Việc triển khai AWS GraphRAG giúp rút ngắn chu kỳ nghiên cứu thuốc tới 87%.

Một triển khai AWS GraphRAG gần đây đã rút ngắn chu kỳ nghiên cứu và phát triển thuốc trong môi trường dược phẩm xuống 87%. Sự tăng tốc này đạt được nhờ tích hợp các cơ sở dữ liệu độc quyền trước đây bị tách rời vào một đồ thị tri thức thống nhất và có thể truy vấn được. Trong lịch sử, các giai đoạn thu thập và sàng lọc dữ liệu ban đầu mất hơn sáu tháng cho mỗi lần lặp lại, với tỷ lệ thành công thấp, chỉ 5%. Các bộ dữ liệu quan trọng – từ các chỉ số lâm sàng chuyên biệt theo lĩnh vực đến các ghi chú kỹ thuật và phòng thí nghiệm nội bộ – bị cô lập trên các môi trường lưu trữ, ngăn cản các nhà khoa học dữ liệu khám phá các mối tương quan tiềm ẩn. Khi nhân viên nghỉ việc, họ mang theo bối cảnh dự án quan trọng, làm đình trệ các nghiên cứu đang diễn ra. AWS đã xây dựng một giải pháp để kết nối các hệ thống này, kết hợp cơ sở dữ liệu đồ thị với NLP (xử lý ngôn ngữ tự nhiên). Thiết lập này dựa trên khung GraphRAG và sử dụng Amazon Neptune Analytics cùng Bedrock để biến các điểm dữ liệu không kết nối thành một mạng lưới có thể tìm kiếm. Người dùng có thể gửi các truy vấn ngôn ngữ tự nhiên tiêu chuẩn và nhận được câu trả lời được ánh xạ tới tài liệu chuyên ngành đã được xác minh và các bộ dữ liệu nội bộ. Tuy nhiên, việc thống nhất các bộ dữ liệu độc quyền bị cô lập với các kho lưu trữ truy cập mở không có cấu trúc vẫn đặt ra những thách thức đáng kể về chuẩn hóa dữ liệu, đòi hỏi quản trị lược đồ nghiêm ngặt để ngăn chặn ánh xạ quan hệ không chính xác và giảm thiểu rủi ro ảo giác. Xây dựng đồ thị tri thức Các công ty có thể tích hợp đồ thị tri thức của riêng họ. Hệ thống thu thập các tệp lộn xộn, không có cấu trúc từ các cơ sở dữ liệu công cộng như PubMed và trộn chúng với các hồ sơ nội bộ của công ty. Các công cụ như Amazon Comprehend Medical quét văn bản này để trích xuất các mã y tế tiêu chuẩn. Amazon Bedrock, chạy Claude 4.5 Sonnet của Anthropic, tóm tắt nội dung tài liệu và xác định mức độ liên quan theo chủ đề. Các hàm AWS Lambda và tải hàng loạt Amazon S3 sau đó định tuyến các yếu tố đã xử lý này vào Amazon Neptune Analytics. Đồ thị tri thức thu được cấu trúc dữ liệu thành các nút rời rạc đại diện cho các thực thể cốt lõi như các lớp chuyên biệt theo lĩnh vực, tác giả, tạp chí nguồn và các đoạn văn bản nhúng. Các cạnh đồ thị xác định mối quan hệ giữa các nút này, ánh xạ các phân loại phân cấp và liên kết thực thể. Biểu diễn có cấu trúc này cung cấp nền tảng xác định cần thiết cho việc truy xuất thông tin chính xác. Lược đồ cơ sở dữ liệu thiết lập các ranh giới nghiêm ngặt của quy trình khám phá RAG. Các nút được cấu trúc để nắm bắt các điều kiện cụ thể và ánh xạ chúng theo phân cấp đến các bản thể học đã được thiết lập, trong khi các nút tác giả và tạp chí cung cấp nguồn gốc cho nghiên cứu đã xuất bản. Các tài liệu dài được chia thành các phân đoạn văn bản dễ hiểu bằng cách sử dụng các chiến lược phân đoạn cơ sở tri thức của Amazon Bedrock, và các nút phân loại cụ thể neo dữ liệu văn bản không có cấu trúc vào các chỉ số chẩn đoán tiêu chuẩn. Vận hành kiến trúc đồ thị này đòi hỏi phân bổ tài nguyên đám mây cụ thể. Một đồ thị Amazon Neptune Analytics tiêu chuẩn chạy với 16 đơn vị bộ nhớ được cung cấp sẽ phát sinh