論文の概要: AI-Assisted Knowledge Access for Legacy Enterprise Asset Management in Energy Operations: A Practical Retrieval System

• arxiv url: http://arxiv.org/abs/2607.24792v1
• Date: Sun, 28 Jun 2026 14:11:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.06881
• Title: AI-Assisted Knowledge Access for Legacy Enterprise Asset Management in Energy Operations: A Practical Retrieval System
• Title（参考訳）: エネルギー運用におけるレガシー企業資産管理のためのAI支援知識アクセス:実践的検索システム
• Abstract要約: 本稿では,3つの操作モード間での日々の知識アクセスを改善する検索アシスタントを提案する。 実行時メソッドは、インテント理解、クエリ書き換え、ハイブリッドセマンティクスとベクトル検索、コンテキストエンジニアリングを組み合わせたものである。 結果は小さなサンプルに基づいており、パイロットの発見として報告されているが、意図的理解とセマンティックエンリッチメントが有意義な運用価値をもたらすことを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Energy utilities still run engineering work management, engineering procurement, and inventory processes on long-lived enterprise asset management platforms. Replacing these platforms is often cost prohibitive and operationally disruptive, so practical improvement layers are required. This paper presents a retrieval assistant that improves day-to-day knowledge access across three operational modes: vendor documentation question answering, operational data store (ODS) schema question answering, and user interface usage and how-to question answering. The runtime method combines intent understanding, query rewriting, hybrid semantic and vector retrieval, context engineering under token limits, grounded answer generation, and deterministic hyperlink conversion for panel identifiers and cited documentation. The data preparation pipeline emphasizes semantic enrichment as the primary quality lever by adding table and field descriptions, normalizing acronyms across sources, and indexing representative row-level context when useful. A measured pilot shows consistent gains in retrieval quality and user outcomes. Precision at five improved from 0.56 to 0.72, mean reciprocal rank from 0.43 to 0.58, and normalized discounted cumulative gain (nDCG) at five from 0.51 to 0.66. Median task completion time dropped from 14.2 to 8.3 minutes, while usefulness and confidence both increased to 4.0 on a five-point scale. Results are based on a small sample and are reported as pilot findings, but they indicate that intent understanding and semantic enrichment can deliver meaningful operational value in legacy environments while also establishing reusable foundations for future analytics and automation tools.
• Abstract（参考訳）: エネルギーユーティリティーは、長寿命の企業資産管理プラットフォーム上で、エンジニアリングワークマネジメント、エンジニアリング調達、在庫プロセスを実行している。 これらのプラットフォームをリプレースすることは、しばしば禁止され、運用上の破壊的なコストがかかるため、実用的な改善レイヤが必要である。 本稿では,ベンダドキュメンテーション質問応答,オペレーショナルデータストア(ODS)スキーマ質問応答,ユーザインタフェース利用,ハウツー質問応答という,3つの運用モードにおける日々の知識アクセスを改善する検索アシスタントを提案する。 実行時メソッドは、インテント理解、クエリ書き換え、ハイブリッドセマンティックとベクトル検索、トークン制限下のコンテキストエンジニアリング、接地された応答生成、パネル識別子と引用ドキュメントに対する決定論的ハイパーリンク変換を組み合わせる。 データ準備パイプラインは、テーブルとフィールド記述を追加し、ソース間の頭字語を正規化し、有用であれば代表行レベルのコンテキストをインデックス化することで、セマンティックエンリッチメントを主要な品質レバーとして強調する。 測定したパイロットは、検索品質とユーザ結果に一貫した利得を示す。 5 の精度は 0.56 から 0.72 に改善され、平均相反位は 0.43 から 0.58 に改善され、通常値下げ累積利得 (nDCG) は 0.51 から 0.66 に改善された。 中間タスク完了時間は14.2分から8.3分に短縮され、有用性と信頼性は5点スケールで4.0に向上した。 結果は小さなサンプルに基づいており、パイロットとして報告されているが、意図的理解とセマンティックエンリッチメントがレガシー環境で有意義な運用価値を提供すると同時に、将来の分析と自動化ツールのための再利用可能な基盤を確立することを示唆している。

