Comment AWS GraphRAG réduit les cycles de recherche pharmaceutique de 87 %

Un récent AWS GraphRAG Le déploiement a réduit les cycles de recherche et de développement des médicaments dans les environnements pharmaceutiques par 87 pour cent — obtenu en intégrant des bases de données propriétaires auparavant cloisonnées dans un graphe de connaissances unifié et interrogeable.

Historiquement, les phases initiales de collecte et de sélection des données ont pris le dessus. six mois par itérationCe qui a permis d'obtenir un faible taux de réussite de cinq pour cent. Des ensembles de données cruciaux — allant de mesures cliniques spécifiques à un domaine à des notes internes d'ingénierie et de laboratoire — étaient isolés dans différents environnements de stockage, empêchant ainsi les data scientists de découvrir des corrélations latentes. Lorsque des membres du personnel quittaient l'entreprise, ils emportaient avec eux des éléments de contexte essentiels au projet, bloquant ainsi la recherche en cours.

« Lorsque les employés sont partis, ils ont emporté avec eux des informations cruciales sur le contexte des projets, ce qui a freiné la recherche active et créé des lacunes irréversibles dans les connaissances. »

AWS a conçu une solution pour connecter ces systèmes, en les combinant bases de données graphiques avec traitement automatique du langage naturel (TALN)La configuration repose sur le framework GraphRAG et utilise Amazon Neptune Analytics et Roche de base amazonienne Transformer des données disparates en un réseau relationnel interrogeable. Les utilisateurs peuvent soumettre des requêtes en langage naturel standard et recevoir des réponses associées à la documentation spécialisée et aux ensembles de données internes.

Toutefois, l'unification d'ensembles de données propriétaires isolés avec des référentiels non structurés en libre accès soulève encore des problèmes importants. défis de la normalisation des données, nécessitant une gouvernance stricte des schémas pour éviter un mappage relationnel inexact et atténuer le risque d'hallucinations de l'IA.

🔭 Construction de graphes de connaissances

Les entreprises peuvent intégrer leurs propres graphes de connaissances. Le système ingère des fichiers désordonnés et non structurés provenant de bases de données publiques telles que PubMed et les fusionne avec les archives internes de l'entreprise. Des outils comme Amazon Comprendre le médical Scannez ce texte pour en extraire les codes médicaux standard. Roche de base amazonienne, en cours d'exécution Claude d'Anthropic 4.5 Sonnet, résume le contenu du document et détermine sa pertinence thématique.

Fonctions AWS Lambda et Amazon S3 Les chargements en masse acheminent les éléments traités vers Amazon Neptune Analytics. Le graphe de connaissances résultant structure les données en nœuds discrets représentant :

• 🔹 Classes d'entités spécifiques au domaine
• 🔹 Auteurs et revues sources
• 🔹 Morceaux de texte intégrés
• 🔹 Classifications hiérarchiques et associations d'entités

Les arêtes du graphe définissent les relations entre les nœuds, fournissant ainsi fondation déterministe nécessaire à une récupération précise des informations.

Le schéma de la base de données définit des limites strictes pour le processus de découverte RAG. Les documents volumineux sont divisés en segments digestibles à l'aide de Stratégies de segmentation de la base de connaissances Amazon Bedrock, tandis que des nœuds de classification spécifiques ancrent des données textuelles non structurées à des métriques de diagnostic standardisées.

⚠️ Considérations relatives aux coûts

Un graphique standard d'Amazon Neptune Analytics exécuté avec 16 unités de mémoire provisionnées encourt des coûts opérationnels de 0,48 $ l'heureLes environnements de développement sur Amazon SageMaker (instances t3.medium) engendrent des dépenses de calcul et de stockage supplémentaires. Les entreprises doivent également prendre en compte les coûts dynamiques. coûts de consommation de jetons généré par le modèle Claude 4.5 Sonnet lors du traitement des requêtes.

⚙️ Modularité et architecture système

Le Boîte à outils GraphRAG agit comme couche d'exécution entre l'interface utilisateur et la base de données sous-jacente. Un Lieneur de graphes de connaissances Le système traite les requêtes en langage naturel entrantes, extrait les entités pertinentes grâce à l'indexation floue des chaînes de caractères et les associe aux nœuds du graphe existant. Il parcourt ensuite les chemins du réseau pour générer des liens relationnels plausibles avant de rédiger une réponse à l'aide du modèle de langage hébergé sur Bedrock.

La précision de la récupération dépend de la configuration de correspondance des entités. Composant EntityLinker aligne les termes en langage naturel des invites de l'utilisateur sur le schéma de données structurées, en gérant le bruit inhérent et la terminologie variée que l'on trouve dans les ensembles de données d'entreprise complexes, garantissant ainsi une récupération correcte des nœuds même en cas d'utilisation d'un langage imprécis.

L'architecture sépare trois fonctions essentielles:

1. Language Model Initialisation — alimenté par un générateur Bedrock pour les interactions en langage naturel
2. Interface graphique — lier le magasin de graphes au modèle de langage via le Knowledge Graph Linker
3. Liaison d'entités — Associer les termes de requête non structurés aux nœuds de graphe structurés

Parce que le système est Entièrement modulaireLes équipes peuvent ainsi modifier le modèle de langage ou ajuster la structure du graphe sans avoir à reconstruire l'intégralité de l'application.

📈 Indicateurs clés de performance

Les premières entreprises à avoir adopté l'architecture Neptune et Bedrock font état d'améliorations opérationnelles significatives :

Les déploiements actifs reviennent citations exactes et vérifiables Pour chaque réponse générée, cartographier l'intégralité du chemin de raisonnement et afficher les étapes spécifiques de parcours du graphe utilisées pour parvenir à une conclusion.

🔒 Gouvernance, conformité et conservation des connaissances

Les équipes d'ingénierie peuvent intégrer de nouvelles bases de données publiques ou des notes internes à la structure graphique existante. sans perturber les interfaces de requête actives. À des fins de gouvernance et de conformité réglementaire, des pistes de preuve exactes sont capturées — avec des visualisations de parcours de graphes démontrant précisément comment un modèle d'IA a connecté des variables complexes.

« Les équipes peuvent retracer chaque résultat directement jusqu'aux documents sources, répondant ainsi aux exigences de conformité en matière d'intégrité scientifique. »

Maintenir un graphe de connaissances centralisé également empêche la dégradation des donnéesLorsque des scientifiques chevronnés démissionnent, leurs connaissances tacites relatives au comportement des systèmes ou aux expériences ayant échoué restent indexées dans la base de données Neptune. Les nouveaux employés peuvent interroger le système pour consulter les décisions passées et accéder instantanément au contexte historique de tout projet en cours.

🌎 Au-delà de la recherche pharmaceutique

À mesure que les frameworks GraphRAG mûrissent, ce modèle de déploiement peu susceptible de rester confiné à la recherche pharmaceutiqueLa capacité de cartographier de manière déterministe des données internes non structurées par rapport à des référentiels publics vérifiés fournit un modèle pour toute entreprise qui peine à extraire des renseignements exploitables de systèmes hérités fragmentés.

La convergence des bases de données graphiques, des grands modèles de langage et de la gouvernance des données d'entreprise signale un changement plus large — un changement où Le savoir devient un actif interrogeable, auditable et en constante évolution plutôt qu'un passif statique et cloisonné.