Un récent déploiement d’AWS GraphRAG a réduit de 87 % les cycles de recherche et de développement de médicaments dans les environnements pharmaceutiques. Cette accélération est obtenue en intégrant des bases de données propriétaires auparavant séparées dans un graphe de connaissances unifié et interrogeable.
Historiquement, les phases initiales de collecte de données et de sélection prenaient plus de six mois par itération, ce qui donnait un faible taux de réussite de cinq pour cent. Des ensembles de données cruciaux – allant des mesures cliniques spécifiques à un domaine aux notes d’ingénierie interne et de laboratoire – ont été isolés dans les environnements de stockage, empêchant ainsi les data scientists de découvrir des corrélations latentes. Lorsque le personnel est parti, il a emporté avec lui le contexte crucial du projet, bloquant ainsi la recherche active.
AWS a créé une solution pour connecter ces systèmes, combinant des bases de données graphiques avec le NLP.
La configuration s’appuie sur un framework GraphRAG et utilise Amazon Neptune Analytics et Bedrock pour transformer les points de données déconnectés en un réseau consultable. Les utilisateurs peuvent soumettre des requêtes standard en langage naturel et recevoir des réponses mappées à la littérature du domaine vérifiée et aux ensembles de données internes.
Cependant, l’unification d’ensembles de données propriétaires isolés avec des référentiels non structurés en libre accès introduit toujours d’importants défis de normalisation des données, nécessitant une gouvernance stricte des schémas pour éviter une cartographie relationnelle inexacte et atténuer le risque d’hallucinations.
Construction d’un graphe de connaissances
Les entreprises peuvent intégrer leurs propres graphiques de connaissances. Le système extrait des fichiers désordonnés et non structurés de bases de données publiques comme PubMed et les mélange avec les dossiers internes de l’entreprise. Des outils comme Amazon Comprehend Medical analysent ce texte pour extraire les codes médicaux standard. Amazon Bedrock, exécutant Claude 4.5 Sonnet d’Anthropic, résume le contenu du document et détermine sa pertinence d’actualité.
Les fonctions AWS Lambda et les chargements groupés Amazon S3 acheminent ensuite ces éléments traités vers Amazon Neptune Analytics. Le graphe de connaissances qui en résulte structure les données en nœuds discrets représentant des entités principales telles que des classes spécifiques à un domaine, des auteurs, des revues sources et des morceaux de texte intégrés. Les bords du graphique définissent les relations entre ces nœuds, cartographiant les classifications hiérarchiques et les associations d’entités. Cette représentation structurée fournit la base déterministe nécessaire à une récupération précise des informations.
Le schéma de base de données établit les limites strictes du processus de découverte RAG. Les nœuds sont structurés pour capturer des conditions spécifiques et les mapper hiérarchiquement aux ontologies établies, tandis que les nœuds d’auteur et de revue fournissent la provenance des recherches publiées. Les documents longs sont décomposés en segments de texte compréhensibles à l’aide de stratégies de segmentation de la base de connaissances Amazon Bedrock, et des nœuds de classification spécifiques ancrent les données textuelles non structurées à des métriques de diagnostic standardisées.
Le fonctionnement de cette architecture graphique nécessite des allocations de ressources cloud spécifiques. Un graphique Amazon Neptune Analytics standard exécuté avec 16 unités de mémoire provisionnées entraîne des coûts opérationnels de 0,48 $ par heure. Les environnements de développement, tels que les notebooks Amazon SageMaker Jupyter exécutés sur des instances t3.medium, ajoutent des dépenses de calcul et de stockage de base. Les organisations doivent également prendre en compte les coûts de consommation de jetons dynamiques générés par le modèle Amazon Bedrock Claude 4.5 Sonnet lors du traitement des requêtes et de la génération des résumés.
