論文の概要: From Document Silos to Process Intelligence: A Multi-Layer Knowledge Graph for CMC Process Development
- arxiv url: http://arxiv.org/abs/2609.11493v1
- Date: Thu, 10 Sep 2026 12:59:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.361218
- Title: From Document Silos to Process Intelligence: A Multi-Layer Knowledge Graph for CMC Process Development
- Title（参考訳）: ドキュメントサイロからプロセスインテリジェンスへ:CMCプロセス開発のための多層知識グラフ
- Abstract要約: 本稿では,プロセス開発文書の異種コーパスを問合せ可能な2層知識グラフに変換するモジュール型エージェントAIプラットフォームを提案する。
検索拡張世代(RAG)システムのプロプライエタリデータへの展開忠実度を測定する新しい3層プロトコルを用いて,語彙層の評価を行った。
- 参考スコア（独自算出の注目度）: 0.07646713951724012
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Chemistry, Manufacturing and Controls (CMC) process development generates an enormous body of technical information across a multi-stage, knowledge-intensive continuum from drug discovery to commercial manufacturing. This knowledge is traditionally fragmented across functions and heterogeneous formats, causing traceability gaps and significant knowledge-management costs during technology transfer and regulatory filing. We present a modular agentic-AI platform that converts a heterogeneous corpus of process-development documents into a queryable, dual-layer knowledge graph. A base knowledge layer builds a lexical graph with a Document-Section-Chunk hierarchy through lossless ingestion of digital, scanned, handwritten, and multilingual documents, while an intelligence layer extracts ontology-aligned entities and bridges cross-document concepts through a provenance-anchored domain graph. LLM agents operate across both layers, selecting the retrieval path best suited to each question. We evaluate the lexical layer with a novel three-tier protocol measuring the deployment-fidelity of a retrieval-augmented generation (RAG) system on proprietary data, demonstrated on 505 questions curated from 38 development reports of a Sanofi small-molecule program. Tier-1 multiple-choice accuracy of 95% signals strong platform reliability; the stricter Tier-2 LLM-judge pass rate of 85%, which degrades on comparative and corpus-wide questions, reveals a failure taxonomy that Tier-1 accuracy alone fails to capture. A router agent selects between layers according to question type. We anticipate this protocol will enable future designers of agentic platforms to assess their systems against nonpublic databases, and that graph-based architectures will see broader adoption in pharma as a means of transforming fragmented document repositories into structured process intelligence.
- Abstract（参考訳）: 化学、製造、制御(CMC)プロセス開発は、医薬品発見から商業生産に至るまで、多段階の知識集約的な連続体にまたがる膨大な技術情報を生成する。
この知識は伝統的に関数や不均一なフォーマットにまたがって断片化され、技術移転と規制申請の間にトレーサビリティのギャップと重要な知識管理コストを引き起こす。
本稿では,プロセス開発文書の異種コーパスを問合せ可能な2層知識グラフに変換するモジュール型エージェントAIプラットフォームを提案する。
ベース知識層は、デジタル、スキャン、手書き、多言語文書のロスレス取り込みを通じてドキュメント・シーケンス・チャンク階層を持つ語彙グラフを構築し、インテリジェンス層はオントロジーに整合したエンティティを抽出し、証明アンコールされたドメイングラフを介してクロスドキュメントの概念をブリッジする。
LLMエージェントは両方の層をまたいで動作し、各質問に最も適した検索パスを選択する。
本研究では,サノフィ小分子プログラムの38の開発報告から得られた505の質問に対して,レキシカル層の評価を行った。
