Unstructured

1. サービス概要

Unstructuredは、LLM（大規模言語モデル）やRAG（Retrieval-Augmented Generation）パイプライン向けに、非構造化データを構造化データへ変換するオープンソースのデータインジェスション/ETLプラットフォームです。

• 主な機能:
• PDF、HTML、画像、Word、PowerPoint、Eメールなど多様なファイル形式の自動パース・チャンキング。
• テーブル抽出: ドキュメント内の表を構造化データとして抽出。
• OCR統合: 画像やスキャンPDFからのテキスト認識。
• Unstructured API: クラウドホスト型のマネージドサービスとしてドキュメント処理を提供。
• Unstructured Platform: エンタープライズ向けのノーコード/ローコードETLパイプライン構築環境。
• コネクター: S3、Azure Blob、Google Drive、Elasticsearch、Pinecone、Weaviateなど多数のデータソース・ベクトルDBとの連携。
• ライセンス: コアライブラリはApache 2.0（オープンソース）。商用マネージドサービスも提供。
• 対応プラットフォーム:
• Python パッケージ（pip install）
• REST API（Unstructured API）
• Docker コンテナ
• Unstructured Platform（SaaS）

2. 使用している技術スタック

• コア技術: 複数のOCRエンジン（Tesseract、PaddleOCR等）やレイアウト検出モデル（detectron2、YOLOXベース）を組み合わせたパイプライン型アーキテクチャ。
• 言語/フレームワーク: Python。内部でNLTK、spaCy、Hugging Face Transformers等を利用。
• ドキュメントパース: PDFMiner、pdf2image、python-pptx、python-docx等のライブラリを統合。
• テーブル抽出: Microsoft Table Transformerモデルを活用。
• インフラ: AWS上のクラウドインフラ。Kubernetes/Dockerベースのスケーラブルな処理基盤。

3. 会社概要

• 運営会社名: Unstructured Technologies Inc.
• 設立年: 2022年
• 本社所在地: 米国 テキサス州 オースティン
• 従業員数: 約50〜80名（2025年時点推定）。

4. 沿革、資本構成、国籍、役員情報

• 沿革:
• 2022年：Brian Raymondにより設立。オープンソースのドキュメントパーシングライブラリとして公開。
• 2023年：急速にGitHubスター数を獲得し、LLM/RAGコミュニティで広く採用される。
• 2023年後半〜2024年：商用マネージドAPI・Platformの提供を開始。
• 2024年：累計約6,500万ドルの資金調達を実施。
• 資本構成:
• 非上場。New Enterprise Associates (NEA)、Menlo Ventures等のVCが出資。
• 国籍:
• 米国企業。
• 役員情報:
• Brian Raymond (CEO / 創業者): データエンジニアリング・インフラ分野の経験を持つ起業家。