Sześć miesięcy żmudnego przesiewania danych, pięcioprocentowa skuteczność i wiedza, która znika razem z odchodzącymi pracownikami — tak przez dekady wyglądał etap wstępny badań farmaceutycznych. AWS pokazało w 2025 roku, że połączenie grafowych baz danych z generatywną AI może skompresować ten cykl do zaledwie kilku tygodni, redukując czas iteracji o 87 procent. Dla redakcji IWD Partner ta liczba jest nie tyle imponująca, co symptomatyczna: nie chodzi o to, że AI jest szybsza od człowieka — chodzi o to, że po raz pierwszy potrafi ona zobaczyć połączenia między danymi, które przez lata były od siebie odizolowane.
Co to jest GraphRAG i czym różni się od klasycznego RAG?
GraphRAG (Graph Retrieval-Augmented Generation) to architektura łącząca grafowe bazy danych z modelem językowym, która zamiast przeszukiwać płaskie wektory embeddingów, porusza się po strukturze relacji między encjami. Klasyczny RAG (Retrieval-Augmented Generation) działa jak zaawansowana wyszukiwarka: pobiera fragmenty tekstu semantycznie podobne do zapytania i podaje je modelowi jako kontekst. GraphRAG dodaje do tego całą warstwę topologiczną — wie nie tylko, że dwa dokumenty mówią o podobnej cząsteczce, lecz także, że autor jednego z nich współpracował z laboratorium, które opublikowało drugi.
W praktyce farmaceutycznej ta różnica jest kolosalna. Dane kliniczne, notatki laboratoryjne, wewnętrzna dokumentacja inżynierska i artykuły z PubMed historycznie żyły w osobnych silosach. Grafy pozwalają te silosy połączyć w jeden spójny, przeszukiwalny sieciowy model wiedzy, w którym każde zapytanie w języku naturalnym trafia do struktury deterministycznej, a nie probabilistycznej.
Jak działa architektura zbudowana przez AWS?
Infrastruktura opiera się na trzech kluczowych usługach AWS: Amazon Neptune Analytics jako grafowa baza danych, Amazon Bedrock z modelem Anthropic Claude 4.5 Sonnet jako silnik generatywny, oraz Amazon Comprehend Medical do ekstrakcji standaryzowanych kodów medycznych z tekstu nieustrukturyzowanego. Całość pipeline’u ingestion uruchamiana jest przez AWS Lambda, a masowe ładowanie danych odbywa się przez Amazon S3.
Przepływ danych zaczyna się od publicznych repozytoriów, przede wszystkim PubMed, oraz wewnętrznych baz korporacyjnych. Amazon Comprehend Medical skanuje surowy tekst i wyciąga z niego standardowe kody diagnostyczne i farmakologiczne — bez tego kroku normalizacji dwa dokumenty opisujące tę samą substancję czynną pod różnymi nazwami handlowymi byłyby dla grafu niewidoczne wobec siebie. Claude 4.5 Sonnet podsumowuje zawartość dokumentów i ocenia ich tematyczną relewancję, zanim trafią do grafu.
Struktura grafu — węzły i krawędzie
Wynikowy graf wiedzy organizuje dane w węzły reprezentujące konkretne klasy encji: jednostki chorobowe, autorów, czasopisma naukowe, fragmenty tekstowe oraz klasyfikacje ontologiczne. Krawędzie między węzłami kodują relacje hierarchiczne i asocjacyjne — na przykład powiązanie cząsteczki z mechanizmem działania, a mechanizmu z konkretnym autorem badania i instytucją, w której pracował.
Długie dokumenty są dzielone na mniejsze segmenty przy użyciu strategii chunkingu dostępnych w Amazon Bedrock Knowledge Base. Każdy chunk jest zakotwiczony w grafie przy pomocy węzłów klasyfikacyjnych, co zapewnia, że nieustrukturyzowany tekst pozostaje powiązany ze standaryzowanymi metrykami diagnostycznymi. Ten deterministyczny fundament jest kluczowy dla minimalizacji ryzyka halucynacji modelu językowego.
Koszt operacyjny standardowej instancji
| Konfiguracja Neptune Analytics | Provisioned Memory Units | Koszt / godzina |
|---|---|---|
| Środowisko produkcyjne (standard) | 16 PMU | 0,48 USD |
| Środowisko deweloperskie | Zredukowana konfiguracja | Niższy tier (szczegóły zależne od regionu) |
Redakcja IWD Partner: GraphRAG w farmacji przypomina nam sytuację, którą dobrze znamy z archiwistyki historycznej: przez lata uczeni pracowali na osobnych zbiorach dokumentów, nie wiedząc, że klucz do odkrycia leżał w połączeniu dwóch niezależnych archiwów. AI nie zastępuje tu naukowca — pełni rolę archiwisty, który wreszcie ma dostęp do wszystkich szaf jednocześnie. Pytanie, które nas niepokoi, brzmi jednak inaczej: co się stanie, gdy dwa równie dobrze zindeksowane, ale sprzeczne ze sobą zbiory danych zostaną połączone bez wystarczającej weryfikacji źródeł? Redukcja halucynacji przez deterministyczne grafy to krok we właściwym kierunku, ale nie gwarancja.
Dlaczego izolacja danych była tak kosztowna dla farmacji?
