論文の概要: chATLAS: A Retrieval-Augmented Conversational Assistant for the ATLAS Experiment

• arxiv url: http://arxiv.org/abs/2610.37697v1
• Date: Sat, 24 Oct 2026 12:51:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 19:57:03.489252
• Title: chATLAS: A Retrieval-Augmented Conversational Assistant for the ATLAS Experiment
• Title（参考訳）: chATLAS:ATLAS実験のための検索型会話アシスタント
• Abstract要約: chATLASは、CERNでATLAS実験のために開発されたリトリーバル拡張ジェネレーションアシスタントである。 このシステムは、複数のコラボレーションリソースから30,000以上のドキュメントへの会話アクセスを提供する。 自動生成された質問応答ペアから構築されたドメイン固有ベンチマークは、検索および生成性能を評価するために使用される。
• 参考スコア（独自算出の注目度）: 7.6889224835242835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large scientific collaborations produce extensive internal documentation spread across heterogeneous systems, making it difficult for collaborators to locate and reuse existing knowledge. We present chATLAS, a deployed Retrieval-Augmented Generation (RAG) assistant developed for the ATLAS experiment at CERN. The system provides conversational access to more than 30,000 documents from several collaboration resources, material largely unavailable to general-purpose language models, using hybrid dense--sparse retrieval deployed on CERN infrastructure. A domain-specific benchmark built from automatically generated question--answer pairs is used to evaluate retrieval and generation performance and to guide design choices. We study the selection and domain-specific fine-tuning of an embedding model, contextual retrieval, ranking strategies, and generator choice. Fine-tuning combined with contextual retrieval more than doubles how often the correct document is returned as the top result on the most technically challenging documentation source. The deployed system also includes intent routing, safety handling, Mattermost integration, and an MCP server for future agentic workflows. chATLAS demonstrates that domain-adapted RAG can provide source-attributed, domain-specific access to collaboration knowledge, and offers a practical foundation for scientific collaborations and other organisations that rely on accurate, up-to-date retrieval from proprietary documentation.
• Abstract（参考訳）: 大規模な科学的コラボレーションにより、異種システムにまたがる広範囲な内部文書が作成され、共同作業者が既存の知識を発見・再利用することが困難になる。 CERNにおけるATLAS実験のために開発されたRAG(Retrieval-Augmented Generation)アシスタントであるchATLASについて述べる。 このシステムは、CERNインフラストラクチャにデプロイされたハイブリッドな高密度なスパース検索を使用して、複数のコラボレーションリソースから30,000以上のドキュメントに対話的にアクセスできる。 自動生成された問合せペアから構築されたドメイン固有ベンチマークは、検索および生成性能の評価と設計選択のガイドに使用される。 本研究では,埋め込みモデルの選択とドメイン固有の微調整,コンテキスト検索,ランキング戦略,ジェネレータ選択について検討する。 微調整とコンテキスト検索の組み合わせは、最も技術的に難しいドキュメントソースの上位結果として、正しいドキュメントが返される頻度を2倍以上にします。 デプロイされたシステムには、インテントルーティング、セーフティハンドリング、Mattermost統合、将来のエージェントワークフローのためのMPPサーバも含まれている。 chATLASは、ドメイン適応RAGが、ソースに依存した、ドメイン固有のコラボレーション知識へのアクセスを提供し、科学的なコラボレーションやその他の組織に対して、プロプライエタリなドキュメントからの正確で最新の検索に依存する実践的な基盤を提供することを実証している。

関連論文リスト

• W-RAG: Source-Aware Retrieval for Enterprise Document Generation from Heterogeneous Knowledge Bases [9.232743201134792]
  既存のRAGパイプラインは、複数のリポジトリから取得したエビデンスを、単一の類似関数を使用してグローバルにランク付けできると仮定している。 W-RAGは,オントロジー誘導検索,各知識ベース内の局所的ランキング,エビデンス組成を規定するソースレベルの重み付けを行う。
  論文  参考訳（メタデータ） (2026-08-22T19:01:59Z)
• VDGR-RAG: Vectors, Directories, Graphs, and Reflection Are All You Need for Unified Reasoning over Hierarchical Enterprise Knowledge [7.123971420266372]
  VDGR-RAGは、文書チャンクから階層的異種知識グラフ(textH2$KG)を最初に構築するエージェントグラフRAGシステムである。 本手法は知識検索リコールとQA精度の両方の観点から,様々なRAGベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-08-08T08:03:34Z)
• MITRA: An AI Assistant for Knowledge Retrieval in Physics Collaborations [0.0]
  大規模な科学的コラボレーションは、膨大な内部文書のコーパスを生み出している。 我々は、物理解析に関する特定の文脈対応の質問に答えるように設計された、レトリーバル拡張生成(RAG)ベースのシステムであるMITRAのプロトタイプを提案する。 MITRAは、内部データベースからの文書検索にSeleniumを使用した新しい自動パイプラインと、高忠実なテキスト抽出のためのレイアウト解析を備えたOCRを採用している。
  論文  参考訳（メタデータ） (2026-03-10T15:28:35Z)
• Knowledge-Aware Query Expansion with Large Language Models for Textual and Relational Retrieval [49.42043077545341]
  知識グラフ(KG)から構造化文書関係を付加したLLMを拡張した知識対応クエリ拡張フレームワークを提案する。 文書テキストをリッチなKGノード表現として活用し、KAR(Knowledge-Aware Retrieval)のための文書ベースの関係フィルタリングを利用する。
  論文  参考訳（メタデータ） (2024-10-17T17:03:23Z)
• STaRK: Benchmarking LLM Retrieval on Textual and Relational Knowledge Bases [93.96463520716759]
  テキストと知識ベースを用いた大規模半構造検索ベンチマークSTARKを開発した。 本ベンチマークでは, 製品検索, 学術論文検索, 精密医療におけるクエリの3分野について検討した。 多様なリレーショナル情報と複雑なテキスト特性を統合した,現実的なユーザクエリを合成する,新しいパイプラインを設計する。
  論文  参考訳（メタデータ） (2024-04-19T22:54:54Z)
• Generator-Retriever-Generator Approach for Open-Domain Question Answering [18.950517545413813]
  文書検索手法と大規模言語モデル(LLM)を組み合わせた新しい手法を提案する。 並行して、デュアルエンコーダネットワークは、外部コーパスから質問に関連する文書を検索する。 GRGは最先端のgenerator-then-readおよびrecovery-then-readパイプラインより優れている。
  論文  参考訳（メタデータ） (2023-07-21T00:34:38Z)
• Synergistic Interplay between Search and Large Language Models for Information Retrieval [141.18083677333848]
  InteRにより、RMはLLM生成した知識コレクションを使用してクエリの知識を拡張することができる。 InteRは、最先端手法と比較して総合的に優れたゼロショット検索性能を実現する。
  論文  参考訳（メタデータ） (2023-05-12T11:58:15Z)
• Generate rather than Retrieve: Large Language Models are Strong Context Generators [74.87021992611672]
  本稿では,文書検索を大規模言語モデル生成器に置き換えることで,知識集約型タスクを解く新しい視点を提案する。 我々は,提案手法をgenRead (genRead) と呼び,まず大きな言語モデルに対して,与えられた質問に基づいて文脈文書を生成し,次に生成された文書を読み出して最終回答を生成する。
  論文  参考訳（メタデータ） (2022-09-21T01:30:59Z)

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。