AWS GraphRAG dağıtımı, ilaç araştırma döngülerini %87 oranında kısaltıyor.
Özet
AWS üzerinde geliştirilen GraphRAG uygulaması, ilaç araştırma ve geliştirme süreçlerini %87 oranında hızlandırarak geleneksel yöntemlerdeki uzun veri toplama döngülerini önemli ölçüde kısaltmıştır. Bu çözüm, Amazon Neptune Analytics ve Bedrock gibi araçları kullanarak izole haldeki verileri birleşik bir bilgi grafiğine dönüştürmekte ve doğal dil sorgularıyla anlamlı korelasyonlar kurulmasını sağlamaktadır. Sistem, kamuya açık tıbbi verilerle dahili kayıtları harmanlayarak araştırmacıların bilgiye erişimini kolaylaştırırken, hatalı eşlemeleri ve halüsinasyon riskini minimize etmek için titiz bir veri normalleştirme süreci gerektirmektedir. Bu teknoloji, özellikle personel değişimlerinden kaynaklanan bağlam kayıplarını önleyerek araştırma sürekliliğini ve verimliliğini güvence altına almaktadır.
Yakın zamanda yapılan bir AWS GraphRAG uygulaması, farmasötik ortamlardaki ilaç araştırma ve geliştirme döngülerini yüzde 87 oranında azalttı. Bu hızlanma, daha önce birbirinden ayrı olan özel veri tabanlarının birleşik ve sorgulanabilir bir bilgi grafiğine entegre edilmesiyle sağlandı.
Geçmişte, ilk veri toplama ve tarama aşamaları iterasyon başına altı aydan uzun sürüyordu ve yüzde beşlik düşük bir başarı oranı sağlıyordu. Alana özgü klinik metriklerden dahili mühendislik ve laboratuvar notlarına kadar değişen kritik veri kümeleri, depolama ortamlarında izole edilmiş durumdaydı ve bu durum veri bilimcilerin gizli korelasyonları ortaya çıkarmasını fiilen engelliyordu. Personel ayrıldığında kritik proje bağlamını da beraberlerinde götürüyor, bu da aktif araştırmaları durduruyordu.
AWS, bu sistemleri birbirine bağlamak için grafik veri tabanlarını NLP ile birleştiren bir çözüm geliştirdi.
Kurulum, bir GraphRAG çerçevesine dayanıyor ve bağlantısı kesilmiş veri noktalarını aranabilir bir ağa dönüştürmek için Amazon Neptune Analytics ve Bedrock kullanıyor. Kullanıcılar standart doğal dil sorguları gönderebiliyor ve doğrulanmış alan literatürü ile dahili veri kümeleriyle eşleştirilmiş yanıtlar alabiliyor.
Ancak, izole edilmiş özel veri kümelerini yapılandırılmamış açık erişimli depolarla birleştirmek, hatalı ilişkisel eşlemeyi önlemek ve halüsinasyon riskini azaltmak için katı şema yönetimi gerektiren önemli veri normalleştirme zorluklarını da beraberinde getiriyor.
Bilgi grafiği oluşturma
Şirketler kendi bilgi grafiklerini sisteme entegre edebiliyor. Sistem, PubMed gibi kamuya açık veri tabanlarından karmaşık ve yapılandırılmamış dosyaları çekiyor ve bunları dahili şirket kayıtlarıyla harmanlıyor. Amazon Comprehend Medical gibi araçlar, standart tıbbi kodları çıkarmak için bu metinleri tarıyor. Anthropic'in Claude 4.5 Sonnet modelini çalıştıran Amazon Bedrock, belge içeriğini özetliyor ve konuyla ilgisini belirliyor.
AWS Lambda fonksiyonları ve Amazon S3 toplu yüklemeleri, bu işlenmiş öğeleri Amazon Neptune Analytics'e yönlendiriyor. Ortaya çıkan bilgi grafiği; alana özgü sınıflar, yazarlar, kaynak dergiler ve gömülü metin parçaları gibi temel varlıkları temsil eden ayrık düğümler halinde veriyi yapılandırıyor. Grafik kenarları bu düğümler arasındaki ilişkileri tanımlayarak hiyerarşik sınıflandırmaları ve varlık ilişkilendirmelerini haritalandırıyor. Bu yapılandırılmış temsil, doğru bilgi erişimi için gereken deterministik temeli sağlıyor.
Veri tabanı şeması, RAG keşif sürecinin katı sınırlarını belirliyor. Düğümler, belirli koşulları yakalamak ve bunları yerleşik ontolojilere hiyerarşik olarak eşlemek üzere yapılandırılırken; yazar ve dergi düğümleri, yayınlanmış araştırmalar için köken bilgisi sağlıyor. Uzun belgeler, Amazon Bedrock Knowledge Base parçalama stratejileri kullanılarak sindirilebilir metin segmentlerine ayrılıyor ve belirli sınıflandırma düğümleri, yapılandırılmamış metin verilerini standartlaştırılmış tanısal metriklerle sabitliyor.
Bu grafik mimarisini işletmek, belirli bulut kaynağı tahsisleri gerektiriyor. 16 tahsis edilmiş bellek birimiyle çalışan standart bir Amazon Neptune Analytics grafiğinin işletme maliyeti saat başına 0,48 dolardır.