論文の概要: GUIDE: Governed Unified Intelligence for Document-to-Artifact Generation in Enterprise Settings
- arxiv url: http://arxiv.org/abs/2608.12133v1
- Date: Wed, 12 Aug 2026 14:52:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.61809
- Title: GUIDE: Governed Unified Intelligence for Document-to-Artifact Generation in Enterprise Settings
- Title（参考訳）: GUIDE: 企業環境におけるドキュメント・ツー・アーティファクト生成のための統一インテリジェンス
- Abstract要約: GUIDEは、スキーマ検証されたエージェント間契約を備えた共有バージョン管理ルールストア上に構築された、管理されたマルチエージェントフレームワークである。
専門的な6つのエージェントは、解析、VLM駆動抽出、一貫性チェック、評価、Human-in-the-loop(HITL)エスカレーション、ペルソナ調整されたアーティファクト合成を扱う。
120の実世界のエンタープライズガイドラインドキュメントで評価され、GUIDEは96%のドキュメント成功、71.4%の自動承認による3,896のルールの抽出、812のデプロイメント対応アーティファクトの生成、ドキュメント毎の40～125分へのターンアラウンドの削減を実現している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Enterprise guideline documents are heterogeneous and multimodal, combining narrative text, complex tables, and embedded images. Existing LLM and VLM systems face hallucinated content, table structure degradation, and lack governed workflows extending beyond extraction to validation and artifact generation. This leaves enterprises to perform this manually, consuming 2-3 days per document. To address this, we introduce GUIDE, a governed multi-agent framework built on a shared versioned rule store with schema-validated inter-agent contracts and end-to-end provenance tracking. Six specialized agents handle parsing, VLM-driven extraction, consistency checking, evaluation, human-in-the-loop (HITL) escalation, and persona-tailored artifact synthesis. Evaluated on 120 real-world enterprise guideline documents, GUIDE achieves 96% document success, extracts 3,896 rules with 71.4% auto-approved, produces 812 deployment-ready artifacts, and reduces turnaround to 40-125 minutes per document.
- Abstract（参考訳）: エンタープライズガイドライン文書は異質でマルチモーダルであり、物語テキスト、複雑なテーブル、埋め込み画像を組み合わせたものである。
既存のLLMおよびVLMシステムは、幻覚的コンテンツ、テーブル構造劣化、および、抽出からバリデーションやアーティファクト生成まで、管理されたワークフローの欠如に直面している。
これにより、企業はこれを手作業で実行し、1ドキュメントあたり2～3日を要します。
この問題を解決するために,共有バージョンルールストア上に構築された多エージェントフレームワークであるGUIDEを紹介した。
専門的な6つのエージェントは、解析、VLM駆動抽出、一貫性チェック、評価、Human-in-the-loop(HITL)エスカレーション、ペルソナ調整されたアーティファクト合成を扱う。
120の実世界のエンタープライズガイドライン文書に基づいて評価され、GUIDEは96%のドキュメント成功、71.4%の自動承認による3,896のルールの抽出、812のデプロイメント対応アーティファクトの生成、ドキュメント毎の40-125分へのターンアラウンドの削減を実現している。
関連論文リスト
- From Agent Behaviour to Agent-Friendly Documentation: An Empirical Study of How Coding Agents Discover, Read, and Write Technical Documentation [3.807723380039104]
技術ドキュメントは人間開発者のために書かれています。
ソフトウェア変更のシェアの増大は、今や自律的なコーディングエージェントによって引き継がれている。
本研究では,2つの公開データセット間でのエージェント・ドキュメント間相互作用に関する行動基礎研究を行う。
論文 参考訳（メタデータ） (2026-08-20T15:51:54Z) - DocAtlas: Long-Document Understanding as Mutable-State Interaction [67.90400271544678]
本稿では,長期文書理解を可変状態情報探索プロセスとして扱うDocAtlasを提案する。
ドキュメントと質問が与えられた後、DocAtlasは検索、読み取り、メモ取り、レビューツールを公開し、階層的なツリーとノートストアを維持し、エージェントが証拠を記録するように更新する。
GPT-5.4では、DocAtlasはMMLongBench-Docで71.4%に達し、65.8%という人間の専門的基準を超えた。
