Внедрение AWS GraphRAG сокращает циклы исследований лекарств на 87%

Исторически этапы первоначального сбора данных и скрининга занимали более шести месяцев на итерацию, что приводило к небольшому пятипроцент-ному успеху. Важнейшие наборы данных – от клинических показателей для конкретной предметной области до внутренних инженерных разработок и лабораторных заметок – были изолированы в средах хранения, что фактически не позволило специалистам по обработке данных выявить скрытые корреляции. Когда сотрудники уходили, они забирали с собой важнейший контекст проекта, останавливая активные исследования.

AWS создала решение для подключения этих систем, объединив базы данных graph с NLP.
Настройка основана на платформе GraphRAG и использует Amazon Neptune Analytics и Bedrock для преобразования разрозненных точек данных в сеть с возможностью поиска. Пользователи могут отправлять стандартные запросы на естественном языке и получать ответы, сопоставленные с проверенной литературой по предметной области и внутренними наборами данных.

Однако объединение изолированных проприетарных наборов данных с неструктурированными репозиториями открытого доступа по-прежнему сопряжено со значительными проблемами нормализации данных, требующими строгого управления схемой для предотвращения неточного отображения отношений и снижения риска галлюцинаций.

Компании могут подключать свои собственные графики знаний. Система извлекает беспорядочные, неструктурированные файлы из общедоступных баз данных, таких как PubMed, и смешивает их с внутренними корпоративными записями. Такие инструменты, как Amazon Comprehend Medical, сканируют этот текст, чтобы получить стандартные медицинские коды. Amazon Bedrock, работающий под управлением Claude 4.5 Sonnet от Anthropic, обобщает содержание документа и определяет актуальность темы.

Функции AWS Lambda и массовые загрузки Amazon S3 затем направляют эти обработанные элементы в Amazon Neptune Analytics. Результирующий граф знаний структурирует данные в отдельные узлы, представляющие основные объекты, такие как классы для конкретной предметной области, авторов, исходные журналы и встроенные текстовые фрагменты. Ребра графика определяют отношения между этими узлами, отображая иерархические классификации и ассоциации объектов. Это структурированное представление обеспечивает детерминированную основу, необходимую для точного поиска информации.

Схема базы данных устанавливает строгие границы процесса обнаружения RAG. Узлы структурированы таким образом, чтобы фиксировать конкретные условия и иерархически сопоставлять их с установленными онтологиями, в то время как узлы автора и журнала предоставляют информацию о происхождении опубликованных исследований. Объемные документы разбиваются на удобоваримые текстовые сегменты с использованием стратегий разбиения базы знаний Amazon Bedrock на фрагменты, а специальные узлы классификации привязывают неструктурированные текстовые данные к стандартизированным диагностическим показателям.
Для работы с этой архитектурой graph требуется определенное распределение облачных ресурсов. Стандартные графические приложения Amazon Neptune Analytics, работающие с 16 выделенными блоками памяти, требуют операционных затрат в размере 0,48 доллара в час. Среды разработки, такие как ноутбуки Amazon SageMaker Jupyter, работающие на инстансах t3.medium, увеличивают базовые затраты на вычисления и хранение.

Организации также должны учитывать динамические затраты на потребление токенов, генерируемые моделью Amazon Bedrock Claude 4.5 Sonnet, при обработке запросов и генерации резюме.
Инструментарий GraphRAG выступает в качестве уровня выполнения между пользовательским интерфейсом и базовой базой данных. Специализированный компоновщик графов знаний обрабатывает входящие запросы на естественном языке, извлекает соответствующие объекты с помощью нечеткой строковой индексации и сопоставляет их с установленными узлами графа. Система пересекает сетевые пути для создания правдоподобных реляционных ссылок, прежде чем подготовить ответ с помощью языковой модели, размещенной в Bedrock.

Точность поиска зависит от конфигурации соответствия сущности. Компонент EntityLinker приводит термины на естественном языке из пользовательских запросов в соответствие со схемой структурированных данных. Этот процесс нечеткого сопоставления устраняет присущий сложным корпоративным наборам данных шум и разнообразную терминологию, гарантируя пользователям получение правильных узлов даже при использовании неточных формулировок.

Извлечение данных в значительной степени зависит от специализированного анализа с помощью искусственного интеллекта; в архитектуре Claude используется для оценки исходных документов и создания кратких аннотаций. Инструменты для конкретной предметной области затем сопоставляют эти сложные текстовые описания со стандартизированными таксономиями.

Инструментарий GraphRAG Python toolkit инициализирует BedrockGenerator для обеспечения взаимодействия на естественном языке, в то время как инженеры настраивают компонент компоновщика графов знаний для привязки хранилища графов к языковой модели. Эта интеграция создает прямой интерфейс для выполнения запросов и генерации ответов, строго основанных на доступных графических данных.

Архитектура разделяет три основные функции: инициализацию языковой модели, взаимодействие с графами и связывание сущностей. Поскольку система модульная, команды могут менять языковую модель или изменять структуру графика без необходимости демонтировать и перестраивать все приложение.

Активные развертывания архитектур Neptune и Bedrock возвращают точные, поддающиеся проверке цитаты для каждого сгенерированного ответа. Система отображает весь путь рассуждений, отображая конкретные этапы обхода графика, используемые для получения заключения.

Ключевые показатели эффективности первых корпоративных пользователей включают сокращение продолжительности цикла исследований на 87%. Начальные этапы поиска, которые ранее требовали шести месяцев, теперь завершаются за три недели, а скорость поиска данных увеличилась на 85%, что напрямую способствует ускорению проверки гипотез. Кроме того, время рецензирования исследований сокращается на 70% благодаря функциям автоматического сопоставления цитат и проверки источников.

Команды инженеров могут интегрировать новые общедоступные базы данных или внутренние заметки в существующую структуру graph, не нарушая работу активных интерфейсов запросов. Что касается управления и соблюдения нормативных требований, то фиксируются точные данные, необходимые для подачи в нормативные органы, с визуализацией обхода графика, точно доказывающей, как модель искусственного интеллекта связывает сложные переменные. Команды могут отслеживать каждый результат непосредственно по исходным документам, выполняя требования по научной целостности.

Наконец, поддержание централизованного графика знаний останавливает распад данных. Когда старшие ученые уходят в отставку, их негласные знания о поведении системы или неудачных экспериментах остаются проиндексированными в базе данных Neptune. Новые сотрудники могут запрашивать систему, чтобы просмотреть прошлые решения и мгновенно получить доступ к историческому контексту текущего проекта.

По мере развития фреймворков GraphRAG эта модель развертывания вряд ли будет ограничиваться фармацевтическими исследованиями. Возможность детерминированного сопоставления внутренних неструктурированных данных с проверенными общедоступными репозиториями обеспечивает основу для любого предприятия, пытающегося извлечь полезную информацию из фрагментированных устаревших систем.