非LLM AI総合編 — OCR、画像認識、音声認識・合成、翻訳、埋め込み、検索結果の再評価器、分類・回帰・異常検知、画像/動画等の専用AIを、LLM中心の会話/生成系と混同せず運用契約・評価器・実行基盤で整理するためのprovider-neutral taxonomy

台帳EA-004はOCR、画像認識、音声認識・合成、翻訳、埋め込み、reranker、画像・動画生成、分類器等を体系化する構想である。しかし2026年の実装では「非LLM」をmodel architectureの否定として定義すると破綻する。Sentence Transformersのembedding/rerankerはTransformer系を含み、Google Cloud Translationは同一API系統でstandard NMTとTranslation LLMを提供し、Document AI layout parserにはspecialized OCRとGemini-powered parserが併存する。専用AI workloadとLLM architectureは排他的ではない。公開後辞典では「自由文を中心に生成する汎用LLMと異なる、task-specific operational contractを持つAI component」という運用分類としてEA-004を定義し、各componentのinput/output schema、quality metric、failure mode、latency/cost/privacy/deploymentを比較する方が安全である。

Enterprise AI Core: component selection、evaluation contract、fallback、observability、data boundary、cost/latency、hardware/runtime。 Non-LLM component: OCR/document extraction、vision recognition、ASR、TTS、translation、embedding、reranker、classification/regression/clustering/anomaly detection、media generation。 Implementation: scikit-learn、Tesseract、Sentence Transformers、ONNX Runtime等のOSS/runtime、およびmanaged specialized AI APIs。 Provider mapping: Google Cloud Document AI/Vision/Speech/Translation等はcurrent managed-service sampleとして使用。特定providerをEA-004の標準実装としない。 Benchmark: task-specific evaluatorをcomponentごとに分離。MTEB等のbenchmarkを他taskへ外挿しない。 Interoperability: dedicated componentをRAG/agent/workflowの前処理・retrieval・ranking・postprocessingへ接続する。

Q1. EA-004の「非LLM」はmodel architecture分類ではなく、task-specific operational contract分類として定義すべきか。 Q2. OCR/ASR/vision/embedding/reranker/classifier等は、汎用LLMで代替可能な場合でも独立componentとして残す運用価値があるか。 Q3. 各componentの品質は共通の「AI精度」ではなく、task固有metricとfailure envelopeで評価すべきか。 Q4. local/OSS runtimeとmanaged APIを、精度だけでなくdata movement、hardware、latency、cost、audit、version controlで比較すべきか。 Q5. 専用AI service内部でLLM/Transformer等を使っている場合、EA-004から除外すべきか。

• source class: author-maintained ML framework documentation exact title: User Guide — scikit-learn 1.9.1 documentation org: scikit-learn project canonical URL: https://scikit-learn.org/stable/user_guide.html publication/update/access: current stable documentation / accessed 2026-09-11 version/release: scikit-learn 1.9.1 documentation supporting locator: Supervised learning; Unsupervised learning; Model selection and evaluation; Metrics and scoring label: OSS_PRACTICE relation: support / taxonomy / evaluation established: production AI/ML workloadにはLLM以外にもclassification、regression、clustering、outlier detection、dimensionality reduction、feature extraction等の成熟したtask familiesが存在し、classification/regression/clusteringで評価metricも分かれる。EA-004を「生成AI以外の残り物」ではなく独立したML operational planeとして扱う根拠になる。

• source class: author-maintained OCR OSS documentation exact title: Tesseract User Manual org: tesseract-ocr project canonical URL: https://tesseract-ocr.github.io/tessdoc/ publication/update/access: accessed 2026-09-11 version/release: Tesseract 5.x current stable major line supporting locator: Introduction; Releases and Changelog; Tesseract with LSTM; API/Testing label: OSS_PRACTICE relation: support / implementation / counter established: TesseractはApache-2.0のOCR engineで、CLI/APIから画像中のprinted textを抽出し、多言語traineddataを利用する。5.xがcurrent stable majorで、LSTM recognizerを含む。OCRというtask-specific componentはLLM chat layerなしでも独立実装・local deploymentできる。 limit: 「非LLM=古典的アルゴリズム」ではない。Tesseract自体もLSTM neural networkを含む。

