Uma implantação de GraphRAG (Graph Retrieval-Augmented Generation) da AWS reduziu em 87% os ciclos de pesquisa e desenvolvimento farmacêutico. Fases iniciais de descoberta que antes levavam mais de seis meses agora são concluídas em três semanas.
O segredo está na integração de bancos de dados proprietários — antes isolados em silos — em um grafo de conhecimento unificado e consultável, combinado com processamento de linguagem natural.
O problema que a arquitetura resolve
Historicamente, as fases de coleta e triagem de dados levavam mais de seis meses por iteração, com taxa de sucesso de apenas 5%. Dados cruciais — métricas clínicas, anotações de laboratório, registros internos de engenharia — ficavam isolados em diferentes ambientes de armazenamento, bloqueando a descoberta de correlações latentes. Quando cientistas deixavam a empresa, levavam consigo o contexto de projetos inteiros.
A arquitetura GraphRAG da AWS
A solução combina Amazon Neptune Analytics (banco de dados de grafos) com Amazon Bedrock rodando Claude 4.5 Sonnet, da Anthropic. O fluxo funciona assim:
- Ingestão de dados: arquivos não estruturados de bases públicas como PubMed são combinados com registros corporativos internos.
- Extração de entidades: o Amazon Comprehend Medical extrai códigos médicos padronizados dos textos.
- Sumarização: o Claude 4.5 Sonnet (via Bedrock) resume documentos e determina relevância tópica.
- Construção do grafo: funções AWS Lambda e cargas em lote do S3 populam o Neptune Analytics. Os nós representam entidades como classes de domínio, autores e journals; as arestas mapeiam classificações hierárquicas e associações.
Resultados mensuráveis
| Métrica | Antes | Depois | Melhoria |
|---|---|---|---|
| Ciclo de descoberta inicial | 6+ meses | 3 semanas | 🔽 87% |
| Velocidade de recuperação de dados | Baseline | – | 🔼 85% |
| Tempo de revisão de pesquisa | Baseline | – | 🔽 70% |
| Taxa de sucesso na triagem | 5% | Significativamente maior | 🔼 |
Arquitetura modular e custos
O sistema é modular em três camadas: inicialização do modelo de linguagem, interface com o grafo e entity linking. Isso permite trocar o modelo ou ajustar a estrutura do grafo sem reconstruir toda a aplicação.
Os custos operacionais incluem US$ 0,48 por hora para um grafo Neptune Analytics com 16 unidades de memória provisionadas, mais despesas com instâncias SageMaker (t3.medium para desenvolvimento) e consumo de tokens do Claude 4.5 Sonnet durante o processamento de consultas.
Além da indústria farmacêutica
A capacidade de mapear deterministicamente dados internos não estruturados contra repositórios públicos verificados fornece um modelo replicável para qualquer empresa que luta para extrair inteligência acionável de sistemas legados fragmentados. O rastreamento completo de citações — cada resposta inclui o caminho de raciocínio percorrido no grafo — também atende a requisitos de compliance e integridade científica.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
