AWS wdrożył rozwiązanie GraphRAG, które zmniejszyło cykle badań nad lekami o 87 procent poprzez powiązanie wcześniej izolowanych systemów baz danych w jeden przeszukiwalny graf wiedzy. Tradycyjnie początkowe fazy gromadzenia i selekcji danych trwały ponad sześć miesięcy na iterację, przy czym powodzenie osiągało zaledwie pięć procent. Krytyczne zbiory danych - od specjalistycznych wskaźników klinicznych po notatki inżynieryjne i laboratoryjne - były rozproszone w oddzielnych magazynach, uniemożliwiając naukowcom odkrywanie ukrytych korelacji między informacjami.
Rozwiązanie AWS łączy grafy baz danych z przetwarzaniem języka naturalnego, wykorzystując Amazon Neptune Analytics i Bedrock do przekształcenia rozłącznych punktów danych w przeszukiwalną sieć. Pracownicy mogą teraz zadawać pytania w naturalnym języku i otrzymywać odpowiedzi powiązane ze zweryfikowaną literaturą domenową i wewnętrznymi zbiorami danych. Problem polega na tym, że integracja rozproszonych danych proprietary z nieustrukturyzowanymi otwartymi repozytoriami, takimi jak PubMed, wprowadza znaczące wyzwania normalizacji danych i ryzyka halucynacji AI, wymagając ścisłej kontroli schematów.
System pozwala firmom farmaceutycznym na podłączenie własnych grafów wiedzy i automatyczne przetwarzanie bałaganu danych z publicznych baz danych. Praktyczne znaczenie to ogromne - wcześniej, gdy pracownicy opuszczali firmę, zabierali ze sobą krytyczny kontekst projektu, paraliżując aktywne badania. Ujednolicona platforma eliminuje tę podatność i pozwala na szybsze odkrycie relacji między danymi, które mogły umknąć w tradycyjnych systemach silo.