AWS GraphRAG giúp rút ngắn 87% thời gian nghiên cứu dược phẩm

Một triển khai AWS GraphRAG gần đây đã giúp giảm 87% chu kỳ nghiên cứu và phát triển dược phẩm trong các môi trường dược phẩm. Sự tăng tốc này đạt được nhờ việc tích hợp các cơ sở dữ liệu độc quyền vốn bị chia tách trước đây thành một đồ thị tri thức (knowledge graph) thống nhất và có thể truy vấn được.

Trước đây, các giai đoạn thu thập và sàng lọc dữ liệu ban đầu thường mất hơn sáu tháng cho mỗi lần lặp lại, với tỷ lệ thành công thấp chỉ ở mức 5%. Các tập dữ liệu quan trọng – từ các chỉ số lâm sàng chuyên biệt đến các ghi chú kỹ thuật và phòng thí nghiệm nội bộ – đều bị cô lập trong các môi trường lưu trữ khác nhau, khiến các nhà khoa học dữ liệu không thể khám phá ra 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 thực hiện.

AWS đã xây dựng một giải pháp để kết nối các hệ thống này, kết hợp cơ sở dữ liệu đồ thị với NLP.

Thiết lập này dựa trên khung GraphRAG và sử dụng Amazon Neptune Analytics cùng Bedrock để biến các điểm dữ liệu rời rạc thành một mạng lưới có thể tìm kiếm được. Người dùng có thể gửi các truy vấn ngôn ngữ tự nhiên tiêu chuẩn và nhận được câu trả lời được ánh xạ tới các tài liệu chuyên ngành đã được xác minh và các tập dữ liệu nội bộ.

Tuy nhiên, việc hợp nhất các tập dữ liệu độc quyền bị cô lập với các kho lưu trữ truy cập mở phi cấu trúc vẫn đặt ra những thách thức đáng kể về chuẩn hóa dữ liệu, đòi hỏi sự quản trị lược đồ (schema governance) nghiêm ngặt để ngăn chặn việc ánh xạ quan hệ không chính xác và giảm thiểu rủi ro ảo giác (hallucinations).

Xây dựng đồ thị tri thức

Các công ty có thể kết nối các đồ thị tri thức của riêng họ. Hệ thống thu thập các tệp tin phi cấu trúc, lộn xộn từ các cơ sở dữ liệu công cộng như PubMed và trộn lẫn chúng với các hồ sơ doanh nghiệp nội bộ. Các công cụ như Amazon Comprehend Medical quét văn bản này để trích xuất các mã y tế tiêu chuẩn. Amazon Bedrock, chạy mô hình 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 tính năng tải hàng loạt của Amazon S3 sau đó chuyển các phần tử đã xử lý này vào Amazon Neptune Analytics. Đồ thị tri thức thu được cấu trúc dữ liệu thành các nút riêng biệt đại diện cho các thực thể cốt lõi như các lớp chuyên biệt, tác giả, tạp chí nguồn và các đoạn văn bản được nhúng. Các cạnh của đồ thị xác định mối quan hệ giữa các nút này, vạch ra các phân loại phân cấp và các liên kết thực thể. Cách biểu diễn có cấu trúc này cung cấp nền tảng tất định cần thiết để truy xuất thông tin chính xác.

Lược đồ cơ sở dữ liệu thiết lập các ranh giới nghiêm ngặt cho 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 vào các bản thể luận (ontologies) đã thiết lập, trong khi các nút tác giả và tạp chí cung cấp nguồn gốc cho các nghiên cứu đã xuất bản. Các tài liệu dài được chia nhỏ thành các phân đoạn văn bản dễ hiểu bằng cách sử dụng các chiến lược phân đoạn (chunking) của Amazon Bedrock Knowledge Base, và các nút phân loại cụ thể neo giữ dữ liệu văn bản phi cấu trúc vào các chỉ số chẩn đoán tiêu chuẩn hóa.

Việc vận hành kiến trúc đồ thị này đòi hỏi các 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 là 0,48 USD mỗi giờ. Các môi trường phát triển, chẳng hạn như Amazon SageMaker Jupyter notebooks chạy trên các instance t3.medium, sẽ cộng thêm chi phí tính toán và lưu trữ cơ bản. Các tổ chức cũng phải tính đến chi phí tiêu thụ token động do mô hình Amazon Bedrock Claude 4.5 Sonnet tạo ra trong quá trình xử lý truy vấn và tạo tóm tắt.

