AWS GraphRAG riduce i cicli di ricerca farmaceutica del 87%

Un recente insediamento di AWS GraphRAG ha ridotto i cicli di ricerca e sviluppo farmaceutico del 87% in ambienti di sviluppo di medicinali. Questa accelerazione si ottiene integrando database proprietari precedentemente separati in un unico grafo conoscitivo interrogabile.

Storicamente, le fasi iniziali di raccolta dei dati e screening richiedevano più di sei mesi per ogni iterazione, producendo un basso tasso di successo del cinque percento. Cruciali dataset – che vanno da metriche cliniche specifiche del dominio a note interne ingegneristiche e di laboratorio – erano isolati in ambienti di archiviazione diversi, bloccando di fatto gli scienziati dei dati dalla scoperta di correlazioni latenti. Quando il personale lasciava, portava con sé contesto essenziale per i progetti, bloccando la ricerca in corso.

AWS ha costruito una soluzione per connettere questi sistemi, unendo database a grafi e NLP.

Il sistema si basa su un framework GraphRAG e utilizza Amazon Neptune Analytics e Bedrock per trasformare punti di dati disconnessi in una rete ricercabile. Gli utenti possono sottoporre query in linguaggio naturale e ricevere risposte mappate a letteratura specifica del dominio e a dataset interni.

Tuttavia, l'unificazione di dataset proprietari isolati con repository open access non strutturati introduce comunque sfide significative di normalizzazione dei dati, richiedendo una rigorosa governance dello schema per prevenire mappe relazionali errate e ridurre il rischio di allucinazioni.

Costruzione del grafo conoscitivo

Le aziende possono inserire i propri grafi conoscitivi. Il sistema raccoglie file caotici e non strutturati da banche dati pubbliche come PubMed e li mescola con registri aziendali interni. Strumenti come Amazon Comprehend Medical scandiscono questi testi per estrarre codici medici standard. Amazon Bedrock, che utilizza il modello di Anthropic Claude 4.5 Sonnet, riepiloga i contenuti documentali e determina rilevanza tematica.

Funzioni AWS Lambda e caricamenti in massa su Amazon S3 indirizzano questi elementi elaborati verso Amazon Neptune Analytics. Il grafo conoscitivo struttura i dati in nodi discreti rappresentativi di entità fondamentali come classi specifiche del dominio, autori, fonti, riviste e segmenti di testo incorporati. Gli spigoli del grafo definiscono i rapporti tra questi nodi, mappandone le classificazioni gerarchiche e le associazioni. Questa rappresentazione strutturata fornisce la base deterministica necessaria per recuperare informazioni in modo accurato.

Lo schema del database stabilisce i limiti precisi del processo di ricerca RAG. I nodi sono strutturati per catturare condizioni specifiche e mapparle gerarchicamente ad ontologie riconosciute, mentre i nodi degli autori e delle riviste forniscono una provenienza per la ricerca pubblicata. Documenti lunghi vengono suddivisi in segmenti digeribili mediante strategie di suddivisione della banca dei conoscimenti Amazon Bedrock, e nodi di classificazione specifici ancorano i dati testuali non strutturati a metriche diagnostiche standardizzate.

L’esecuzione di questa architettura a grafo richiede specifiche assegnazioni di risorse in cloud. Un grafo Amazon Neptune Analytics in esecuzione con 16 unità di memoria allocate costa operativamente $0.48 all'ora. Ambienti di sviluppo come notebook Amazon SageMaker Jupyter su istanze t3.medium aggiungono spese di base per calcolo e storage. Le organizzazioni devono anche tenere in considerazione i costi dinamici dei token generati dal modello Amazon Bedrock Claude 4.5 Sonnet durante la gestione di query e generazione di astratti.

Il toolkit GraphRAG funge da livello di esecuzione tra l'interfaccia utente e il database sottostante. Un componente dedicato, Knowledge Graph Linker, elabora le query in linguaggio naturale in entrata, estrae entità rilevanti utilizzando l’indicizzazione per stringhe non precise e le mappa a nodi del grafo esistenti. Il sistema attraversa i pathways del network per generare collegamenti relazionali plausibili prima di costruire una risposta tramite il modello linguistico ospitato su Bedrock.

L'accuratezza del recupero dipende dalla configurazione del matching delle entità. Un componente EntityLinker allinea i termini in linguaggio naturale delle richieste utente allo schema strutturato dei dati. Questo processo di matching fuzzy gestisce il rumore intrinseco e la terminologia varia nei dataset complessi delle imprese, assicurandosi che i utenti recuperino i nodi corretti anche quando utilizzano lingua imprecisa.

Modularità e architettura del sistema

L’estrazione dati si basa pesantemente su parsing AI specializzati; l’architettura utilizza Claude per valutare i documenti sorgente grezzi e generare estratti concisi. Strumenti specifici per il dominio mappano poi queste descrizioni testuali complicate a tassonomie standardizzate.

Il toolkit Python GraphRAG inizializza un BedrockGenerator al fine di alimentare le interazioni con linguaggio naturale, mentre gli ingegneri configurano un componente Knowledge Graph Linker per collegare l'archivio grafo al modello linguistico. Questa integrazione crea una interfaccia diretta per l'esecuzione di query e la generazione di risposte che si basano esclusivamente sui dati del grafo disponibili.

L'architettura separa tre funzioni centrali: inizializzazione del modello linguistico, interfacciamento con il grafo, e collegamento delle entità. Grazie alla sua modularità, le squadre possono sostituire il modello linguistico o rimodellare la struttura del grafo senza dover ristrutturare o ricostruire l'intera applicazione.

Implementazioni attive dell’architettura Neptune e Bedrock forniscono citazioni precise e verificabili per ogni risposta generata. Il sistema mappa l’intero percorso di ragionamento, mostrando passo per passo quelle specifiche tappe di navigazione nel grafo utilizzate per arrivare a una conclusione.

I principali indicatori di rendimento degli adottatori iniziali includono una riduzione del 87% della durata del ciclo di ricerca. Le fasi iniziali di individuazione che richiedevano precedentemente sei mesi concludono ora in tre settimane, e le velocità di recupero dei dati mostrano miglioramenti dell’85%, supportando direttamente un test ipotetico più veloce. Inoltre, i tempi di revisione della ricerca calano del 70%, grazie alle funzionalità di mapping delle citazioni e alla verifica automatica delle fonti.

I team ingegneristici possono integrare nuove banche dati pubbliche o note interne nell’esistente struttura a grafo senza interrompere le interfacce di query attive. Per governance e conformità, le tracce di dati esatte richieste per le presentazioni regolamentari vengono raccatturate, con visualizzazioni della mappatura del grafo che dimostrano precisamente come un modello AI ha collegando variabili complesse. I team possono tr