Przed wdrożeniem rozwiązania opartego na GraphRAG sam etap gromadzenia i wstępnego przesiewania danych trwał ponad sześć miesięcy na każdą iterację badawczą, a wskaźnik skuteczności wynosił zaledwie 5 procent. Oznacza to, że dziewięćdziesiąt pięć na sto przebadanych ścieżek badawczych kończyło się ślepą uliczką — i to zanim jeszcze zaczęły się właściwe eksperymenty laboratoryjne.
Jednym z najpoważniejszych problemów był tzw. efekt odejścia eksperta. Kiedy doświadczony badacz lub inżynier opuszczał organizację, zabierał ze sobą kontekst aktywnych projektów zakodowany wyłącznie w jego pamięci lub prywatnych notatkach. Zunifikowany graf wiedzy rozwiązuje ten problem strukturalnie: wiedza przestaje być atrybutem osoby, staje się atrybutem systemu. Według danych AWS opublikowanych w 2025 roku opisujące wdrożenie farmaceutyczne, właśnie ten mechanizm był jednym z największych czynników odpowiadających za skrócenie cyklu o 87 procent.
Jakie są ograniczenia i wyzwania tej architektury?
Normalizacja danych to największa techniczna pułapka całego podejścia. Łączenie zamkniętych, firmowych zbiorów danych z otwartymi repozytoriami publicznymi — takimi jak PubMed czy bazy ontologiczne — wymaga ścisłego schema governance, czyli precyzyjnych reguł określających, jak encje z różnych źródeł mają być mapowane na węzły grafu. Błędne mapowanie relacyjne może wprowadzić do grafu systemowe przekłamania, które model językowy będzie następnie odtwarzał jako pewniki.
Ryzyko halucynacji, choć zredukowane przez deterministyczną strukturę grafu, nie zostaje całkowicie wyeliminowane. Model Claude 4.5 Sonnet generuje odpowiedzi zakorzenione w weryfikowalnych węzłach i krawędziach — jednak jakość tych odpowiedzi jest wprost proporcjonalna do kompletności i spójności samego grafu. Firmy planujące podobne wdrożenia muszą inwestować nie tylko w infrastrukturę chmurową, ale w długoterminowe procesy zarządzania danymi.
Architektura jest też modułowa w swoim założeniu: organizacje mogą podłączyć własne grafy wiedzy do opisanego frameworka. To oznacza, że firmy dysponujące już wewnętrznymi ontologiami lub grafami korporacyjnymi mogą stopniowo rozszerzać istniejące struktury, zamiast budować wszystko od zera. Według dokumentacji AWS z 2025 roku, framework zakłada natywną kompatybilność z zewnętrznymi grafami domenowymi.
Dlaczego GraphRAG w badaniach farmaceutycznych ma znaczenie?
Redukcja czasu wstępnej fazy badań o 87 procent to nie tylko statystyczna ciekawostka — przekłada się bezpośrednio na ekonomię całego cyklu opracowywania leku. Według danych Tufts Center for the Study of Drug Development z 2023 roku, koszt doprowadzenia nowego leku do rynku przekracza 2,6 miliarda dolarów, a znaczna część tej kwoty pochodzi właśnie z nieudanych iteracji wczesnej fazy. Skrócenie każdej z tych iteracji z sześciu miesięcy do kilku tygodni może zmienić nie tylko rachunek ekonomiczny, ale i tempo, w jakim nowe terapie trafiają do pacjentów.
GraphRAG otwiera też drzwi do wykrywania korelacji, które były wcześniej niewidoczne z powodów czysto organizacyjnych, a nie merytorycznych. Związek między wynikiem laboratoryjnym a notatką inżynierską sprzed trzech lat mógł być kluczowy dla odkrycia — ale nikt go nie zauważył, bo te dane nigdy nie znalazły się w tym samym interfejsie. Skala możliwości, jakie otwiera maszynowe przeszukiwanie relacji w ujednoliconym grafie, jest jeszcze w dużej mierze niezbadana według wstępnych danych z 2025 roku — i to właśnie sprawia, że to wdrożenie jest punktem zwrotnym, a nie kolejnym przyrostem wydajności.
Powiązane pojęcia z AI i uczenia maszynowego
- RAG (Retrieval-Augmented Generation) — architektura modelu językowego, w której odpowiedzi są generowane na podstawie dokumentów pobranych w czasie rzeczywistym z zewnętrznej bazy wiedzy, a nie wyłącznie z parametrów modelu.
- Graf wiedzy (Knowledge Graph) — strukturalna reprezentacja danych w formie węzłów (encji) i krawędzi (relacji), umożliwiająca maszynowe przeszukiwanie powiązań między pojęciami.
- Ontologia domenowa — formalna specyfikacja pojęć i relacji w danej dziedzinie wiedzy, służąca jako wspólny słownik dla systemów przetwarzających dane z różnych źródeł.
- Schema governance — zbiór reguł i procesów określających, jak dane z różnych źródeł są mapowane, walidowane i integrowane w ramach wspólnej struktury bazy danych.
- Halucynacja modelu językowego — zjawisko generowania przez model językowy informacji brzmiących wiarygodnie, ale niemających pokrycia w danych źródłowych ani rzeczywistości.
Na podstawie materiałów źródłowych.
