することができる。
  論文  参考訳（メタデータ） (2025-12-18T12:20:31Z)
• Can LLMs Help You at Work? A Sandbox for Evaluating LLM Agents in Enterprise Environments [7.078058156560979]
  エンタープライズ設定をシミュレートする包括的なベンチマークであるEnterpriseBenchを紹介します。 我々のベンチマークでは、データソースの断片化、アクセス制御階層、クロスファンクショナルドメインなど、主要なエンタープライズ特性を捉えています。 最先端のLLMエージェントによる実験では、最も有能なモデルでさえ41.8%のタスク完了しか達成していない。
  論文  参考訳（メタデータ） (2025-10-31T08:55:13Z)
• The AI_INFN Platform: Artificial Intelligence Development in the Cloud [0.0]
  INFNイニシアチブであるAI_INFN(Artificial Intelligence at INFN)は、さまざまなINFN研究シナリオでMLメソッドの使用を促進することを目指している。 性能と統合結果の両方を実証し、予備ベンチマーク、機能テスト、ケーススタディを示す。
  論文  参考訳（メタデータ） (2025-09-26T09:40:51Z)
• InternBootcamp Technical Report: Boosting LLM Reasoning with Verifiable Task Scaling [71.37579508777843]
  大規模言語モデル(LLM)は、複雑な推論機能を実現することによって、人工知能に革命をもたらした。 このギャップに対処するため、1000以上のドメイン分散タスク環境からなるオープンソースのフレームワークであるInternBootcampを紹介します。
  論文  参考訳（メタデータ） (2025-08-12T05:00:00Z)
• Toward Data Systems That Are Business Semantic Centric and AI Agents Assisted [0.0]
  ビジネスSemantics Centric, AI Agents Assisted Data System (BSDS) BSDSは、データシステムをビジネス成功の動的な実現手段として再定義する。 システムには、ビジネスエンティティにリンクされたキュレートされたデータ、コンテキスト認識AIエージェントの知識ベース、効率的なデータパイプラインが含まれる。
  論文  参考訳（メタデータ） (2025-06-05T19:06:06Z)
• Robot Fleet Learning via Policy Merging [58.5086287737653]
  我々はFLEET-MERGEを提案し、艦隊設定における政策を効率的にマージする。 本稿では,FLEET-MERGEがメタワールド環境における50のタスクで訓練されたポリシーの行動を統合することを示す。 合成・接触に富んだロボット操作タスクにおけるフリートポリシー学習のための新しいロボットツール用ベンチマークであるFLEET-TOOLSを導入する。
  論文  参考訳（メタデータ） (2023-10-02T17:23:51Z)

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。