論文の概要: Semantic Layer Induction from Raw Telemetry via Hierarchical LLM and RAG Abstraction

• arxiv url: http://arxiv.org/abs/2609.19615v1
• Date: Thu, 17 Sep 2026 03:05:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.073786
• Title: Semantic Layer Induction from Raw Telemetry via Hierarchical LLM and RAG Abstraction
• Title（参考訳）: 階層型LCMとRAG抽象化による生テレメトリからのセマンティック層誘導
• Abstract要約: アプリケーション生ログからビジネス・セマンティック・レイヤの構築を完全に自動化するエンドツーエンド・フレームワークを提案する。 提案システムは,100点スケールで50点から80点に向上し,メンテナンスの労力を80%削減し,ノイズの74%を除去し,コーエンのカッパ0.87を達成している。
• 参考スコア（独自算出の注目度）: 0.9966815332898934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern applications generate massive volumes of raw telemetry data, but translating those noisy, heterogeneous event streams into actionable business insights remains a fundamental challenge. Data engineers and analysts expend substantial effort reconciling semantic discrepancies, hand-crafting parsing logics, and maintaining fragile mappings between raw data and business KPIs. In this paper, we present an end-to-end framework that fully automates the construction of a business semantic layer from application raw logs. Our approach introduces a two-stage semantic abstraction: first, high-level business features are identified via LLM inference augmented with domain-specific industry knowledge; second, fine-grained business nodes are derived through a structured pipeline comprising data refinement, hybrid retrieval, multi-stage filtering, semantic clustering, and canonical naming. Evaluation on production-scale telemetry demonstrates that our system improves human-assessed semantic quality from 50 to 80+ on a 100-point scale, reduces maintenance effort by 80%, filters out 74% of noise, and achieves 0.87 Cohen's kappa via an integrated LLM-as-Judge evaluation, enabling continuous, scalable quality assurance. Overall, our work distinguishes itself from prior work by addressing the novel problem of business semantic layer induction from raw telemetry, operating without labeled training data or manual rule engineering.
• Abstract（参考訳）: 現代のアプリケーションは大量の生のテレメトリデータを生成するが、そのノイズの多い異質なイベントストリームを実行可能なビジネスインサイトに変換することは、依然として根本的な課題である。 データエンジニアとアナリストは、セマンティックな不一致の解決、手作りのパースロジック、生データとビジネスKPI間の脆弱なマッピングの維持に多大な努力を払っています。 本稿では,アプリケーション生ログからビジネス・セマンティック・レイヤの構築を完全に自動化するエンド・ツー・エンド・エンド・フレームワークを提案する。 提案手法では,2段階のセマンティック抽象化を導入する。第1に,ドメイン固有の産業知識を付加したLLM推論により,ハイレベルなビジネス特徴を識別する。第2に,データ精細化,ハイブリッド検索,マルチステージフィルタリング,セマンティッククラスタリング,標準命名といった構造的パイプラインを通じて,きめ細かなビジネスノードを導出する。 実運用規模テレメトリの評価では,100ポイント規模の人為的セマンティック品質を50～80以上に向上し,メンテナンス作業の80%削減,ノイズの74%除去,LLM-as-Judge評価による0.87 Cohen's kappaの実現を実現し,連続的かつスケーラブルな品質保証を実現している。 本研究は,業務意味層誘導の新たな課題を生テレメトリから解決し,ラベル付きトレーニングデータや手動ルールエンジニアリングを使わずに運用することで,これまでの作業と差別化を図っている。