La boîte à outils GraphRAG agit comme couche d’exécution entre l’interface utilisateur et la base de données sous-jacente. Un Knowledge Graph Linker dédié traite les requêtes entrantes en langage naturel, extrait les entités pertinentes à l’aide de l’indexation de chaînes floues et les mappe aux nœuds de graphique établis. Le système parcourt les chemins du réseau pour générer des liens relationnels plausibles avant de rédiger une réponse via le modèle linguistique hébergé par Bedrock.
La précision de la récupération dépend de la configuration de correspondance d’entité. Un composant EntityLinker aligne les termes en langage naturel des invites utilisateur sur le schéma de données structurées. Ce processus de correspondance floue gère le bruit inhérent et la terminologie variée que l’on trouve dans les ensembles de données d’entreprise complexes, garantissant ainsi aux utilisateurs de récupérer les nœuds corrects même lorsqu’ils utilisent un langage imprécis.
Modularité et architecture système
L’extraction de données repose en grande partie sur une analyse spécialisée de l’IA ; l’architecture emploie Claude pour évaluer les documents sources bruts et générer des résumés concis. Des outils spécifiques à un domaine mappent ensuite ces descriptions textuelles complexes à des taxonomies standardisées.
La boîte à outils GraphRAG Python initialise un BedrockGenerator pour alimenter les interactions en langage naturel, tandis que les ingénieurs configurent un composant Knowledge Graph Linker pour lier le magasin de graphiques au modèle de langage. Cette intégration crée une interface directe pour exécuter des requêtes et générer des réponses strictement fondées sur les données graphiques disponibles.
L’architecture sépare trois fonctions principales : l’initialisation du modèle de langage, l’interface graphique et la liaison d’entités. Le système étant modulaire, les équipes peuvent remplacer le modèle de langage ou modifier la structure du graphique sans avoir à démonter et reconstruire l’intégralité de l’application.
Les déploiements actifs de l’architecture Neptune et Bedrock renvoient des citations exactes et vérifiables pour chaque réponse générée. Le système cartographie l’intégralité du chemin de raisonnement, affichant les étapes spécifiques du parcours du graphique utilisées pour parvenir à une conclusion.
Les indicateurs de performance clés des premières entreprises qui l’ont adopté incluent une réduction de 87 % de la durée des cycles de recherche. Les phases de découverte initiales qui nécessitaient auparavant six mois se terminent désormais en trois semaines, et les vitesses de récupération des données affichent une amélioration de 85 %, permettant directement des tests d’hypothèses plus rapides. De plus, les délais d’examen des recherches diminuent de 70 % grâce aux fonctionnalités automatisées de cartographie des citations et de vérification des sources.
Les équipes d’ingénierie peuvent intégrer de nouvelles bases de données publiques ou des notes internes dans la structure graphique existante sans perturber les interfaces de requête actives. Pour la gouvernance et la conformité, les preuves exactes requises pour les soumissions réglementaires sont capturées, avec des visualisations de parcours graphiques prouvant précisément comment un modèle d’IA a connecté des variables complexes. Les équipes peuvent retracer chaque sortie directement jusqu’aux documents sources, répondant ainsi aux exigences de conformité en matière d’intégrité scientifique.
Enfin, le maintien d’un graphique de connaissances centralisé stoppe la dégradation des données. Lorsque des scientifiques chevronnés démissionnent, leurs connaissances tacites concernant les comportements du système ou les expériences ratées restent indexées dans la base de données Neptune. Le nouveau personnel peut interroger le système pour revoir les décisions passées et accéder instantanément au contexte historique d’un projet en cours.
À mesure que les frameworks GraphRAG mûrissent, il est peu probable que ce modèle de déploiement reste confiné à la recherche pharmaceutique. La capacité de cartographier de manière déterministe des données internes non structurées par rapport à des référentiels publics vérifiés fournit un modèle à toute entreprise qui lutte pour extraire des informations exploitables à partir de systèmes existants fragmentés.