• source class: official managed document-AI documentation exact title: Document AI / Process documents with Gemini layout parser org: Google Cloud canonical URLs: https://cloud.google.com/document-ai ; https://docs.cloud.google.com/document-ai/docs/layout-parse-chunk publication/update/access: current pages; layout parser page published/crawled 2026-09 / accessed 2026-09-11 version/release: Enterprise Document OCR + layout parser versions including stable pretrained-layout-parser-v1.0-2024-06-03 and Gemini-powered preview generations through 2026 supporting locator: Enterprise Document OCR; primary use cases; processor versions; data residency note label: VERIFIED_SPEC + PRODUCT_VOLATILE relation: support / counter / availability / privacy-limit established: managed document processingではdedicated Enterprise Document OCRが独立して提供される一方、layout parserはspecialized OCRとGemini generative capabilityを組み合わせる。2026 preview processorにはGemini 3.0系を使うものもあり、一部versionはglobal endpoint利用によりData Residency要件を満たさないと明記される。 counter: 「OCR/document intelligence=必ず非LLM内部実装」は成立しない。分類単位は内部model種ではなくprocessor contract/data boundary/versionで持つべき。

• source class: official managed vision API documentation exact title: Detect Labels — Cloud Vision API org: Google Cloud canonical URL: https://docs.cloud.google.com/vision/docs/labels publication/update/access: updated/crawled 2026-08/09 surface / accessed 2026-09-11 version/release: current Cloud Vision API; builtin/stable / builtin/latest selectable in related request docs supporting locator: label detection output; score; async batch; API setup label: VERIFIED_SPEC + PRODUCT_VOLATILE relation: support / operational contract established: image label detectionはimage inputからlabel descriptionとscore等のstructured responseを返すtask APIとして存在し、LLMの自由文回答と異なるcontractを持つ。batch processingやmodel selectorも運用条件になる。

• source class: official managed ASR documentation exact title: Cloud Speech-to-Text documentation org: Google Cloud canonical URL: https://docs.cloud.google.com/speech-to-text/docs publication/update/access: last updated 2026-08-26 UTC / accessed 2026-09-11 version/release: Speech-to-Text V2 current documentation supporting locator: send audio and receive text transcription; streaming/long/short audio; confidence; pricing/quota resources label: VERIFIED_SPEC + PRODUCT_VOLATILE relation: support / operational contract / availability established: ASRはaudio→transcriptという専用contractを持ち、streaming/batch/long-form、language/model、confidence、quota等が運用軸となる。product pageではV2にdata residency、audit logging、CMEK等のenterprise controlsが記載される。

• source class: primary research exact title: Robust Speech Recognition via Large-Scale Weak Supervision authors: Alec Radford, Jong Wook Kim, Tao Xu, Greg Brockman, Christine McLeavey, Ilya Sutskever canonical URL: https://arxiv.org/abs/2212.04356 publication/update/access: 2022-12-06 / accessed 2026-09-11 version/release: arXiv 2212.04356 supporting locator: abstract; multilingual/multitask speech recognition evaluation label: RESEARCH relation: support / counter / evaluation established: Whisperは680,000 hoursのmultilingual/multitask supervisionでASR等を行うTransformer modelで、speech taskがlarge pretrained neural modelでも独立taskとして評価される例である。 counter/limit: ASRを「small/classical/non-transformer model」と同義にできない。model architectureとoperational taskを分ける。

• source class: official managed TTS documentation exact title: Cloud Text-to-Speech documentation org: Google Cloud canonical URL: https://docs.cloud.google.com/text-to-speech/docs publication/update/access: last updated 2026-08-26 UTC / accessed 2026-09-11 version/release: current Cloud TTS supporting locator: text or SSML input → audio data; voices/languages; regional endpoints; quotas/pricing label: VERIFIED_SPEC + PRODUCT_VOLATILE relation: support / operational contract established: TTSはtext/SSML→audioという明確なoutput contractを持つ。voice/language/region/endpoint/quotaがLLM text generationとは別の可用性・品質軸になる。

