AWS показала кейс использования GraphRAG в фармацевтических исследованиях: цикл разработки и проверки данных удалось сократить на 87%. Система объединяет ранее разрозненные внутренние базы в единый граф знаний, где доступны поиск и запросы на естественном языке. По данным компании, раньше первичный сбор и отбор данных занимал более шести месяцев на одну итерацию, а уровень успешности составлял около 5%.
Как пишет AI News (artificialintelligence-news.com), в решении AWS используются Amazon Neptune Analytics и Bedrock. Они объединяют корпоративные данные с открытыми источниками, включая PubMed. Amazon Comprehend Medical извлекает медицинские коды из неструктурированных документов, а Claude 4.5 Sonnet через Amazon Bedrock создает краткие описания и определяет тематическую релевантность материалов. После этого данные загружаются в Amazon Neptune Analytics, где строится граф знаний с узлами для сущностей, авторов, журналов и текстовых фрагментов.
В AWS считают, что такая архитектура помогает находить связи между клиническими метриками, инженерными заметками и лабораторными данными, которые раньше хранились отдельно друг от друга. При этом компания обращает внимание на сложности нормализации данных при объединении внутренних и открытых наборов информации. Чтобы снизить риск некорректных связей и галлюцинаций, требуется строгий контроль схем данных и сопоставления сущностей.
Ключевые факты
Исторически этапы первичного сбора и отбора данных занимали более шести месяцев на одну итерацию
AWS использует Amazon Neptune Analytics и Bedrock для построения графа знаний на базе внутренних и внешних данных
Amazon Comprehend Medical извлекает медицинские коды из неструктурированных документов, а Claude 4.5 Sonnet определяет тематическую релевантность материалов
Стандартный граф Amazon Neptune Analytics с 16 provisioned memory units обходится в 0,48 $ в час