Un recente AWS GraphRAG l’implementazione ha ridotto dell’87% i cicli di ricerca e sviluppo dei farmaci negli ambienti farmaceutici. Questa accelerazione si ottiene integrando database proprietari precedentemente separati in un grafo della conoscenza unificato e consultabile.
Storicamente, le fasi iniziali di raccolta e screening dei dati richiedevano più di sei mesi per ogni iterazione, con un tasso di successo basso, pari al 5%. I set di dati cruciali, che vanno dalle metriche cliniche specifiche del dominio alle note tecniche interne e di laboratorio, sono stati isolati negli ambienti di archiviazione, impedendo di fatto ai data scientist di scoprire correlazioni latenti. Quando il personale se ne andò, portò con sé il contesto cruciale del progetto, bloccando la ricerca attiva.
AWS ha creato una soluzione per connettere questi sistemi, combinando i database a grafo con la PNL.
La configurazione si basa su un framework GraphRAG e utilizza Amazon Neptune Analytics e Bedrock per trasformare i punti dati disconnessi in una rete ricercabile. Gli utenti possono inviare query standard in linguaggio naturale e ricevere risposte mappate alla letteratura del dominio verificato e ai set di dati interni.
Tuttavia, l’unificazione di set di dati proprietari isolati con repository non strutturati ad accesso aperto introduce ancora significative sfide di normalizzazione dei dati, che richiedono una rigorosa governance dello schema per prevenire una mappatura relazionale imprecisa e mitigare il rischio di allucinazioni.
Costruzione del grafico della conoscenza
Le aziende possono inserire i propri grafici della conoscenza. Il sistema estrae file disordinati e non strutturati da database pubblici come PubMed e li mescola con i documenti aziendali interni. Strumenti come Amazon Comprehend Medical scansionano questo testo per estrarre codici medici standard. Amazon Bedrock, che esegue Claude 4.5 Sonnet di Anthropic, riassume i contenuti del documento e ne determina la pertinenza di attualità.
Le funzioni AWS Lambda e i carichi in blocco Amazon S3 instradano quindi questi elementi elaborati in Amazon Neptune Analytics. Il grafico della conoscenza risultante struttura i dati in nodi discreti che rappresentano entità fondamentali come classi specifiche del dominio, autori, riviste di origine e blocchi di testo incorporati. I bordi del grafico definiscono le relazioni tra questi nodi, mappando classificazioni gerarchiche e associazioni di entità. Questa rappresentazione strutturata fornisce le basi deterministiche necessarie per un accurato recupero delle informazioni.
Lo schema del database stabilisce i limiti rigorosi del processo di rilevamento RAG. I nodi sono strutturati per acquisire condizioni specifiche e mapparle gerarchicamente su ontologie stabilite, mentre i nodi autore e rivista forniscono la provenienza per la ricerca pubblicata. I documenti lunghi vengono suddivisi in segmenti di testo digeribili utilizzando strategie di suddivisione in blocchi della Knowledge Base di Amazon Bedrock e nodi di classificazione specifici ancorano i dati testuali non strutturati a parametri diagnostici standardizzati.
Il funzionamento di questa architettura grafica richiede allocazioni di risorse cloud specifiche. Un grafico standard di Amazon Neptune Analytics in esecuzione con 16 unità di memoria assegnate comporta costi operativi di 0,48 dollari l’ora. Gli ambienti di sviluppo, come i notebook Jupyter di Amazon SageMaker in esecuzione su istanze t3.medium, aggiungono spese di calcolo e storage di base. Le organizzazioni devono anche tenere conto della dinamica costi di consumo simbolici generato dal modello Amazon Bedrock Claude 4.5 Sonnet durante l’elaborazione delle query e la generazione di abstract.
Il toolkit GraphRAG funge da livello di esecuzione tra l’interfaccia utente e il database sottostante. Un Knowledge Graph Linker dedicato elabora le query in arrivo in linguaggio naturale, estrae le entità rilevanti utilizzando l’indicizzazione di stringhe fuzzy e le mappa sui nodi del grafico stabiliti. Il sistema attraversa i percorsi della rete per generare collegamenti relazionali plausibili prima di elaborare una risposta attraverso il modello linguistico ospitato da Bedrock.