• source class: official managed translation documentation exact title: Translate text with Cloud Translation org: Google Cloud canonical URL: https://docs.cloud.google.com/translate/docs/translate-text publication/update/access: current 2026 documentation / accessed 2026-09-11 version/release: Cloud Translation Basic/Advanced current; standard NMT and standard Translation LLM coexist supporting locator: Basic API model choice; Advanced text translation; glossary/customization boundaries label: VERIFIED_SPEC + PRODUCT_VOLATILE relation: support / counter / topology established: 同じtranslation serviceでstandard NMTとTranslation LLMをmodel parameterで選べる。Advancedではdocument translationやglossary/custom model等の別機能がある。 counter: 「translation=非LLM」「LLM=translationとは別製品」というarchitecture-based dichotomyはcurrent product realityと一致しない。翻訳というtask contractと実装modelを二軸にする必要がある。

• source class: author-maintained embedding/reranker framework documentation exact title: SentenceTransformers Documentation / CrossEncoder org: UKP Lab origin; maintained by Hugging Face canonical URLs: https://sbert.net/ ; https://www.sbert.net/docs/package_reference/cross_encoder/model.html publication/update/access: current docs / accessed 2026-09-11 version/release: Sentence Transformers v6.0 current documentation surface supporting locator: Sentence Transformer; Cross Encoder; Sparse Encoder; Multi-Vector Encoder; CrossEncoder score/class probabilities label: OSS_PRACTICE + PRODUCT_VOLATILE relation: support / topology / counter established: current Sentence Transformersはdense embedding、CrossEncoder reranking、sparse embeddings、ColBERT-style multi-vector retrievalを別model familyとして提供する。CrossEncoderはsentence embeddingを生成せずpairをjointly処理してscore/class probabilityを返し、embeddingはprecompute可能だがrerankerは候補pairごとの計算になる。 counter: embedding/rerankerを「LLMではない単一vector API」と一括できない。retrieval architecture、latency、indexability、evaluationが異なる。

• source class: primary benchmark research exact title: MTEB: Massive Text Embedding Benchmark authors: Niklas Muennighoff, Nouamane Tazi, Loïc Magne, Nils Reimers canonical URL: https://arxiv.org/abs/2210.07316 publication/update/access: 2022-10-13 / accessed 2026-09-11 version/release: arXiv 2210.07316 supporting locator: abstract; 8 embedding tasks / 58 datasets / 112 languages; no method dominates all tasks label: RESEARCH relation: support / counter / benchmark established: embedding qualityはSTSだけでなくclassification、clustering、pair classification、reranking、retrieval等で評価すべきで、原論文では単一embedding methodが全taskを支配しない。 counter: 一つのembedding leaderboard scoreから企業内検索/RAG/分類等すべての品質を保証できない。

• source class: author-maintained inference runtime documentation exact title: ONNX Runtime / ONNX Runtime for Inferencing org: ONNX Runtime project / Microsoft canonical URLs: https://onnxruntime.ai/docs/ ; https://onnxruntime.ai/inference publication/update/access: current docs crawled 2026-08/09 / accessed 2026-09-11 version/release: current ONNX Runtime documentation; Execution Provider architecture supporting locator: cross-platform model accelerator; framework interoperability; Execution Providers; cloud/edge/mobile/browser; model validation warning label: OSS_PRACTICE + VERIFIED_SPEC relation: support / deployment / security-limit established: models trained in PyTorch/TensorFlow/scikit-learn等を共通runtimeでcloud/edge/mobile/webへ展開し、CPU/GPU/NPU等のExecution Providerへpartitionできる。AI componentの運用ではmodel能力だけでなくruntime/hardware/packagingが独立軸になる。 security limit: ONNX RuntimeはONNX spec conformityを検証してもmodel accuracy/performance/suitabilityは利用者責任で、untrusted modelは過剰memory/compute等の危険があり安全環境でのinspection/testを推奨する。