関連論文リスト

• Semi-Automated Knowledge Engineering and Process Mapping for Total Airport Management [3.0773704200707233]
  本稿では,ドメインベースで機械可読な知識グラフを構築するためのフレームワークを提案する。 このフレームワークは、専門家によるKE構造が大規模言語モデルをガイドする、足場付き融合戦略を採用している。 提案手法は,探索のための確率論的モデルと,すべての抽出を基底に固定する決定論的アルゴリズムを融合する。
  論文  参考訳（メタデータ） (2026-03-27T05:07:58Z)
• Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
  大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。 本稿では,再構築による理解という,新しいパラダイムを提案する。 マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-11T09:23:20Z)
• Can LLMs Clean Up Your Mess? A Survey of Application-Ready Data Preparation with LLMs [66.63911043019294]
  データ準備は、生のデータセットを識別し、データセット間の関係を解明し、それらから貴重な洞察を抽出することを目的としている。 本稿では,様々な下流タスクのためのデータ準備にLLM技術を用いることに焦点を当てる。 データクリーニング、標準化、エラー処理、計算、データ統合、データ豊か化という3つの主要なタスクにフィールドを編成するタスク中心の分類を導入します。
  論文  参考訳（メタデータ） (2026-01-22T12:02:45Z)
• Connecting the Dots: Training-Free Visual Grounding via Agentic Reasoning [63.109585527799005]
  GroundingAgentは、タスク固有の微調整なしで動作するビジュアルグラウンドティングフレームワークである。 広く使用されているベンチマークでは、平均ゼロショットグラウンドの精度は65.1%である。 また、強い解釈可能性を提供し、各推論ステップを透過的に照らす。
  論文  参考訳（メタデータ） (2025-11-24T03:11:08Z)
• A Modular, Data-Free Pipeline for Multi-Label Intention Recognition in Transportation Agentic AI Applications [12.25149118082394]
  輸送におけるエージェントAIアプリケーションに対して,マルチラベル意図認識のためのモジュール型データフリーパイプラインを提案する。 大規模で注釈付きコーパスに依存する従来の意図認識システムとは異なり、当社のアプローチはコストのかかるデータ収集の必要性を排除している。 我々のシステムはユーザクエリをタスク固有のモジュールにシームレスにルーティングし、完全な自律的意図認識エージェントの基盤となる。
  論文  参考訳（メタデータ） (2025-11-05T11:08:08Z)
• LLM-guided Hierarchical Retrieval [54.73080745446999]
  LATTICEは階層的な検索フレームワークであり、LLMは対数探索の複雑さで大きなコーパスを推論し、ナビゲートすることができる。 LLM誘導探索における中心的な課題は、モデルの関連性判断がノイズが多く、文脈に依存し、階層性に気付かないことである。 我々のフレームワークは、推論集約型BRIGHTベンチマークで最先端のゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2025-10-15T07:05:17Z)
• Towards a Holistic and Automated Evaluation Framework for Multi-Level Comprehension of LLMs in Book-Length Contexts [19.640586886024952]
  HAMLETは、大規模言語モデルの長文理解を評価するためのフレームワークである。 テキストをルート、ブランチ、リーフレベルで3段階のキーファクト階層に構造化する。 クエリ中心の要約を使用して、モデルがどのようにして各レベルで情報をリコールし、忠実に表現するかを評価する。
  論文  参考訳（メタデータ） (2025-08-27T05:23:22Z)
• Data-efficient Meta-models for Evaluation of Context-based Questions and Answers in LLMs [1.6332728502735252]
  大規模言語モデル(LLM)とレトリーバル拡張生成(RAG)システムは、産業アプリケーションにますます多くデプロイされている。 その信頼性は、幻覚検出の課題によって妨げられている。 本稿では,データアノテーションのボトルネックを,トレーニングデータ要件の低減の可能性を検討することによって解決する。
  論文  参考訳（メタデータ） (2025-05-29T09:50:56Z)
• Continual Coarse-to-Fine Domain Adaptation in Semantic Segmentation [22.366638308792734]
  ディープニューラルネットワークは通常、特定のタスクとデータ分散のために、単一のショットでトレーニングされる。 実際の環境では、タスクとアプリケーションドメインの両方が変更される可能性がある。 本稿では,ドメインシフトが存在する場合のセマンティックセグメンテーションアーキテクチャの粗大な学習という新たな課題を紹介する。
  論文  参考訳（メタデータ） (2022-01-18T13:31:19Z)

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。