論文の概要: Data Intelligence Agents: Interpreting, Modeling, and Querying Enterprise Data via Autonomous Coding Agents
- arxiv url: http://arxiv.org/abs/2606.19319v1
- Date: Wed, 17 Jun 2026 17:45:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 17:16:51.298201
- Title: Data Intelligence Agents: Interpreting, Modeling, and Querying Enterprise Data via Autonomous Coding Agents
- Title（参考訳）: データインテリジェンスエージェント: 自律的コーディングエージェントによるエンタープライズデータの解釈、モデリング、クエリ
- Authors: Anoushka Vyas, Aarushi Dhanuka, Sina Khoshfetrat Pakazad, Henrik Ohlsson,
- Abstract要約: データインテリジェンスエージェント(DIA)は3つのエージェント(Data Interpreter, Creator, Query Generator)からなるシステムである。
テキストを出力する代わりに、エージェントは具体的なアーティファクトを生成し、実行し、検証し、修復する。
- 参考スコア（独自算出の注目度）: 1.0674604700001966
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Production data integration is bottlenecked by repeated, lossy handoffs between data owners, engineers, and analysts who must collaboratively discover, structure, and query enterprise data. We present Data Intelligence Agents (DIA), a system of three agents (Data Interpreter, Schema Creator, and Query Generator) that compresses this workflow by treating autonomous coding agents (ACAs) as a first-class abstraction: rather than emitting text, the agents generate, execute, validate, and repair concrete artifacts, draw on a shared memory for experience reuse, and surface each for review by domain experts. DIA is deployed in production for enterprise customers. We study the Query Generator in depth and evaluate it in fully autonomous mode across seven SQL benchmarks spanning four task categories and four dialects. It matches or surpasses the best published results on all seven, demonstrating that an architecture grounded in execution, built on ACAs and a shared memory, generalizes across the data intelligence workload with adaptation confined to natural-language instructions.
- Abstract（参考訳）: 生産データ統合は、データ所有者、エンジニア、アナリスト間の繰り返し、損失の多いハンドオフによってボトルネックとなり、共同でエンタープライズデータを発見し、構造化し、クエリする必要がある。
データインテリジェンスエージェント(DIA)は、3つのエージェント(Data Interpreter, Schema Creator, Query Generator)からなるシステムで、自律的なコーディングエージェント(ACA)を第一級の抽象化として扱うことにより、このワークフローを圧縮する。
DIAはエンタープライズ顧客向けに本番環境にデプロイされる。
クエリジェネレータを深く研究し、それを4つのタスクカテゴリと4つの方言にまたがる7つのSQLベンチマークで完全に自律的なモードで評価する。
ACAと共有メモリ上に構築されたアーキテクチャは、自然言語命令に限定した適応でデータインテリジェンスワークロードを一般化する。
関連論文リスト
- Blue Data Intelligence Layer: Streaming Data and Agents for Multi-source Multi-modal Data-Centric Applications [26.71604287422676]
NL2システムは、データとの自然言語インタラクションの必要性の高まりに対処することを目的としている。
我々は、マルチソース、マルチモーダル、データ中心のアプリケーションをサポートするように設計されたBlueのデータインテリジェンス層(DIL)を提示する。
論文 参考訳（メタデータ） (2026-04-16T17:10:21Z) - ORBIT: Scalable and Verifiable Data Generation for Search Agents on a Tight Budget [56.6320292944541]
ORBITは20Kの推論集約クエリと短い検証可能な回答を備えたトレーニングデータセットである。
私たちのフレームワーク、コード、データセットはオープンソースで公開されています。
論文 参考訳（メタデータ） (2026-04-01T17:42:41Z) - From Questions to Queries: An AI-powered Multi-Agent Framework for Spatial Text-to-SQL [0.4499833362998488]
単一エージェントアプローチは、空間的クエリのセマンティックおよび構文的複雑さにしばしば苦労する。
本稿では,自然言語質問を空間的クエリに正確に翻訳するためのマルチエージェントフレームワークを提案する。
我々は,非空間的KaggleDBQAベンチマークと包括的SpatialQAベンチマークを用いて,本システムの評価を行った。
論文 参考訳（メタデータ） (2025-10-23T22:58:17Z) - Enterprise Deep Research: Steerable Multi-Agent Deep Research for Enterprise Analytics [75.4712507893024]
Enterprise Deep Research (EDR)は、適応的なクエリ分解のためのマスタープランニングエージェントを統合するマルチエージェントシステムである。
4つの専門的な検索エージェント(General, Academic, GitHub, LinkedIn)と、データ駆動インサイトのための可視化エージェントも含まれている。
EDRは、オプショナル・イン・ザ・ループ・ステアリング・ガイダンスによる研究の方向性を反映する。
論文 参考訳（メタデータ） (2025-10-20T17:55:11Z) - AgenticData: An Agentic Data Analytics System for Heterogeneous Data [12.67277567222908]
AgenticDataはエージェントデータ分析システムで、複数のドメインにまたがるデータソースを自律的に分析しながら、自然言語(NL)の質問に反応することができる。
本稿では,関連するデータを発見するためのデータプロファイリングエージェント,フィードバックに基づく反復最適化のためのセマンティッククロスバリデーションエージェント,短期文脈を維持するためのスマートメモリエージェントを利用するマルチエージェント協調戦略を提案する。
論文 参考訳（メタデータ） (2025-08-07T03:33:59Z) - HM-RAG: Hierarchical Multi-Agent Multimodal Retrieval Augmented Generation [11.53083922927901]
HM-RAGは階層型マルチエージェントマルチモーダルRAGフレームワークである。
構造化、非構造化、グラフベースのデータ間での動的知識合成のための協調知能の先駆者である。
論文 参考訳（メタデータ） (2025-04-13T06:55:33Z) - A Collaborative Multi-Agent Approach to Retrieval-Augmented Generation Across Diverse Data [0.0]
Retrieval-Augmented Generation (RAG)はLarge Language Models (LLM)を強化する
従来のRAGシステムでは、クエリ生成、データ検索、レスポンス合成に単一エージェントアーキテクチャを使用するのが一般的である。
本稿では,これらの制約に対処するマルチエージェントRAGシステムを提案する。
論文 参考訳（メタデータ） (2024-12-08T07:18:19Z) - UQE: A Query Engine for Unstructured Databases [71.49289088592842]
構造化されていないデータ分析を可能にするために,大規模言語モデルの可能性を検討する。
本稿では,非構造化データ収集からの洞察を直接問合せ,抽出するUniversal Query Engine (UQE)を提案する。
論文 参考訳（メタデータ） (2024-06-23T06:58:55Z)
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。