Развертывание AWS GraphRAG сокращает циклы исследований лекарств на 87%.

Искусственный интеллект в здравоохранении и оздоровлении

Развертывание AWS GraphRAG сокращает циклы исследований лекарств на 87%.

Недавнее внедрение AWS GraphRAG позволило сократить циклы исследований и разработок лекарственных препаратов в фармацевтической отрасли на 87 процентов. Это ускорение достигается за счет интеграции ранее разрозненных проприетарных баз данных в единый, доступный для запросов граф знаний.

Исторически сложилось так, что начальные этапы сбора и анализа данных занимали более шести месяцев на каждую итерацию, обеспечивая низкий процент успеха — 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.

AWS разработала решение для соединения этих систем, объединив графовые базы данных с обработкой естественного языка (NLP).

Система основана на фреймворке GraphRAG и использует Amazon Neptune Analytics и Bedrock для преобразования разрозненных точек данных в сеть, пригодную для 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 разрозненных проприетарных наборов данных с неструктурированными репозиториями с открытым доступом по-прежнему сопряжено со значительными трудностями в нормализации данных, требуя строгого управления схемой для предотвращения неточного сопоставления отношений и снижения риска возникновения искажений.

Построение графа знаний

Компании могут подключать собственные графы знаний. Система извлекает 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 извлечь стандартные медицинские коды. Amazon Bedrock, использующий Claude 4.5 Sonnet от Anthropic, обобщает содержание документа и определяет тематическую релевантность.

Функции AWS Lambda и пакетная загрузка данных из Amazon S3 затем направляют обработанные элементы в Amazon Neptune Analytics. Полученный граф знаний структурирует данные в виде отдельных узлов, представляющих основные сущности, такие как классы, специфичные для предметной области, авторы, журналы-источники и встроенные фрагменты текста. Ребра графа определяют связи между этими узлами, отображая иерархические классификации и ассоциации сущностей. Это структурированное представление обеспечивает детерминированную основу, необходимую для точного поиска информации.

Схема базы данных устанавливает строгие границы процесса поиска RAG. Узлы структурированы таким образом, чтобы фиксировать конкретные условия и иерархически сопоставлять их с установленными онтологиями, в то время как узлы авторов и журналов обеспечивают информацию о происхождении опубликованных исследований. Длинные документы разбиваются на легко усваиваемые текстовые сегменты с использованием стратегий сегментации базы знаний Amazon Bedrock, а специальные узлы классификации привязывают неструктурированные текстовые данные к стандартизированным диагностическим метрикам.

Для работы с такой графовой архитектурой требуются специальные облачные ресурсы. Стандартный граф Amazon Neptune Analytics, работающий с 16 выделенными единицами памяти, обходится в 0,48 доллара США в час. Среды разработки, такие как блокноты Jupyter Amazon SageMaker, работающие на экземплярах t3.medium, добавляют базовые затраты на вычислительные ресурсы и хранилище. Организации также должны учитывать динамические затраты на потребление токенов, генерируемые моделью Amazon Bedrock Claude 4.5 Sonnet во время обработки запросов и генерации аннотаций.

Инструментарий GraphRAG выступает в качестве исполнительного слоя между пользовательским интерфейсом и базовой базой данных. Специальный компонент Knowledge Graph Linker обрабатывает входящие запросы на естественном языке, извлекает релевантные сущности с помощью нечеткого строкового индексирования и сопоставляет их с установленными узлами графа. Система 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 сопоставляет термины на естественном языке из запросов пользователя со структурированной схемой данных. Этот процесс нечеткого сопоставления обрабатывает присущий сложным корпоративным наборам данных шум и разнообразную терминологию, гарантируя, что пользователи находят правильные узлы даже при использовании неточной терминологии.

Модульность и системная архитектура

Извлечение данных в значительной степени опирается на специализированный анализ с помощью ИИ; архитектура использует Claude для оценки исходных документов и генерации кратких аннотаций. Затем специализированные инструменты сопоставляют эти сложные текстовые описания со стандартизированными таксономиями.

Инструментарий GraphRAG Python инициализирует BedrockGenerator для обеспечения взаимодействия на естественном языке, в то время как инженеры настраивают компонент Knowledge Graph Linker для привязки хранилища графов к языковой модели. Эта интеграция создает прямой интерфейс для выполнения запросов и генерации ответов, основанных исключительно на доступных данных графа.

Архитектура разделяет три основные функции: инициализация языковой модели, взаимодействие с графом и связывание сущностей. Благодаря модульной структуре системы, команды могут заменять языковую модель или изменять структуру графа без необходимости перестраивать и заново создавать все приложение.

Активное развертывание архитектур Neptune и Bedrock возвращает точные, проверяемые ссылки на каждый сгенерированный ответ. Система отображает весь путь рассуждений, показывая конкретные шаги обхода графа, использованные для достижения вывода.

Ключевые показатели эффективности, полученные от первых корпоративных пользователей, включают сокращение продолжительности цикла исследований на 87 процентов. Начальные этапы поиска информации, которые ранее занимали шесть месяцев, теперь завершаются за три недели, а скорость извлечения данных улучшилась на 85 процентов, что напрямую способствует ускорению проверки гипотез. Кроме того, время, затрачиваемое на проверку исследований, сокращается на 70 процентов благодаря функциям автоматического сопоставления цитирований и проверки источников.

Инженерные группы могут интегрировать новые общедоступные базы данных или внутренние заметки в существующую структуру графа, не нарушая активные интерфейсы запросов. Для обеспечения управления и соответствия требованиям фиксируются точные цепочки доказательств, необходимые для подачи заявок в регулирующие органы, а визуализация обхода графа точно показывает, как модель ИИ связала сложные переменные. Команды могут напрямую отслеживать каждый результат до исходных документов, выполняя требования по обеспечению научной добросовестности.

Наконец, поддержание централизованного графа знаний предотвращает устаревание данных. Когда старшие научные сотрудники увольняются, их неявные знания о поведении системы или неудачных экспериментах остаются проиндексированными в базе данных Neptune. Новые сотрудники могут запрашивать систему для просмотра прошлых решений и мгновенно получать доступ к историческому контексту текущего проекта.

По мере развития фреймворков GraphRAG эта модель развертывания вряд ли останется ограниченной только фармацевтическими исследованиями. Возможность детерминированного сопоставления внутренних неструктурированных данных с проверенными общедоступными репозиториями предоставляет образец для любого предприятия, испытывающего трудности с извлечением полезной информации из разрозненных устаревших систем.

См. также: Компания Insilico Medicine перевела разработку препарата на основе ИИ для лечения идиопатической легочной фиброзы на III фазу клинических испытаний.

Хотите узнать больше об искусственном интеллекте и больших данных от лидеров отрасли? Посетите выставку AI & Big Data Expo, которая пройдет в Амстердаме, Калифорнии и Лондоне. Это масштабное мероприятие является частью TechEx и проводится одновременно с другими ведущими технологическими выставками, включая Cyber Security & Cloud Expo. Для получения дополнительной информации нажмите здесь.

AI News — это проект TechForge Media. Здесь вы можете ознакомиться с другими предстоящими мероприятиями и вебинарами, посвященными корпоративным технологиям.

Источник: www.artificialintelligence-news.com