AWS GraphRAG зменшує цикли досліджень у фармацевтиці на 87%
Сучасний розвиток технологій вражає. Один з останніх прикладів – це AWS GraphRAG. Нещодавно дозволив скоротити цикли дослідження та розробки лікарських засобів у фармацевтичній галузі на вражаючі 87%. Але як вдалося досягти такого прискорення? Все це завдяки інтеграції раніше ізольованих пропрієтарних баз даних у єдиний й придатний для запитів знаннєвий граф.
Раніше початкові етапи збору даних та відсіювання тривали понад шість місяців для кожної ітерації, і лише п’ять відсотків з них завершувалися успішно. Дані, які варіювалися від клінічних метричних показників до інженерних нотаток та лабораторних звітів, були ізольовані у різних сховищах, що ставило бар’єри перед науковцями для виявлення прихованих кореляцій.
AWS розробила рішення, що об’єднує ці системи, поєднуючи графові бази даних з обробкою природної мови. Основа цього підходу – фреймворк GraphRAG, що використовує Amazon Neptune Analytics та Bedrock. Вони здатні перетворювати роз’єднані точки даних в повноцінну мережу, що піддається запиту. Ви можете ставити звичайні лінгвістичні запитання і отримувати відповіді, зіставлені із перевіреною літературою та внутрішніми даними.
Уніфікація даних та виклики нормалізації
Однак об’єднання ізольованих пропрієтарних наборів даних з неструктурованими відкритими сховищами все одно викликає значні виклики зі нормалізації даних. Це потребує суворого управління схемою для запобігання помилковому співвідношенню та зменшенню ризику утворення помилкових залежностей.
Компанії можуть підключати власні знаннєві графи. Система обробляє неструктуровані файли з публічних баз даних, таких як PubMed, і поєднує їх з внутрішніми корпоративними записами. Такі інструменти, як Amazon Comprehend Medical, переходять по тексту для вилучення стандартних медичних кодів. Далі Amazon Bedrock, використовуючи модель Claude 4.5 Sonnet від Anthropic, підсумовує зміст документів та визначає їх актуальність.
Вплив на дослідницькі процеси
Не можна не відзначити, що поступ стоїть не тільки в технології, а й у підвищенні продуктивності. Ключові метрики підтверджують це – зменшення тривалості циклів досліджень до трьох тижнів та підвищення швидкості вилучення даних на 85%. Це підтримує швидке тестування гіпотез та скорочує час огляду досліджень на 70% завдяки автоматизованій перевірці цитат та джерел.
Цікаво, що підтримка централізованого знаннєвого графа запобігає втраті даних. Коли співробітники залишають компанію, їхній досвід щодо системних аспектів або невдалих експериментів зберігається в базі даних Neptune. Нові працівники можуть запитувати систему для отримання історичного контексту проєкту.
Якщо ви задаєтеся питанням, чи залишиться ця модель обмеженою тільки фармацевтичним дослідженням, це малоймовірно. Здатність детерміновано зіставляти внутрішні, неструктуровані дані з перевіреними відкритими сховищами є шляхом для будь-якого бізнесу, який прагне вилучити придатну для дій інформацію зі своїх застарілих систем.
