論文の概要: Conversational Query Engine for Mixed-Modality Heterogeneous Enterprise Data Sources

• arxiv url: http://arxiv.org/abs/2606.28370v1
• Date: Mon, 15 Jun 2026 17:02:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-05 17:01:29.599982
• Title: Conversational Query Engine for Mixed-Modality Heterogeneous Enterprise Data Sources
• Title（参考訳）: 混合モダリティ不均一なエンタープライズデータソースのための対話型クエリエンジン
• Abstract要約: 既存のAI対応インターフェースは、ユーザに適切なツールの選択を強制する。 我々は、自然言語分析を異種クエリ処理問題として扱う生産型対話型BIシステムCOGNIを提案する。
• 参考スコア（独自算出の注目度）: 0.816316992802876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Enterprise business intelligence queries span structured warehouses and unstructured document repositories -- modalities with fundamentally different access methods, cost profiles, and correctness semantics. Existing AI-enabled interfaces force users to select the right tool: NL2SQL systems cannot reason over slide decks, and RAG pipelines lack access to live warehouse tables. We present COGNI, a production conversational BI system that treats natural-language analytics as a heterogeneous query processing problem, organized as four architectural layers. First, an indexing layer implements slide-adaptive chunking -- recursive chunking for plain-text slides, hierarchical chunking for structured content such as tables, charts, and key-value blocks - achieving $88.3\%$ on our internal enterprise benchmark. Second, a routing layer built on a LoRA fine-tuned Qwen-2.5-1.5B-Instruct model that produces a dual output - modality decision and complexity assessment at $93.8\%$ accuracy and approximately $7\times$ lower cost than frontier-model. Third, a retrieval layer executes complexity-adaptive pipelines: a self-correcting NL2SQL agent at $93.9\%$ G-Eval, and Recursive Language Models reaching $91.0\%$ on multi-hop synthesis queries. Finally, a caching layer validates query equivalence across multiple dimensions beyond embedding similarity, achieving zero false cache hits and $8.4\times$ latency reduction.
• Abstract（参考訳）: エンタープライズビジネスインテリジェンスクエリは、構造化されたウェアハウスと非構造化ドキュメントリポジトリにまたがる -- 基本的に異なるアクセスメソッド、コストプロファイル、正当性セマンティクスを備えたモダリティ。 既存のAI対応インターフェースは、ユーザに適切なツールの選択を強制する: NL2SQLシステムは、スライドデッキを無効にすることができず、RAGパイプラインは、ライブの倉庫テーブルへのアクセスを欠いている。 本研究では,自然言語解析を異種クエリ処理問題として扱う生産型対話型BIシステムCOGNIについて述べる。 まず、インデックス層はスライド適応型チャンキングを実装します -- 平文スライドの再帰的なチャンキング、テーブル、チャート、キーバリューブロックなどの構造化されたコンテンツの階層的なチャンキングで、社内のエンタープライズベンチマークで8.3 %の価格で達成しています。 第二に、LoRAの微調整されたQwen-2.5-1.5B-インストラクトモデル上に構築されたルーティング層は、二重出力を生成する。 第3に、検索層は複雑性適応パイプラインを実行する: 自己修正NL2SQLエージェントは、9.9 %$G-Evalで、再帰言語モデルは、マルチホップ合成クエリで91.0 %$に達する。 最後に、キャッシュ層は、類似性の埋め込みを超えて複数の次元にわたるクエリ等価性を検証し、ゼロの偽キャッシュヒットと8.4\times$レイテンシ削減を達成する。

