Как AWS GraphRAG сокращает циклы исследований лекарств на 87 процентов

Недавний AWS GraphRAG Внедрение этой технологии позволило сократить циклы исследований и разработок лекарственных препаратов в фармацевтической отрасли за счет 87 процентов — достигается путем интеграции ранее разрозненных проприетарных баз данных в единый, доступный для запросов граф знаний.

Исторически сложилось так, что первоначальные этапы сбора и анализа данных занимали более длительное время. шесть месяцев на итерациюВ результате показатель успешности составил всего пять процентов. Важные наборы данных — от специфических клинических показателей до внутренних инженерных и лабораторных записей — были изолированы в разных средах хранения, что фактически препятствовало специалистам по анализу данных выявлять скрытые корреляции. Когда сотрудники увольнялись, они уносили с собой важный контекст проекта, что тормозило активные исследования.

«Когда сотрудники уходили, они уносили с собой важнейший контекст проекта, что тормозило активные исследования и создавало необратимые пробелы в знаниях».

AWS разработала решение для соединения этих систем, объединив их. Графовые базы данных с обработкой естественного языка (NLP)Данная система основана на фреймворке GraphRAG и использует Amazon Neptune Analytics и Амазонская коренная порода Преобразовать разрозненные точки данных в доступную для поиска реляционную сеть. Пользователи могут отправлять стандартные запросы на естественном языке и получать ответы, сопоставленные с проверенной литературой по предметной области и внутренними наборами данных.

Однако объединение разрозненных частных наборов данных с неструктурированными репозиториями с открытым доступом по-прежнему вносит существенный вклад. проблемы нормализации данныхЭто требует строгого управления схемами для предотвращения неточного сопоставления отношений и снижения риска галлюцинаций, связанных с искусственным интеллектом.

🔭 Построение графа знаний

Компании могут подключать собственные графы знаний. Система обрабатывает неструктурированные файлы из общедоступных баз данных, таких как... PubMed и объединяет их с внутренними корпоративными документами. Такие инструменты, как Amazon Comprehen Medical Просканируйте этот текст, чтобы извлечь стандартные медицинские коды. Амазонская коренная порода, бег Сонет Клода антропа, 4.5Обобщает содержание документа и определяет его актуальность.

Функции AWS Lambda и Amazon S3 Функция массовой загрузки направляет обработанные элементы в Amazon Neptune Analytics. Полученный граф знаний структурирует данные в отдельные узлы, представляющие:

• 🔹 Классы сущностей, специфичные для предметной области
• 🔹 Авторы и журналы-источники
• 🔹 Встроенные текстовые фрагменты
• 🔹 Иерархические классификации и ассоциации сущностей

Ребра графа определяют взаимосвязи между узлами, обеспечивая детерминистическое основание необходимо для точного поиска информации.

Схема базы данных устанавливает строгие границы для процесса поиска RAG. Длинные документы разбиваются на легко усваиваемые сегменты с помощью Стратегии сегментации базы знаний Amazon BedrockПри этом конкретные узлы классификации привязывают неструктурированные текстовые данные к стандартизированным диагностическим показателям.

⚠️ Учет стоимости

Стандартный график Amazon Neptune Analytics, работающий с 16 выделенных блоков памяти несет операционные расходы в размере 0,48 доллара в часИспользование сред разработки на Amazon SageMaker (экземпляры t3.medium) увеличивает базовые затраты на вычислительные ресурсы и хранилище. Организациям также необходимо учитывать динамические затраты. затраты на потребление токенов сгенерировано моделью Claude 4.5 Sonnet в процессе обработки запроса.

⚙️ Модульность и системная архитектура

Он Инструментарий GraphRAG Выступает в качестве исполнительного слоя между пользовательским интерфейсом и базовой базой данных. Выделенный Связующий механизм графа знаний Система обрабатывает входящие запросы на естественном языке, извлекает релевантные сущности с помощью нечеткой строковой индексации и сопоставляет их с существующими узлами графа. Она проходит по сетевым путям для генерации правдоподобных реляционных связей, прежде чем сформировать ответ с помощью языковой модели, размещенной на платформе Bedrock.

Точность поиска зависит от конфигурации сопоставления сущностей. Компонент EntityLinker Система согласовывает термины на естественном языке из запросов пользователей со структурированной схемой данных, обрабатывая присущий сложным корпоративным наборам данных шум и разнообразную терминологию, обеспечивая корректное извлечение узлов даже при использовании неточной терминологии.

Архитектура разделяет три основные функции:

1. Инициализация языковой модели — работает на базе BedrockGenerator для взаимодействия на естественном языке.
2. Взаимодействие с графами — привязка хранилища графов к языковой модели с помощью средства связывания графов знаний (Knowledge Graph Linker).
3. Связывание сущностей — сопоставление неструктурированных поисковых запросов со структурированными узлами графа

Потому что система полностью модульныйКоманды могут заменить языковую модель или скорректировать структуру графа, не перестраивая всё приложение целиком.

📈 Ключевые показатели эффективности

Первые корпоративные пользователи архитектур Neptune и Bedrock сообщают о значительном улучшении операционной деятельности:

Возобновление активных развертываний точные, поддающиеся проверке цитаты Для каждого сгенерированного ответа отображается весь путь рассуждений и конкретные шаги обхода графа, использованные для достижения заключения.

🔒 Управление, соблюдение нормативных требований и сохранение знаний

Инженерные группы могут интегрировать новые общедоступные базы данных или внутренние заметки в существующую структуру графа. без нарушения работы активных интерфейсов запросовДля обеспечения корпоративного управления и соблюдения нормативных требований фиксируются точные цепочки доказательств — визуализация обхода графа наглядно демонстрирует, как модель ИИ связала сложные переменные.

«Команды могут напрямую отслеживать каждый результат работы до исходных документов, что соответствует требованиям научной добросовестности».

Поддержание централизованного графа знаний также предотвращает деградацию данныхКогда старшие научные сотрудники уходят в отставку, их неявные знания о поведении системы или неудачных экспериментах остаются занесенными в базу данных Neptune. Новые сотрудники могут обращаться к системе для просмотра прошлых решений и мгновенного доступа к историческому контексту любого текущего проекта.

🌎 За пределами фармацевтических исследований

По мере развития фреймворков GraphRAG эта модель развертывания становится все более распространенной. Вряд ли это будет ограничиваться только фармацевтическими исследованиями.Возможность детерминированного сопоставления внутренних неструктурированных данных с проверенными общедоступными хранилищами предоставляет план действий для любого предприятия, испытывающего трудности с извлечением полезной информации из разрозненных устаревших систем.

Сближение графовых баз данных, больших языковых моделей и корпоративного управления данными сигнализирует о более масштабном сдвиге — сдвиге, в котором Знания становятся доступным для запросов, проверки и непрерывного развития активом. а не статичное, изолированное обязательство.