より厳格なTier-2 LLM-judgeパスレート85%は、比較およびコーパスワイドな質問に分解され、Tier-1の精度だけでは達成できない失敗の分類が示される。
ルータエージェントは、質問タイプに応じて層間を選択する。
このプロトコルにより、将来のエージェントプラットフォームの設計者が、非パブリックデータベースに対してシステムを評価することが可能になり、断片化されたドキュメントリポジトリを構造化されたプロセスインテリジェンスに変換する手段として、グラフベースのアーキテクチャが薬局に広く採用されることを期待している。
関連論文リスト
- Automated Hardware Validation Test Plan Generation for Large Scale AI Datacenter Platforms Using a Generative AI Multi-Agents Architecture [4.668322408437681]
本稿では,構造化ハードウェア検証テスト計画の生成を自動化する,生成型AIマルチエージェントアーキテクチャを提案する。
手動のベースラインに対して2つのプロダクションプラットフォームで評価され、74.2%と51.4%のカバレッジ拡張を実現し、著者を数日から数時間に短縮した。
論文 参考訳（メタデータ） (2026-07-17T17:41:33Z) - The Illusion of Agentic Complexity in README.md Generation: Evaluating Single-Agent vs. Multi-Agent RAG Systems [3.7149543017244238]
この研究は、GitHubリポジトリ用のファイル生成のためのRAG(Retrieval-Augmented Generation)依存アーキテクチャを実証的に評価する。
シングルエージェントパイプラインは、MASに匹敵する語彙品質を達成し、トークンの消費量を86%削減し、その2倍の速度で運用する。
論文 参考訳（メタデータ） (2026-06-29T16:29:31Z) - Code-in-the-Loop Forensics: Agentic Tool Use for Image Forgery Detection [59.04089915447622]
ForenAgentはインタラクティブなIFDフレームワークで、MLLMが検出対象に関するPythonベースの低レベルツールを自律的に生成、実行、洗練することができる。
人間の推論にインスパイアされた我々は、グローバルな認識、局所的な焦点、反復的探索、そして全体論的偏見を含む動的推論ループを設計する。
実験の結果,ForenAgent は IFD 課題に対する創発的なツール利用能力と反射的推論を示すことがわかった。
論文 参考訳（メタデータ） (2025-12-18T08:38:44Z) - Multi-Agent Systems for Dataset Adaptation in Software Engineering: Capabilities, Limitations, and Future Directions [8.97512410819274]
本稿では,データセット適応タスクにおいて,最先端のマルチエージェントシステムがどのように機能するかについて,最初の実証的研究を行う。
我々は、GitHub Copilotを評価し、ROCODEやLogHub2.0といったベンチマークリポジトリからSE研究成果物を適用する。
その結果、現在のシステムはキーファイルを識別し、部分的な適応を生成することができるが、正しい実装を生成することは滅多にない。
論文 参考訳（メタデータ） (2025-11-26T13:26:11Z) - URaG: Unified Retrieval and Generation in Multimodal LLMs for Efficient Long Document Understanding [55.45331924836242]
MLLM内での検索と生成を統一するフレームワークであるURaGについて述べる。
URaGは,計算オーバーヘッドを44～56%削減し,最先端性能を実現する。
論文 参考訳（メタデータ） (2025-11-13T17:54:09Z) - Executable Knowledge Graphs for Replicating AI Research [65.41207324831583]
Executable Knowledge Graphs (xKG) は、科学文献から抽出された技術的洞察、コードスニペット、ドメイン固有の知識を自動的に統合するモジュラーでプラグイン可能な知識基盤である。
コードはhttps://github.com/zjunlp/xKGでリリースされる。
論文 参考訳（メタデータ） (2025-10-20T17:53:23Z) - A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。
本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
論文 参考訳（メタデータ） (2025-10-10T06:56:50Z) - MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。
提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。
その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-08-13T19:14:48Z) - Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。
本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
論文 参考訳（メタデータ） (2025-06-22T16:52:48Z) - 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) - Reverse-Engineering the Retrieval Process in GenIR Models [41.661577386460436]
Generative Information Retrieval (GenIR) は、トランスフォーマーエンコーダ-デコーダモデルがクエリに基づいて文書のランキングを予測する新しいパラダイムである。
本研究は、機械的解釈可能性に基づく手法を適用して、GenIRモデルの内部検索過程を研究する。
論文 参考訳（メタデータ） (2025-03-25T14:41:17Z)
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。