論文の概要: Large Language Models for Analyzing Enterprise Architecture Debt in Unstructured Documentation

• arxiv url: http://arxiv.org/abs/2604.00046v1
• Date: Sun, 29 Mar 2026 21:45:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.644147
• Title: Large Language Models for Analyzing Enterprise Architecture Debt in Unstructured Documentation
• Title（参考訳）: 非構造化ドキュメンテーションにおけるエンタープライズアーキテクチャ負債分析のための大規模言語モデル
• Authors: Christin Pagels, Simon Hacks, Rob Henk Bemthuis,
• Abstract要約: エンタープライズアーキテクチャ負債(EA Debt)は、最適以下の設計決定と、組織ITの状況が経時的に悪化する可能性のあるコンポーネントの不一致から生じる。 初期の指標であるEA Smells(Enterprise Architecture Smells)は、主に手動または構造化されたアーティファクトからのみ検出されている。 本研究では,大規模言語モデル (LLM) を用いて,非構造化アーキテクチャ文書におけるEA Debtの同定と定量化を行う手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Enterprise Architecture Debt (EA Debt) arises from suboptimal design decisions and misaligned components that can degrade an organization's IT landscape over time. Early indicators, Enterprise Architecture Smells (EA Smells), are currently mainly detected manually or only from structured artifacts, leaving much unstructured documentation under-analyzed. This study proposes an approach using a large language model (LLM) to identify and quantify EA Debt in unstructured architectural documentation. Following a design science research approach, we design and evaluate an LLM-based prototype for automated EA Smell detection. The artifact ingests unstructured documents (e.g., process descriptions, strategy papers), applies fine-tuned detection models, and outputs identified smells. We evaluate the prototype through a case study using synthetic yet realistic business documents, benchmarking against a custom GPT-based model. Results show that LLMs can detect multiple predefined EA Smells in unstructured text, with the benchmark model achieving higher precision and processing speed, and the fine-tuned on-premise model offering data protection advantages. The findings highlight opportunities for integrating LLM-based smell detection into EA governance practice.
• Abstract（参考訳）: エンタープライズアーキテクチャ負債(EA Debt)は、最適以下の設計決定と、組織ITの状況が経時的に悪化する可能性のあるコンポーネントの不一致から生じます。 初期の指標であるEA Smells(Enterprise Architecture Smells)は、主に手動または構造化されたアーティファクトからのみ検出され、未構造化のドキュメントを未解析のまま残している。 本研究では,大規模言語モデル (LLM) を用いて,非構造化アーキテクチャ文書におけるEA Debtの同定と定量化を行う手法を提案する。 設計科学研究のアプローチに従い、自動EAスメル検出のためのLCMベースのプロトタイプを設計・評価する。 このアーティファクトは、構造化されていない文書(例:プロセス記述、戦略文書)を取り込み、微調整された検出モデルを適用し、識別された臭いを出力する。 本研究は,GPTをベースとしたカスタムモデルに対して,総合的かつ現実的なビジネス文書を用いたケーススタディにより,プロトタイプの評価を行う。 その結果、LLMは非構造化テキストで複数の事前定義されたEA Smellを検出でき、ベンチマークモデルでは精度と処理速度が向上し、微調整されたオンプレミスモデルではデータ保護の利点が期待できることがわかった。 この結果は,LEMに基づく匂い検出をEAガバナンスの実践に統合する機会を浮き彫りにした。

関連論文リスト

• ExStrucTiny: A Benchmark for Schema-Variable Structured Information Extraction from Document Images [19.490609860018804]
  文書画像から構造化情報抽出(IE)のための新しいベンチマークデータセットであるExStrucTinyを紹介する。 ExStrucTinyは、手動と合成された人間のバリデーションサンプルを組み合わせた、新しいパイプラインで構築されている。 このベンチマークでオープンでクローズドなビジョン言語モデルを分析し、適応、クエリアンダーセグメンテーション、スキーマ適応といった課題を強調します。
  論文  参考訳（メタデータ） (2026-02-12T17:38:57Z)
• LLM-Driven Ontology Construction for Enterprise Knowledge Graphs [0.0]
  本稿では,企業データからのドメイン固有非構造生成を高速化するパイプラインであるOntoEKGを紹介する。 提案手法では,モデルタスクを,コアクラスとプロパティを識別する抽出モジュールと,それらの要素を論理的に階層化し,それらを標準RDFにシリアライズするエンテーメントモジュールという,2つの異なるフェーズに分解する。 エンドツーエンドの構築のための包括的なベンチマークの欠如に対処するため、私たちは、データ、ファイナンス、ロジスティックスの各分野にわたる文書から派生した、新たな評価データセットを採用しました。
  論文  参考訳（メタデータ） (2026-02-01T15:13:30Z)
• LongDA: Benchmarking LLM Agents for Long-Document Data Analysis [55.32211515932351]
  LongDAは、長いドキュメントと複雑なデータをナビゲートする実際の設定をターゲットとしています。 LongTAは、ドキュメントアクセス、検索、コード実行を可能にするツール拡張されたエージェントフレームワークである。 実験の結果, 最先端モデルにおいても, かなりの性能差が認められた。
  論文  参考訳（メタデータ） (2026-01-05T23:23:16Z)
• Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
  Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。 AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。 結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
  論文  参考訳（メタデータ） (2025-07-22T06:37:51Z)
• Structured Prompting and Feedback-Guided Reasoning with LLMs for Data Interpretation [0.0]
  大規模言語モデル(LLM)は、自然言語の理解とタスクの一般化において顕著な能力を示した。 本稿では、構造化されたプロンプトおよびフィードバック駆動型変換ロジック生成手法であるSTROT Frameworkを紹介する。
  論文  参考訳（メタデータ） (2025-05-03T00:05:01Z)
• Automated Microservice Pattern Instance Detection Using Infrastructure-as-Code Artifacts and Large Language Models [0.0]
  この記事では、現在進行中のPhD研究、初期の実験、マイクロサービスパターンインスタンスの自動検出のためのMicroPADと呼ばれるツールのプロトタイプについて紹介します。 プロトタイプでは、Large Language Models(LLM)を使用して、インフラストラクチャ・アズ・コード(IaC)アーティファクトを分析して検出を支援し、コストを低く抑え、検出可能なパターンの範囲を最大化することを目的としている。
  論文  参考訳（メタデータ） (2025-02-06T16:22:14Z)
• StructTest: Benchmarking LLMs' Reasoning through Compositional Structured Outputs [78.84060166851805]
  StructTestは、大規模な言語モデル(LLM)を合成命令に従って構造化出力を生成する能力に基づいて評価する、新しいベンチマークである。 評価はルールベースの評価器を用いて決定的に行われ、新しいタスクやデータセットに容易に拡張できる。 StructTestは、Deepseek-V3/R1やGPT-4oといったトップパフォーマンスモデルでも、依然として難しいままです。
  論文  参考訳（メタデータ） (2024-12-23T22:08:40Z)
• Autoregressive Structured Prediction with Language Models [73.11519625765301]
  本稿では, PLM を用いた自己回帰的手法を用いて, モデル構造を行動列として記述する。 我々のアプローチは、私たちが見てきた全ての構造化予測タスクにおいて、新しい最先端を実現する。
  論文  参考訳（メタデータ） (2022-10-26T13:27:26Z)

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。