EA-004は採用価値が高いが、章名「非LLM AI」は説明上の便宜的umbrellaと明記すべきである。安全な分類は少なくとも次の六群である。 A. Perception / extraction: OCR、document layout/entity extraction、image/object/label recognition、ASR、barcode/handwriting等。raw modality→structured observationを返す。 B. Representation / retrieval: dense/sparse/multi-vector embeddings、vector similarity、candidate retrieval。入力を検索可能なrepresentationへ変換する。 C. Ranking / decision: reranker/CrossEncoder、classifier、regressor、anomaly detector、forecast等。candidate/record→score/class/valueを返す。 D. Constrained transformation: machine translation、normalization、transliteration等。入力と出力のsemantic relationが強く規定される。 E. Synthesis / rendering: TTS、image/video/audio generation等。生成AIを含むが必ずしもlanguage modelではなく、media-specific safety/quality/latency contractを持つ。 F. Runtime / deployment plane: ONNX Runtime、Core ML等。model taskとは別にhardware、execution provider、edge/cloud、version、resource envelopeを決める。

「LLMか非LLMか」と「専用componentか汎用componentか」は別軸である。2026年のDocument AIやTranslationのように、専用OCR/translation contractの内部でLLMを選択・併用する製品が存在する。したがってEA-004の主軸はarchitectureではなく、input→typed output、side effects、metric、failure mode、deployment/data boundaryである。

専用componentを汎用LLMへ置き換えられるかどうかも二値ではない。LLM/multimodal modelでOCR、classification、translation、vision説明を行える場合でも、dedicated APIはscore/confidence、schema、batch/stream、region、model selector、latency/cost meter等の明示的contractを持つことがある。一方、専用processor側がGemini等を内部利用する場合もある。選定は「AI世代」ではなく、必要なoutput contractとoperational envelopeで行う。

• 「非LLM=古典ML」は誤り。OCRはLSTM、ASRはTransformer、embedding/rerankerもTransformer、専用Document AI/TranslationにもLLM実装が入り得る。
• 「専用AI=常にLLMより正確/安い/速い」は確立できない。task、model version、data distribution、hardware、batching、quotaで変わるため実測が必要。
• OCR accuracyをASR/translation/retrieval/classificationへ横展開できない。metricの意味が異なる。
• embedding benchmarkの上位modelが自社RAGで最適とは限らない。MTEB自体がtask間で単一methodが支配しないことを示す。
• CrossEncoder rerankerは一般にcandidate pairをjoint processingするためprecomputed embeddingと同じlatency/index特性を持たない。
• managed APIのconfidence/scoreはprovider間で同じ校正尺度とは限らない。score閾値を横断コピーしない。
• LLM-powered specialized processorを「LLMではないからdata residency上安全」と推測しない。Google Document AIの例ではprocessor versionによりglobal Gemini endpoint使用等のresidency差が明示される。
• local/OSSはdataを外部APIへ送らない構成を可能にするが、自動的にsecure/compliantになるわけではない。model provenance、malicious model、patching、runtime/hardware、loggingを自組織が負担する。
• generative image/video/audioは自由生成性・safety評価を持つため、classifier/OCR等のdeterministic-looking componentと同じacceptance criterionにしない。

Managed AI: cloud project/account、API enablement、IAM/auth、region/endpoint、processor/model version、quota、billing、data-residency/CMEK/audit support、file/audio/image limits。 Local/OSS: model weights/traineddata license/provenance、runtime version、CPU/GPU/NPU backend、memory/storage、operator support、language pack、device OS、packaging。 OCR/document: input format/page limits、native PDF vs raster、language/script、layout/table/handwriting capability、processor version。 ASR/TTS: language/voice/model、streaming vs batch、audio codec/rate/channel、region、latency、speaker/diarization capability。 Translation: language pair、NMT vs LLM model、glossary/custom model/document support、region/API edition。 Embedding/reranker: model family、dimension/index schema、context/input limit、dense/sparse/multi-vector compatibility、candidate set size、hardware/latency。 Classical ML: feature schema、training data/version、threshold/calibration、drift/retraining pipeline。

