Проблема разрозненных данных
В фармацевтической отрасли процесс сбора и проверки данных на начальных этапах занимал более шести месяцев за одну итерацию. При этом вероятность успеха составляла всего около 5%.
Основная сложность заключалась в том, что критически важные сведения — от клинических показателей до лабораторных заметок — хранились в разных изолированных системах. Это мешало ученым находить скрытые взаимосвязи между данными. Кроме того, когда сотрудники увольнялись, они уносили с собой контекст текущих проектов, что тормозило исследования.
Технология GraphRAG
Для решения этой проблемы AWS разработала систему, объединяющую графовые базы данных с технологиями обработки естественного языка (NLP). Решение использует Amazon Neptune Analytics и Amazon Bedrock для превращения разрозненных точек данных в единую поисковую сеть.
Система работает следующим образом: она берет неструктурированные файлы из публичных баз (например, PubMed) и смешивает их с внутренними корпоративными записями. Специальные инструменты сканируют текст, извлекают медицинские коды, а модель Claude 4.5 Sonnet от Anthropic резюмирует содержимое и определяет его релевантность.
Структура графа знаний
В результате создается граф, где данные представлены в виде узлов. Узлы обозначают ключевые объекты: классы, авторов, научные журналы и фрагменты текста. Связи между ними (ребра) определяют иерархию и ассоциации между объектами.
Такой подход обеспечивает точность поиска. Система разбивает длинные документы на небольшие сегменты и привязывает их к стандартным диагностическим метрикам. Это создает надежный фундамент для получения достоверной информации.
Эффективность и точность
Внедрение архитектуры GraphRAG показало впечатляющие результаты. Время проведения этапов исследования сократилось с шести месяцев до трех недель. Скорость поиска данных выросла на 85%, а время проверки результатов уменьшилось на 70% благодаря автоматическому сопоставлению цитат и источников.
Важной особенностью является прозрачность: система предоставляет точные цитаты для каждого ответа и визуализирует путь, по которому ИИ пришел к выводу. Это позволяет ученым проверять достоверность данных и соблюдать требования регуляторов.
Что это значит
Использование GraphRAG позволяет компаниям сохранять накопленный опыт: знания ученых теперь индексируются в базе данных и остаются доступными даже после ухода сотрудников. Эта модель может стать стандартом для любой отрасли, которой необходимо извлекать полезную информацию из разрозненных и сложных систем данных.