LLM エージェント時代の上場企業データインフラ設計
LLM エージェントが業務に組み込まれる時代に、上場企業データインフラはどう設計されるべきか。スクレイピング前提・ハルシネーション容認の設計から、構造化・根拠付き・MCP ファーストの設計への移行を整理します。
Blog
データ活用、AI、エンジニアリングに関する知見を発信しています。
LLM エージェントが業務に組み込まれる時代に、上場企業データインフラはどう設計されるべきか。スクレイピング前提・ハルシネーション容認の設計から、構造化・根拠付き・MCP ファーストの設計への移行を整理します。
LLM が金融分析でハルシネーションを起こす本当の原因は、データ層の設計にあります。一次ソース直結・抽出と原典の分離・根拠返却の 3 つの条件を満たすデータインフラの考え方を整理します。
JP GAAP の上場企業が有価証券報告書で開示する「賃貸等不動産」の時価情報を構造化。EDINET DB × FUDOSAN DB のクロス DB データインフラとして、企業横断で参照できるデータベース化を始めました。
Anthropic が発表した Finance Agents は、企業財務データを AI エージェントに直接扱わせる方向性を明確に示しました。一方で日本株データの空白は埋まっていません。EDINET DB MCP がその空白を埋める理由を解説します。
MCP (Model Context Protocol) は、AI エージェントに外部データを安全かつ標準化された形で扱わせるためのオープンプロトコルです。基礎概念から、EDINET DB MCP を使った日本株財務データの呼び出し例まで解説します。
MCP(Model Context Protocol)を使って、FUDOSAN DB の不動産データをClaudeで分析する方法を解説。セットアップ手順とコピペで使えるプロンプト例つき。
国土交通省が公開している不動産取引価格情報と地価公示データの基本と活用方法をまとめた記事。投資判断からAI分析まで、幅広い応用例を紹介します。
日本の上場企業3,848社の財務データを構造化したオープンデータインフラ「EDINET DB」のベータ版を公開しました。
日々の業務の中で、Google広告やMeta広告、Amazon広告、GA4、Search Console、Shopifyといった多様なプラットフォームのデータを、手作業でスプレッドシートにコピペする時間に追われてはいないでしょうか。私自身、
「新規顧客と既存顧客のどちらが売上に貢献しているのか、すぐに知りたい」そう感じたことはありませんか?通常であれば、スプレッドシートで関数を駆使したり、ピボットテーブルを作成したりと、多くの手間と時間がかかります。 しかし、今AIの進化によっ
プロンプト設計に多くの時間を費やし、「もっと簡単にAIを活用できないか」と感じた経験は、私だけではないと想像します。私自身も、その煩雑な作業に課題意識を持っていました。 しかし、AIの進化と適切なツールの活用により、その状況は大きく変化して
はじめに:確認依頼が多すぎる時代に 日々の業務で「資料確認お願いします」「議事録確認お願いします」といった通知が飛んできますよね。僕自身も同じで、開いてみると長文のテキストが並び、どこから手をつければいいのか分からない──そんな経験を何度も
このページは、カボシアの「EC分析AI」を使う際に役立つ「分析の考え方」や「使い方のヒント」をまとめたお役立ちページです。 EC分析AIは、SQLやプログラミングの知識がなくても、自然言語で「売上の傾向」「顧客構造」「商品の動き」などを分析
BigQueryをClaudeデスクトップに接続する方法について解説しています。データとAIをつなぐための技術として、MCP(Model Context Protocol)を使用し、自然言語でBigQueryのデータを分析できるようにします。