Classical ML: mature maintained ecosystems such as scikit-learn 1.9.1。 OCR: mature local OSS Tesseract 5.x and production managed OCR/document services coexist。 Vision/ASR/TTS/Translation: production managed APIs exist; internal model generation and enterprise controls are PRODUCT_VOLATILE。 Embedding/reranking: actively evolving maintained ecosystem; Sentence Transformers v6.0 now spans dense/sparse/CrossEncoder/multi-vector families, so fixed two-stage “embedding + reranker” taxonomy alone is already incomplete。 Runtime: ONNX Runtime provides mature cross-framework/cross-hardware deployment plane; exact EP/backend support is version/hardware dependent。 Generative media: EA-004のumbrellaに含めるが、本RUNでは画像/動画生成model/providerのcurrent catalogを深掘りしない。別EA-072等へ詳細をrouteする。

共通の一個の「AI精度」は置かない。最低限、component-specific evaluatorを要求する。 - OCR/document: character/word error、field precision/recall/F1、layout/table structure accuracy、page failure rate。用途によりhuman correction timeも測る。 - ASR: WER/CER、language/domain/noise別slice、streaming latency、timestamp/diarization error。 - TTS: intelligibility、pronunciation error、speaker/voice consistency、latency、human preference/MOS等。主観metricは評価設計を明示。 - Translation: BLEU/COMET等を使う場合もhuman adequacy/terminology/glossary complianceと分離し、language/domain別に評価。 - Embedding/retrieval: Recall@k、nDCG/MRR等をtask datasetで評価。MTEB順位を自社corpusへ直接外挿しない。 - Reranker: candidate-stage固定でnDCG/MRR/Recall変化、added latency、throughputをembedding retrievalと別計測。 - Classification/regression/anomaly: precision/recall/F1/AUROC/calibration、MAE/RMSE等をbusiness loss/thresholdと接続。class imbalanceやdriftをslice評価。 - Generative media: prompt adherence/qualityだけでなくsafety、copyright/provenance、latency/cost、人手審査を別軸化。 - Runtime: accuracy parityに加えてp50/p95 latency、throughput、memory、energy、binary size、cold start、hardware fallback。

Security/Privacy: dedicated componentごとにdata typeとmovementを記録する。画像、音声、文書、embeddingは機密性が異なり、embeddingを「匿名化済み」とみなさない。managed endpointのregion/residency/CMEK/audit条件とlocal processingを別比較する。local modelはprovenance/signature/dependency/runtime脆弱性を管理する。 Audit: typed request/responseはloggingしやすい場合があるが、confidence scoreだけでdecision traceabilityが完成するわけではない。model/processor version、threshold、pre/postprocessing、human overrideまで残す。 Cost: page/minute/character/request/vector query/GPU-hour等、meterの単位がcomponentで異なる。LLM token単価へ無理に換算せず、end-to-end task costとhuman correction costを併記する。 Operability: model/API versionを固定・記録し、processor upgrade時にgolden dataset regressionを再実行する。batch/stream、retry/idempotency、quota、hardware fallbackをcomponent別に設計する。

「『非LLM AI』は、古いAIや小さなモデルだけを指す言葉ではない。企業システムではOCR、音声認識、音声合成、画像認識、翻訳、埋め込み、reranker、分類・回帰・異常検知など、特定の入力を特定の型の出力へ変換する専用AIが今も独立した運用部品として使われる。これらの内部実装はLSTM、Transformer、NMT、場合によってはLLMを含み得るため、『LLMかどうか』と『専用部品かどうか』は別に確認する。選定時に重要なのは、入力と出力の契約、評価指標、失敗条件、データ移動、実行場所、遅延、費用、監査、モデルversionである。汎用LLMで同じ仕事ができる場合でも、専用APIのschema、confidence、batch/stream処理、region、hardware、quota等が運用上の価値を持つことがある。」