La precisione del recupero dipende dalla configurazione della corrispondenza dell’entità. Un componente EntityLinker allinea i termini del linguaggio naturale dai prompt dell’utente allo schema dei dati strutturati. Questo processo di corrispondenza fuzzy gestisce il rumore intrinseco e la terminologia variata presenti nei set di dati aziendali complessi, garantendo agli utenti di recuperare i nodi corretti anche quando utilizzano un linguaggio impreciso.
Modularità e architettura di sistema
L’estrazione dei dati si basa in gran parte sull’analisi specializzata dell’intelligenza artificiale; l’architettura impiega Claude per valutare i documenti grezzi e generare abstract concisi. Strumenti specifici del dominio associano quindi queste complesse descrizioni testuali a tassonomie standardizzate.
Il toolkit GraphRAG Python inizializza un BedrockGenerator per potenziare le interazioni del linguaggio naturale, mentre gli ingegneri configurano un componente Knowledge Graph Linker per associare l’archivio dei grafici al modello linguistico. Questa integrazione crea un’interfaccia diretta per l’esecuzione di query e la generazione di risposte strettamente basate sui dati grafici disponibili.
L’architettura separa tre funzioni principali: inizializzazione del modello linguistico, interfacciamento del grafico e collegamento delle entità. Poiché il sistema è modulare, i team possono scambiare il modello linguistico o modificare la struttura del grafico senza dover smontare e ricostruire l’intera app.
Le implementazioni attive dell’architettura Neptune e Bedrock restituiscono citazioni esatte e verificabili per ogni risposta generata. Il sistema mappa l’intero percorso del ragionamento, visualizzando gli specifici passaggi di attraversamento del grafico utilizzati per raggiungere una conclusione.
I parametri chiave delle prestazioni dei primi utilizzatori aziendali includono una riduzione dell’87% nella durata del ciclo di ricerca. Le fasi iniziali di scoperta che in precedenza richiedevano sei mesi ora si concludono in tre settimane e le velocità di recupero dei dati mostrano un miglioramento dell’85%, supportando direttamente test di ipotesi più rapidi. Inoltre, i tempi di revisione della ricerca diminuiscono del 70% grazie alla mappatura automatizzata delle citazioni e alle funzionalità di verifica della fonte.
I team di ingegneri possono integrare nuovi database pubblici o note interne nella struttura grafica esistente senza interrompere le interfacce di query attive. Per la governance e la conformità, vengono acquisiti i percorsi esatti delle prove richieste per le richieste normative, con visualizzazioni di grafici trasversali che dimostrano esattamente come un modello di intelligenza artificiale collega variabili complesse. I team possono tracciare ogni output direttamente fino ai documenti di origine, soddisfacendo i requisiti di conformità per l’integrità scientifica.
Infine, il mantenimento di un grafico della conoscenza centralizzato impedisce il decadimento dei dati. Quando gli scienziati senior si dimettono, la loro conoscenza tacita riguardo ai comportamenti del sistema o agli esperimenti falliti rimane indicizzata nel database Neptune. Il nuovo personale può interrogare il sistema per rivedere le decisioni passate e accedere immediatamente al contesto storico di un progetto in corso.
Con la maturazione dei framework GraphRAG, è improbabile che questo modello di implementazione rimanga confinato alla ricerca farmaceutica. La capacità di mappare in modo deterministico i dati interni e non strutturati rispetto agli archivi pubblici verificati fornisce un modello per qualsiasi azienda che lotta per estrarre informazioni utilizzabili da sistemi legacy frammentati.
Vedi anche: Insilico Medicine porta il farmaco AI per l’IPF agli studi di Fase III
Vuoi saperne di più sull’intelligenza artificiale e sui big data dai leader del settore? Guardare Fiera dell’intelligenza artificiale e dei big data che si svolge ad Amsterdam, in California, e a Londra. L’evento completo è parte di TechEx ed è situato in concomitanza con altri importanti eventi tecnologici tra cui Fiera sulla sicurezza informatica e sul cloud. Clic Qui per ulteriori informazioni
AI News è alimentato da Media TechForge. Esplora altri prossimi eventi e webinar sulla tecnologia aziendale Qui.
Fonte: www.artificialintelligence-news.com