論文 参考訳（メタデータ） (2026-07-21T09:45:34Z) - AGORA: An Archive-Grounded Benchmark for Agentic Workplace Document Reasoning [52.23991730630292]
大規模言語モデルは、パラメトリックな知識から答えるのではなく、文書を推論するエージェントとして、ますます多くデプロイされている。
大規模な、散らかった職場ファイルの集合にスパース証拠を配置し、一貫性のない用語、単位、時間規則を調整し、答えを計算する。
私たちは、362の質問と9,664の認証ドキュメントと372Mのトークンの8つのドメインコレクションをペアリングするベンチマークであるAgoraを紹介します。
論文 参考訳（メタデータ） (2026-06-23T12:57:18Z) - LEDGER: Scaling Agentic Document Editing with Dependency-aware Graph Retrieval [25.28453025760491]
エージェント文書編集における新しいコンテキスト工学的課題に取り組むためにLEDGERを導入する。
LEDGERは、文書構造を明示的にモデル化する軽量な依存性グラフを構築する。
各種文書の種類と長さの異なる1.9kテストケースのベンチマークでLEDGERを評価した。
論文 参考訳（メタデータ） (2026-06-19T17:35:05Z) - How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。
HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
論文 参考訳（メタデータ） (2026-05-08T09:30:31Z) - IDP Accelerator: Agentic Document Intelligence from Extraction to Compliance Validation [3.539467892338473]
IDP(Intelligent Document Processing) Acceleratorは、エンドツーエンドのドキュメントインテリジェンスのためのエージェントAIを実現するフレームワークである。
インタラクティブなデモでは、ユーザはドキュメントのパケットをアップロードし、分類結果を視覚化し、抽出したデータを探索することができる。
論文 参考訳（メタデータ） (2026-02-26T20:20:38Z) - DocRefine: An Intelligent Framework for Scientific Document Understanding and Content Optimization based on Multimodal Large Model Agents [25.190790899297788]
DocRefineは、インテリジェントな理解、コンテンツの改良、科学的なPDF文書の自動要約のために設計された革新的なフレームワークである。
6つの専門的かつ協調的なエージェントからなる洗練されたマルチエージェントシステムを編成する。
さまざまなタスクにおいて、最先端のベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2025-08-09T15:32:52Z) - Zero-Shot Document Understanding using Pseudo Table of Contents-Guided Retrieval-Augmented Generation [4.875345207589195]
DocsRayは、トレーニング不要の文書理解システムである。
擬似コンテンツテーブル(TOC)生成と階層型検索拡張生成(RAG)を統合する
論文 参考訳（メタデータ） (2025-07-31T03:14:45Z) - 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) - DocKD: Knowledge Distillation from LLMs for Open-World Document Understanding Models [66.91204604417912]
本研究の目的は,LLMの知識を蒸留することにより,小型VDUモデルの一般化性を高めることである。
我々は、外部文書知識を統合することでデータ生成プロセスを強化する新しいフレームワーク(DocKD)を提案する。
実験の結果,DocKDは高品質な文書アノテーションを生成し,直接知識蒸留手法を超越していることがわかった。
論文 参考訳（メタデータ） (2024-10-04T00:53:32Z) - LLM Based Multi-Agent Generation of Semi-structured Documents from
Semantic Templates in the Public Administration Domain [2.3999111269325266]
大きな言語モデル(LLM)により、ユーザ要求を満たすカスタマイズされたテキスト出力が作成できるようになった。
所望の構造に適合した新しい文書を生成するために,LLMと迅速なエンジニアリングシステム,マルチエージェントシステムを組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2024-02-21T13:54:53Z) - Document Layout Annotation: Database and Benchmark in the Domain of
Public Affairs [62.38140271294419]
レイアウトラベルの異なるデジタル文書を半自動アノテートする手法を提案する。
スペイン政府から24データソースの集合を用いて,行政領域におけるDLAの新しいデータベースを収集する。
実験の結果,提案したテキストラベリング手順を99%の精度で検証した。
論文 参考訳（メタデータ） (2023-06-12T08:21:50Z) - Language Models Enable Simple Systems for Generating Structured Views of Heterogeneous Data Lakes [54.13559879916708]
EVAPORATEは大規模言語モデル(LLM)を利用したプロトタイプシステムである。
コード合成は安価だが、各文書をLSMで直接処理するよりもはるかに正確ではない。
直接抽出よりも優れた品質を実現する拡張コード実装EVAPORATE-CODE+を提案する。
論文 参考訳（メタデータ） (2023-04-19T06:00:26Z)
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。