• EA-004を「非LLMというmodel taxonomy」ではなく「task-specific AI component taxonomy」として冒頭定義する。architecture軸（classical/neural/Transformer/foundation/LLM）とoperational contract軸を二次元化する。
• 六群 taxonomy（perception/extraction、representation/retrieval、ranking/decision、constrained transformation、synthesis/rendering、runtime/deployment）を章骨格候補とする。
• 各component共通表に Input / Output schema / Side effect / Primary metric / Confidence/calibration / Batch-stream / Deployment / Data movement / Version / Failure / Cost meter / Human fallback を置く。
• EA-070 Document Intelligence、EA-071 Speech AI、EA-072 Vision/Video AI、EA-073 Forms/Handwriting/Barcode、EA-074 Translation/Localization、EA-077 Classical ML × Generative AI、EA-082 Embedding/Rerankerへ詳細を分岐し、EA-004ではumbrellaと選択原則に留める。
• Document AIを反例として残す。専用OCR/layout APIでもGemini-powered versionが存在するため、service categoryから内部architecture/data residencyを推測しない。
• Translationもstandard NMTとTranslation LLMを同一task service内で分離できる例として使用し、task taxonomyとmodel taxonomyの独立性を示す。
• Sentence Transformers v6.0はdense/sparse/CrossEncoder/multi-vectorへ拡張しているため、embedding/reranker節はvector DBだけで閉じずretrieval architecture familyとして再編する。
• MTEBはbenchmark設計例として使うが、2022原論文の数値をcurrent model rankingとして扱わない。公開時はcurrent MTEB version/leaderboard governanceを再確認する。
• ONNX Runtime等をdeployment planeとして別節化し、「モデル選定」と「どこでどう実行するか」を分離する。公開時current runtime/version/EP matrixを再確認する。
• managed API比較を追加する場合はGoogleだけに偏らずAzure AI Services/AWS AI services等の同task APIを採集し、provider mappingへ分離する。
• TEST_PROFILE（未実施）: 機密でない固定golden setを用い、OCR/ASR/translation/embedding/reranker/classifierについて dedicated OSS/local vs managed specialized API vs multimodal/general LLM の三方式を、task metric・latency・cost・data movement・schema validity・failure rateで比較する。認証/課金が必要なAPI実測は本RUNでは行わない。
• 公開直前にscikit-learn/Tesseract/Sentence Transformers/ONNX Runtimeのcurrent release、Google managed processor/model version、regional/data-residency条件を再確認する。

/ STOP_CONDITION

• 2026年時点の主要provider横断で、同一task（OCR/ASR/TTS/translation/vision）を専用APIと汎用multimodal/LLM APIで比較した独立production evidence。
• dedicated APIのconfidence scoreが実運用でどの程度calibratedかというprovider/task別証拠。
• OCR/ASR/translation等で、汎用LLM代替が品質・cost・latency・privacyのどこで勝敗するかの企業実測。
• current MTEB leaderboard/version governanceと、企業domainへの相関。
• Sentence Transformers v6.0 multi-vector/sparse/dense/CrossEncoder各familyのproduction-scale独立比較。
• image/video/audio generationをEA-004 umbrellaでどこまで扱い、EA-072等へどこから分岐するかの編集境界。
• 各local runtime/modelのSBOM/model provenance/signing/secure-loading実務をどのCore章へ接続するか。

EA-004の最重要境界、すなわち「非LLMをarchitectureの否定として定義しない」「専用task contractと内部model種を分離する」「componentごとに評価器・data boundary・runtime/cost/failureを持つ」は、mature OSS、current managed APIs、primary research、embedding benchmarkから確立した。画像/動画生成や各provider全製品比較をここで深掘りすると後続専門EAと重複するためbounded closeする。次の未調査最小番号はEA-005 MCP実践辞典

The canonical EA-004 packet remains valid as a provider-neutral taxonomy. Current sources continue to support its central rule: “non-LLM AI” is not a reliable model-architecture boundary; operationally useful categories should be defined by task/input-output contract, evaluator, failure envelope, data boundary and runtime/deployment characteristics.