chi phí vận hành 0,48 USD mỗi giờ. Các môi trường phát triển, chẳng hạn như sổ ghi chép Amazon SageMaker Jupyter chạy trên các phiên bản t3.medium, bổ sung chi phí tính toán và lưu trữ cơ bản. Các tổ chức cũng phải tính đến chi phí tiêu thụ token động được tạo ra bởi mô hình Amazon Bedrock Claude 4.5 Sonnet trong quá trình xử lý truy vấn và tạo bản tóm tắt. Bộ công cụ GraphRAG đóng vai trò là lớp thực thi giữa giao diện người dùng và cơ sở dữ liệu cơ bản. Một Trình liên kết đồ thị tri thức (Knowledge Graph Linker) chuyên dụng xử lý các truy vấn ngôn ngữ tự nhiên đến, trích xuất các thực thể liên quan bằng cách sử dụng lập chỉ mục chuỗi mờ (fuzzy string indexing) và ánh xạ chúng tới các nút đồ thị đã thiết lập. Hệ thống duyệt qua các đường dẫn mạng để tạo ra các liên kết quan hệ hợp lý trước khi soạn thảo phản hồi thông qua mô hình ngôn ngữ được lưu trữ trên Bedrock. Độ chính xác của việc truy xuất phụ thuộc vào cấu hình khớp thực thể. Một thành phần EntityLinker điều chỉnh các thuật ngữ ngôn ngữ tự nhiên từ lời nhắc của người dùng với lược đồ dữ liệu có cấu trúc. Quá trình khớp mờ này xử lý nhiễu vốn có và thuật ngữ đa dạng được tìm thấy trong các tập dữ liệu doanh nghiệp phức tạp, đảm bảo người dùng truy xuất đúng các nút ngay cả khi sử dụng ngôn ngữ không chính xác. Tính mô-đun và kiến trúc hệ thống Việc trích xuất dữ liệu phụ thuộc nhiều vào phân tích AI chuyên biệt; kiến trúc sử dụng Claude để đánh giá các tài liệu nguồn thô và tạo ra các bản tóm tắt ngắn gọn. Các công cụ chuyên biệt theo lĩnh vực sau đó ánh xạ các mô tả văn bản phức tạp này tới các phân loại tiêu chuẩn hóa. Bộ công cụ GraphRAG Python khởi tạo một BedrockGenerator để cung cấp năng lượng cho các tương tác ngôn ngữ tự nhiên, trong khi các kỹ sư cấu hình một thành phần Knowledge Graph Linker để liên kết kho đồ thị với mô hình ngôn ngữ. Sự tích hợp này tạo ra một giao diện trực tiếp để thực hiện các truy vấn và tạo ra các phản hồi dựa trên dữ liệu đồ thị có sẵn. Kiến trúc tách biệt ba chức năng cốt lõi: khởi tạo mô hình ngôn ngữ, giao tiếp đồ thị và liên kết thực thể. Vì hệ thống có tính mô-đun, các nhóm có thể thay thế mô hình ngôn ngữ hoặc điều chỉnh cấu trúc đồ thị mà không cần phải tháo dỡ và xây dựng lại toàn bộ ứng dụng. Các triển khai đang hoạt động của kiến trúc Neptune và Bedrock trả về các trích dẫn chính xác, có thể kiểm chứng cho mọi câu trả lời được tạo ra. Hệ thống ánh xạ toàn bộ đường dẫn lý luận, hiển thị các bước duyệt đồ thị cụ thể được sử dụng để đạt được kết luận. Các chỉ số hiệu suất chính từ những người dùng doanh nghiệp sớm bao gồm giảm 87% thời gian chu kỳ nghiên cứu. Các giai đoạn khám phá ban đầu trước đây yêu cầu sáu tháng nay kết thúc trong ba tuần, và tốc độ truy xuất dữ liệu cho thấy cải thiện 85%, trực tiếp hỗ trợ kiểm tra giả thuyết nhanh hơn. Hơn nữa, thời gian xem xét nghiên cứu giảm 70% nhờ các tính năng ánh xạ trích dẫn tự động và xác minh nguồn. Các nhóm kỹ thuật có thể tích hợp các cơ sở dữ liệu công cộng mới hoặc ghi chú nội bộ vào cấu trúc đồ thị hiện có mà không làm gián đoạn các giao diện truy vấn đang hoạt động. Đối với quản trị và tuân thủ, các dấu vết bằng chứng chính xác cần thiết cho các hồ sơ quy định được ghi lại, với các hình ảnh hóa duyệt đồ thị chứng minh tính chính xác.