関連論文リスト

• Spider 2.0-AIFunc: Extending Real-World Text-to-SQL to AI-Native SQL Workflows [54.49251107006261]
  我々はSpider 2.0-AIFuncを紹介した。これは、Snowflakeプラットフォーム上の6種類のAI機能をカバーする125の現実世界データベースにわたる465の検証済みインスタンスのベンチマークである。 最強のプロプライエタリモデルは67-70%の精度で実行でき、最高のオープンソースモデルは58.1%に達する。
  論文  参考訳（メタデータ） (2026-07-07T12:54:08Z)
• When RAG Meets Query Planning: Logical Query Trees for Resolving Exploratory Reasoning Problems [56.24850338895714]
  RAGは、高い不確実性と曖昧性を含む複雑なクエリであるtextbf Exploratory reasoning problem (ERP) に苦慮している。 本稿では,自然言語のERPをテキスト論理クエリツリー(LQT)としてモデル化するRAGフレームワークであるemphPlanRAGを紹介する。 PlanRAGは、我々の新たに構築したデータセットである textbfWikiWeb-ERP 上で、最先端のイテレーションベースおよびグラフベースのRAGシステムより優れています。
  論文  参考訳（メタデータ） (2026-07-01T06:43:55Z)
• Rethinking RAG in Long Videos: What to Retrieve and How to Use It? [56.38819694781005]
  V-RAGBenchは$langle$query, evidence chunk, answer$rangle$三重項のベンチマークで、検索と生成を忠実に分離した評価を可能にする。 また、CARVEは、コンフィグレーションにまたがって並列レトリバーを動作させ、チャンク毎に入賞構成を識別するためにチャンク適応リランクを用いる手法である。
  論文  参考訳（メタデータ） (2026-06-11T10:05:49Z)
• ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
  $textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。 Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
  論文  参考訳（メタデータ） (2026-05-11T16:20:51Z)
• Agentic DAG-Orchestrated Planner Framework for Multi-Modal, Multi-Hop Question Answering in Hybrid Data Lakes [5.276278723196607]
  Agentic DAG-Orchestrated Transformer (A.DOT) Plannerはマルチモーダル・マルチホップ質問応答のためのフレームワークである。 A.DOTは、ユーザNLクエリを構造化および非構造化の両方にまたがる有向非巡回グラフ(DAG)実行計画にコンパイルする。 System Decomposes query into parallelizable sub-queries, includess schema-aware reasoning, and applied both structure and semantic validation。
  論文  参考訳（メタデータ） (2026-03-15T05:34:16Z)
• Text-to-SQL as Dual-State Reasoning: Integrating Adaptive Context and Progressive Generation [54.53145282349042]
  DSR-sourced, textbfDual-textbfS textbfReasoning frameworkを導入する。 ポストトレーニングやインコンテキストの例がなければ、DSR-sourcedは競合性能を達成し、スパイダー2.0-Snowで35.28%、BIRD開発で68.32%に達する。
  論文  参考訳（メタデータ） (2025-11-26T13:52:50Z)
• Cortex AISQL: A Production SQL Engine for Unstructured Data [11.480345698642006]
  AIはSnowflakeで本番環境にデプロイされ、分析、検索、コンテンツ理解にまたがるさまざまな顧客のワークロードに電力を供給する。 本稿では、AI対応クエリ最適化が、AI推論コストを第一級最適化目標として扱う方法を示す。 第二に、適応モデルカスケードは、高速プロキシモデルを通じてほとんどの行をルーティングすることで、推論コストを削減する。 第三に、セマンティックなジョインクエリの書き換えは、ジョイン操作の二次的な時間の複雑さを線形に下げる。
  論文  参考訳（メタデータ） (2025-11-10T22:14:13Z)
• BAPPA: Benchmarking Agents, Plans, and Pipelines for Automated Text-to-SQL Generation [3.2476501707160543]
  既存の大規模言語モデル(LLM)は、大きなスキーマサイズと複雑な推論のために、自然な命令からsqlを生成するのに苦労する。 本研究では,3つのマルチエージェントLPMパイプラインを探索し,小規模から大規模のオープンソースモデルにまたがる系統的なパフォーマンスベンチマークを行う。 Bird-Bench Mini-Dev セットの実験では、マルチエージェントの議論は小さなモデルの性能を向上させることができ、Qwen2.5-7b-Instruct の実行精度は最大10.6%向上した。
  論文  参考訳（メタデータ） (2025-11-06T08:00:15Z)
• 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)
• Effective Instruction Parsing Plugin for Complex Logical Query Answering on Knowledge Graphs [51.33342412699939]
  知識グラフクエリ埋め込み(KGQE)は、不完全なKGに対する複雑な推論のために、低次元KG空間に一階論理(FOL)クエリを埋め込むことを目的としている。 近年の研究では、FOLクエリの論理的セマンティクスをよりよく捉えるために、さまざまな外部情報(エンティティタイプや関係コンテキストなど)を統合している。 コードのようなクエリ命令から遅延クエリパターンをキャプチャする効果的なクエリ命令解析(QIPP)を提案する。
  論文  参考訳（メタデータ） (2024-10-27T03:18:52Z)
• CHESS: Contextual Harnessing for Efficient SQL Synthesis [1.9506402593665235]
  効率的でスケーラブルなテキスト・ツー・クエリのためのフレームワークであるCHESSを紹介します。 特殊エージェントは4つあり、それぞれが上記の課題の1つをターゲットにしている。 私たちのフレームワークは、さまざまなデプロイメント制約に適応する機能を提供する。
  論文  参考訳（メタデータ） (2024-05-27T01:54:16Z)
• JoinGym: An Efficient Query Optimization Environment for Reinforcement Learning [58.71541261221863]
  結合順序選択(JOS)は、クエリの実行コストを最小化するために結合操作を順序付けする問題である。 木質強化学習(RL)のためのクエリ最適化環境JoinGymを提案する。 JoinGymは内部で、事前計算されたデータセットから中間結果の濃度を調べることで、クエリプランのコストをシミュレートする。
  論文  参考訳（メタデータ） (2023-07-21T17:00:06Z)

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。