Penerapan AWS GraphRAG memangkas siklus penelitian obat sebesar 87%

Perkembangan ini menjadi salah satu sorotan penting dalam perkembangan AI dan transformasi digital. Penerapan AWS GraphRAG baru-baru ini mengurangi siklus penelitian dan pengembangan obat di lingkungan farmasi sebesar 87 persen.

Penerapan AWS GraphRAG baru-baru ini mengurangi siklus penelitian dan pengembangan obat di lingkungan farmasi sebesar 87 persen. Percepatan ini dicapai dengan mengintegrasikan database kepemilikan yang sebelumnya terpisah ke dalam grafik pengetahuan yang terpadu dan dapat dikueri.

Secara historis, tahap pengumpulan dan penyaringan data awal memakan waktu lebih dari enam bulan untuk setiap iterasi, sehingga menghasilkan tingkat keberhasilan yang rendah yaitu lima persen. Kumpulan data penting – mulai dari metrik klinis khusus domain hingga teknik internal dan catatan laboratorium – diisolasi di seluruh lingkungan penyimpanan, sehingga secara efektif menghalangi ilmuwan data untuk mengungkap korelasi laten. Ketika staf keluar, mereka membawa serta konteks proyek yang penting, sehingga menghambat penelitian aktif.

Fungsi AWS Lambda dan pemuatan massal Amazon S3 kemudian merutekan elemen yang diproses ini ke Amazon Neptune Analytics. Grafik pengetahuan yang dihasilkan menyusun data menjadi node terpisah yang mewakili entitas inti seperti kelas khusus domain, penulis, jurnal sumber, dan potongan teks yang disematkan. Tepi grafik menentukan hubungan antara node-node ini, memetakan klasifikasi hierarki dan asosiasi entitas. Representasi terstruktur ini memberikan landasan deterministik yang diperlukan untuk pengambilan informasi yang akurat.

Mengoperasikan arsitektur grafik ini memerlukan alokasi sumber daya cloud yang spesifik. Grafik Amazon Neptune Analytics standar yang berjalan dengan 16 unit memori yang disediakan menimbulkan biaya operasional sebesar $0, 48 per jam. Lingkungan pengembangan, seperti notebook Amazon SageMaker Jupyter yang berjalan pada instans t3. medium, menambah pengeluaran komputasi dan penyimpanan dasar. Organisasi juga harus memperhitungkan biaya konsumsi token dinamis yang dihasilkan oleh model Amazon Bedrock Claude 4. 5 Sonnet selama pemrosesan kueri dan pembuatan abstrak.

Metrik kinerja utama dari pengguna awal perusahaan mencakup pengurangan durasi siklus penelitian sebesar 87 persen. Fase penemuan awal yang sebelumnya memerlukan waktu enam bulan kini berakhir dalam tiga minggu, dan kecepatan pengambilan data menunjukkan peningkatan sebesar 85 persen, yang secara langsung mendukung pengujian hipotesis yang lebih cepat. Selain itu, waktu peninjauan penelitian turun hingga 70 persen karena pemetaan kutipan otomatis dan fitur verifikasi sumber.

Seiring dengan semakin matangnya kerangka GraphRAG, model penerapan ini kemungkinan besar tidak akan terbatas pada penelitian farmasi saja. Kemampuan untuk memetakan data internal dan tidak terstruktur secara deterministik terhadap repositori publik yang terverifikasi memberikan cetak biru bagi perusahaan mana pun yang berupaya mengekstraksi intelijen yang dapat ditindaklanjuti dari sistem lama yang terfragmentasi.

Secara keseluruhan, perkembangan ini memberi gambaran tentang arah terbaru di perkembangan AI dan transformasi digital dan alasan mengapa topik ini tetap relevan untuk terus dipantau.

Baca sumber asli dari artificialintelligence-news. com