源自東京大學松尾研究室的新創企業Wanderlust，在電裝(DENSO)的AI應用專案中，實施運用非結構化數據結構化技術以提升RAG精度的實證實驗
Wanderlust與電裝(DENSO)合作完成了一項技術驗證(PoC)，透過OCR與VLM技術將圖表等非結構化數據結構化，成功改善了RAG的準確度，解決了企業導入AI的一大瓶頸。
📋 文章處理履歷
- 📰 發表: 2026年4月6日 18:00
- 🔍 收集: 2026年4月6日 09:01
- 🤖 AI分析完成: 2026年4月21日 03:50（收集後354小時49分鐘）
源自東京大學松尾研究室的新創企業Wanderlust株式會社（總部：東京都千代田區，代表取締役CEO：西川響，以下簡稱「Wanderlust」）宣布，在株式會社電裝（總部：愛知縣刈谷市，代表取締役社長：林新之助，以下簡稱「電裝」）推動的內部數據檢索平台升級專案中，實施了專注於非結構化數據處理與結構化的技術驗證（PoC）。
在本實證實驗中，Wanderlust運用AI解析技術，針對傳統RAG（檢索增強生成）難以讀取的「非結構化數據」進行了結構化處理。針對包含圖表的複雜文件群，充分利用由OCR（光學字元辨識）與VLM（視覺語言模型）流程建構的結構化手法，並配合電裝的內部數據進行最佳化提示詞調整，確認了回答精度獲得了大幅度的改善。
■ 實證實驗的背景與目的
近年來，企業內部知識應用中RAG的導入日益普及，但準確解讀行銷報告或技術文件中大量使用的「折線圖」、「長條圖」、「散佈圖」等圖表數據，卻成為一大難題。AI無法處理這些非結構化數據，成為了回答精度的瓶頸。電裝為了無縫整合並活用企業內外部數據，正持續建構AI基礎設施，因此提升包含複雜圖表之資料的參考精確度成為當務之急。為了提供解決方案，在非結構化數據解析方面具備優勢的Wanderlust為本專案提供了技術支援。
■ 實證實驗概要
針對電裝所擁有的非結構化數據，運用Wanderlust的技術執行「結構化處理」，並驗證Copilot Studio等系統中回答精度的變化。
1. 驗證內容
・圖表數據結構化：將包含特定格式（圖形、圖表等）的非結構化數據，轉換並結構化為AI可解讀的格式。
・精度比較驗證：定量測量AI在「維持非結構化數據」狀態與「結構化處理後」狀態下，其回答精度（正確性、完整性）的差異。
・最佳架構探討：在處理非結構化數據時，協助設計最佳的RAG架構。
2. Wanderlust的角色
在技術難度極高的「非結構化數據處理」領域提供技術與顧問服務。發揮學術見解與實作能力，藉由提升數據的「品質」，致力於將整體AI檢索平台的價值最大化。
在本實證實驗中，Wanderlust運用AI解析技術，針對傳統RAG（檢索增強生成）難以讀取的「非結構化數據」進行了結構化處理。針對包含圖表的複雜文件群，充分利用由OCR（光學字元辨識）與VLM（視覺語言模型）流程建構的結構化手法，並配合電裝的內部數據進行最佳化提示詞調整，確認了回答精度獲得了大幅度的改善。
■ 實證實驗的背景與目的
近年來，企業內部知識應用中RAG的導入日益普及，但準確解讀行銷報告或技術文件中大量使用的「折線圖」、「長條圖」、「散佈圖」等圖表數據，卻成為一大難題。AI無法處理這些非結構化數據，成為了回答精度的瓶頸。電裝為了無縫整合並活用企業內外部數據，正持續建構AI基礎設施，因此提升包含複雜圖表之資料的參考精確度成為當務之急。為了提供解決方案，在非結構化數據解析方面具備優勢的Wanderlust為本專案提供了技術支援。
■ 實證實驗概要
針對電裝所擁有的非結構化數據，運用Wanderlust的技術執行「結構化處理」，並驗證Copilot Studio等系統中回答精度的變化。
1. 驗證內容
・圖表數據結構化：將包含特定格式（圖形、圖表等）的非結構化數據，轉換並結構化為AI可解讀的格式。
・精度比較驗證：定量測量AI在「維持非結構化數據」狀態與「結構化處理後」狀態下，其回答精度（正確性、完整性）的差異。
・最佳架構探討：在處理非結構化數據時，協助設計最佳的RAG架構。
2. Wanderlust的角色
在技術難度極高的「非結構化數據處理」領域提供技術與顧問服務。發揮學術見解與實作能力，藉由提升數據的「品質」，致力於將整體AI檢索平台的價值最大化。