関連論文リスト

• VikingRAG: Accurate and Token-efficient Retrieval-augmented Generation over Structured Documents [16.5373268346586]
  最先端の検索拡張生成(RAG)手法は、十分な証拠を得るために文書構造を利用するが、しばしば相当なトークンコストを発生させる。 本稿では,ディレクトリを意識したセマンティックデータ管理システムである sf VikingRAG について述べる。 検索トレースの再利用と適応エスカレーションにより、トークンコストは5.1%--32.5%に低下し、競争精度と実用的な文書保存性能を維持した。
  論文  参考訳（メタデータ） (2026-09-10T11:25:59Z)
• UNIBROWSE: A Data-to-Agent Framework for Multimodal BrowseComp [14.339105360523831]
  実世界のマルチモーダルブラウジングには3つの異なる情報フローパターンがある。 UNIBROWSEは3つのパターンすべてをカバーするトレーニングデータを同時に生成する統合データパイプラインである。 UNIBROWSEエージェントは、マルチモーダルなBrowseCompベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-12T04:13:27Z)
• EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
  EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。 実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。 EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
  論文  参考訳（メタデータ） (2026-06-09T17:57:16Z)
• PEEK: Context Map as an Orientation Cache for Long-Context LLM Agents [10.630364463975388]
  大規模言語モデル(LLM)エージェントは、長く繰り返される外部コンテキストに対してますます機能する。 既存のアプローチでは、エージェントの軌道、原料への受動的アクセス、タスクレベルの戦略のいずれかを保持する。 我々は,この向きの知識をコンテキストマップとしてキャッシュし,維持するシステムであるPEEKを紹介する。
  論文  参考訳（メタデータ） (2026-05-19T14:51:32Z)
• Skills on the Fly: Test-Time Adaptive Skill Synthesis for LLM Agents [33.57540444018471]
  テスト時間適応型スキル合成法であるemphSkillTTAを提案する。 それは、現在のタスクに関連する小さなトレーニングトラジェクトリを検索し、それらを一時的なタスク固有のテキストスキルに合成する。 本手法をSpreadsheetBench, ALFWorld, BigCodeBenchで評価した。
  論文  参考訳（メタデータ） (2026-05-16T13:14:15Z)
• Controllable and Verifiable Tool-Use Data Synthesis for Agentic Reinforcement Learning [82.89535601592739]
  マルチレベル検証を用いた自己進化型合成により,信頼性の高い基本ツール利用軌跡を生成する2段階パイプラインを提案する。 これらの拡張は、トラクタツール、間接的または曖昧なユーザクエリ、ノイズ、マルチフォーマット、あるいは誤ったツール出力を導入します。 本設計では,標準事例に対する参照マッチングによる報酬の自動計算と,エラー検出などの特別な動作に対する軽量な判断支援検証を実現する。
  論文  参考訳（メタデータ） (2026-04-10T18:38:52Z)
• AgentChangeBench: A Multi-Dimensional Evaluation Framework for Goal-Shift Robustness in Conversational AI [5.165179548592513]
  AgentChangeBenchは、ツール拡張言語モデルエージェントがミッドダイアログのゴールシフトにどのように適応するかを測定するために設計されたベンチマークである。 本フレームワークは,タスク成功率(TSR),信頼性のためのツール利用効率(TUE),無駄な作業のためのツールコール冗長率(TCRR),適応のためのゴールシフト回復時間(GSRT)の4つの相補的指標を用いて評価を定式化する。
  論文  参考訳（メタデータ） (2025-10-20T23:48:07Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• Advancing Retrieval-Augmented Generation for Structured Enterprise and Internal Data [0.0]
  大きな言語モデル(LLM)は強力な生成能力を持つ。 静的事前トレーニング、短いコンテキストウィンドウ、および異種データフォーマットを処理する際の課題によって制限されている。 従来のRetrieval-Augmented Generation (RAG) フレームワークはこれらのギャップのいくつかに対処するが、構造化データや半構造化データに苦慮することが多い。 本研究では,SpaCy NERとクロスエンコーダによるメタデータ認識フィルタリングにより強化された,高密度埋め込み(All-mpnet-base-v2)とBM25を用いたハイブリッド検索戦略を組み合わせた高度なRAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-16T17:13:06Z)
• FamiCom: Further Demystifying Prompts for Language Models with Task-Agnostic Performance Estimation [73.454943870226]
  言語モデルは、コンテキスト内学習能力に優れています。 本稿では,タスク非依存のパフォーマンス推定のためのより包括的な尺度であるFamiComを提案する。
  論文  参考訳（メタデータ） (2024-06-17T06:14:55Z)
• AvaTaR: Optimizing LLM Agents for Tool Usage via Contrastive Reasoning [93.96463520716759]
  大規模言語モデル(LLM)エージェントは、精度と幻覚を高めるために外部ツールと知識を活用する際、印象的な能力を示した。 本稿では、LLMエージェントを最適化して提供されたツールを効果的に活用し、与えられたタスクのパフォーマンスを向上させる新しい自動化フレームワークであるAvaTaRを紹介する。
  論文  参考訳（メタデータ） (2024-06-17T04:20:02Z)
• Meta Reinforcement Learning with Autonomous Inference of Subtask Dependencies [57.27944046925876]
  本稿では,タスクがサブタスクグラフによって特徴づけられるような,新しい数発のRL問題を提案し,対処する。 メタ政治を直接学習する代わりに、Subtask Graph Inferenceを使ったメタラーナーを開発した。 実験の結果,2つのグリッドワールド領域とStarCraft II環境において,提案手法が潜在タスクパラメータを正確に推定できることが確認された。
  論文  参考訳（メタデータ） (2020-01-01T17:34:00Z)

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。