Bộ công cụ GraphRAG đóng vai trò là lớp thực thi giữa giao diện người dùng và cơ sở dữ liệu bên dưới. Một thành phần Knowledge Graph Linker chuyên dụng sẽ xử lý các truy vấn ngôn ngữ tự nhiên đầu vào, trích xuất các thực thể liên quan bằng cách sử dụng lập chỉ mục chuỗi mờ (fuzzy string indexing) và ánh xạ chúng vào 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 khi truy xuất phụ thuộc vào cấu hình khớp thực thể. Thành phần EntityLinker căn 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 khả năng phân tích cú pháp AI chuyên dụng; kiến trúc sử dụng Claude để đánh giá các tài liệu nguồn thô và tạo ra các bản tóm tắt ngắn gọn. Sau đó, các công cụ chuyên biệt sẽ ánh xạ các mô tả văn bản phức tạp này vào các phân loại tiêu chuẩn hóa.

Bộ công cụ Python GraphRAG khởi tạo một BedrockGenerator để hỗ trợ các tương tác ngôn ngữ tự nhiên, trong khi các kỹ sư cấu hình 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 thi các truy vấn và tạo ra các phản hồi dựa hoàn toàn trên dữ liệu đồ thị có sẵn.

Kiến trúc tách biệt ba chức năng cốt lõi: khởi tạo mô hình ngôn ngữ, giao diện 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 tinh chỉnh cấu trúc đồ thị mà không cần phải tháo dỡ và xây dựng lại toàn bộ ứng dụng.

Các triển khai thực tế 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 lộ trình suy luận, hiển thị các bước duyệt đồ thị cụ thể được sử dụng để đi đến kết luận.

Các chỉ số hiệu suất chính từ những doanh nghiệp áp dụng sớm bao gồm việc giảm 87% thời gian chu kỳ nghiên cứu. Các giai đoạn khám phá ban đầu trước đây cần sáu tháng nay kết thúc trong ba tuần, và tốc độ truy xuất dữ liệu cho thấy sự cải thiện 85%, hỗ trợ trực tiếp cho việc kiểm thử 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. Để quản trị và tuân thủ, các dấu vết bằng chứng chính xác cần thiết cho việc nộp hồ sơ quy định được ghi lại, với các hình ảnh trực quan về quá trình duyệt đồ thị chứng minh chính xác cách một mô hình AI kết nối các biến phức tạp. Các nhóm có thể truy xuất nguồn gốc mọi kết quả đầu ra trực tiếp đến các tài liệu nguồn, đáp ứng các yêu cầu tuân thủ về tính toàn vẹn khoa học.

Cuối cùng, việc duy trì một đồ thị tri thức tập trung giúp ngăn chặn sự suy giảm dữ liệu. Khi các nhà khoa học cấp cao nghỉ việc, kiến thức ngầm của họ về hành vi hệ thống hoặc các thí nghiệm thất bại vẫn được lập chỉ mục trong cơ sở dữ liệu Neptune. Nhân viên mới có thể truy vấn hệ thống để xem xét các quyết định trong quá khứ và truy cập ngay lập tức vào bối cảnh lịch sử của một dự án đang thực hiện.

Khi các khung GraphRAG hoàn thiện, mô hình triển khai này khó có khả năng chỉ giới hạn trong nghiên cứu dược phẩm. Khả năng ánh xạ tất định dữ liệu phi cấu trúc nội bộ với các kho lưu trữ công cộng đã được xác minh cung cấp một bản thiết kế cho bất kỳ doanh nghiệp nào đang chật vật trong việc trích xuất thông tin tình báo hữu ích từ các hệ thống cũ phân mảnh.

Xem thêm: Insilico Medicine thúc đẩy thuốc AI điều trị IPF sang thử nghiệm giai đoạn III

Bạn muốn tìm hiểu thêm về AI và dữ liệu lớn từ các nhà lãnh đạo ngành? Hãy xem AI & Big Data Expo diễn ra tại Amsterdam, California và London. Sự kiện toàn diện này là một phần của TechEx và được tổ chức cùng với các sự kiện công nghệ hàng đầu khác bao gồm Cyber Security & Cloud Expo. Nhấp vào đây để biết thêm thông tin.

AI News được vận hành bởi TechForge Media. Khám phá các sự kiện và hội thảo trực tuyến về công nghệ doanh nghiệp sắp tới tại đây.