CURRENT_PRIMARY_EVIDENCE: - scikit-learn 1.9.1 stable documentation, accessed 2026-10-11: maintained production-oriented families still include classification, regression, clustering, dimensionality reduction, preprocessing, model selection and metrics. This supports keeping classical/specialized ML as an independent operational plane rather than treating it as obsolete residual AI. URL: https://scikit-learn.org/stable/ - Sentence Transformers current documentation, accessed 2026-10-11: the maintained library explicitly distinguishes dense SentenceTransformer, CrossEncoder, SparseEncoder and MultiVectorEncoder model types; the v6 migration guide introduces MultiVectorEncoder and changed dependency/output contracts. This reinforces separating retrieval/ranking operational contract from a simplistic “embedding model” bucket. URL: https://sbert.net/docs/migration_guide.html - ONNX Runtime Execution Providers documentation, accessed 2026-10-11: a common runtime API spans hardware-specific execution providers with different support/maturity. Runtime/deployment selection is therefore a separate operational plane from model task taxonomy. URL: https://onnxruntime.ai/docs/execution-providers/ - Google Cloud Document AI current release notes / processor docs, accessed 2026-10-11: specialized document/layout processors include both specialized OCR behavior and Gemini-powered parser/extractor versions; some Gemini-backed versions use a global endpoint and have explicit data-residency limitations. Service category therefore does not reveal internal model architecture or data boundary. URL: https://docs.cloud.google.com/document-ai/docs/release-notes URL: https://docs.cloud.google.com/document-ai/docs/layout-parse-chunk

• ESTABLISHED: classification/regression/clustering and other non-generative task families remain maintained first-class ML workloads.
• ESTABLISHED: retrieval/ranking libraries now span dense, sparse, cross-encoder and multi-vector families under one ecosystem; “embedding + reranker” is not a complete architecture taxonomy.
• ESTABLISHED: deployment/runtime is an independent dimension; ONNX Runtime’s EP model explicitly separates common inference API from hardware/backend selection and maturity.
• ESTABLISHED: specialized managed services can internally use LLM/foundation-model components while preserving a specialized task contract. Google Document AI is a current example.
• ESTABLISHED: managed-service product category must not be used to infer data-residency guarantees; specific processor/model/version/endpoint rules matter.
• LIMIT: no universal claim is made that specialized components outperform, cost less, or are safer than general LLM/multimodal models. Those comparisons remain workload- and version-specific.

The existing packet’s counterevidence remains controlling: specialized component ≠ classical architecture; local/OSS ≠ automatically secure/compliant; confidence scores are not portable across providers; benchmark leadership does not establish enterprise-domain superiority; generative media needs a different acceptance envelope from deterministic-looking extractors/classifiers.

“『非LLM AI』はmodel architectureの否定語ではなく、企業運用ではtask-specific AI componentの便宜的なumbrellaとして扱う。OCR、ASR、TTS、翻訳、embedding、reranker、分類・回帰・異常検知などは、内部にTransformerやfoundation modelを含む場合でも、入力・出力schema、評価指標、failure mode、data movement、runtime、latency/costという独自の運用契約を持ち得る。製品カテゴリから内部model種やdata residencyを推定しない。”

• provider横断の専用API vs general LLM/multimodal APIの独立production comparison
• confidence calibrationのtask/provider別実運用 evidence
• enterprise domainとcurrent retrieval benchmarkの相関
• local model/runtime provenance, signing, secure loadingの実務標準化
• image/video/audio generationをEA-004 umbrellaと専門EAへ分割する編集境界

RESEARCH_GATE: PASS_FOR_BOUNDED_BASE_REVISION — canonical packet already contains exact questions, claim-level evidence, task-specific metrics, counterevidence, scope/data/runtime boundaries, failure envelope, availability gates, security/privacy/audit/cost/operability, SAFE_WORDING and OPEN_UNKNOWN. Currentness was rechecked on 2026-10-11 against maintained OSS/runtime docs and current Document AI processor behavior.

CANDIDATE_IMPLEMENTATION_OVERLAY: