## 定義 LLMによる構造化情報抽出は、長大かつ非構造的な自然言語テキスト(インシデントレポート等)から、あらかじめ定義されたスキーマに沿ったフィールド(entity・class・multi-class・text等)を LLM に抽出・分類させ、JSON等の構造化データへ変換する手法である。(Source: [[@2026__ICPE__Leveraging LLMs for Structured Information Extraction and Analysis from Cloud Incident Reports]]) ## 横断的知見 - 単一ソースからの立ち上げのため、横断的知見は今後のソース追加で蓄積する。 ## 未解決の問い - プロンプトコンポーネント(Task/CoT/Category/Examples/Format)の効果は、インシデントレポート以外のドメイン(ログ、チケット、ポストモーテム等)でも同様の傾向(In-context Examplesが最も効果的、分類タスクではFew-shotが逆効果になりうる)を示すか。 - 抽出フィールドの型(entity/class/multi-class/text)ごとに最適なプロンプト戦略・評価指標の対応関係を、より広いタスク集合で一般化できるか。 - ファインチューニングやRAGを併用した場合、Few-shotプロンプティングのみと比較して精度・コスト・レイテンシのトレードオフはどう変化するか。 ## 関連 - [[@2026__ICPE__Leveraging LLMs for Structured Information Extraction and Analysis from Cloud Incident Reports]] — AWS・AZURE・GCPの3,087件のインシデントレポートを対象に、6プロンプト戦略×6LLMモデルで構造化情報抽出の精度・レイテンシ・コストを体系的に評価 - [[クラウドインシデント]] — 抽出対象データの領域 - [[LLM評価]] — モデル横断の精度・コスト比較手法 ## 出典 - [[@2026__ICPE__Leveraging LLMs for Structured Information Extraction and Analysis from Cloud Incident Reports]]