AWS, ilaç araştırma ortamlarında kullanılan GraphRAG tabanlı bir kurulumun Ar-Ge döngülerini %87 oranında kısalttığını açıkladı. Yapının temelinde, daha önce birbirinden kopuk duran kurumsal veri tabanlarının tek bir sorgulanabilir bilgi grafiğinde birleştirilmesi yer alıyor. Böylece hem şirket içi kayıtlar hem de açık erişimli bilimsel kaynaklar, doğal dil sorgularıyla erişilebilir hale geliyor.
Geleneksel süreçte ilk veri toplama ve tarama aşamalarının her yinelemede altı aydan uzun sürdüğü, buna karşın başarı oranının yaklaşık %5 seviyesinde kaldığı belirtiliyor. Sorunun merkezinde; klinik metrikler, mühendislik notları, laboratuvar kayıtları ve diğer kurumsal verilerin farklı depolama ortamlarında izole halde tutulması bulunuyor. Bu parçalı yapı, veri bilimcilerin gizli ilişkileri ortaya çıkarmasını zorlaştırırken, ekipten ayrılan çalışanlarla birlikte proje bağlamının da kaybolmasına yol açabiliyor.
AWS’nin çözümü, grafik veritabanı yaklaşımını doğal dil işleme ile bir araya getiriyor. Kurulumda Amazon Neptune Analytics ve Amazon Bedrock kullanılıyor. Amaç, bağlantısız veri noktalarını aranabilir bir ilişki ağına dönüştürmek. Kullanıcılar standart doğal dil sorguları giriyor; sistem de yanıtları doğrulanmış alan literatürü ve kurum içi veri kümeleriyle ilişkilendirerek sunuyor.
Bununla birlikte, izole kurumsal veri setleriyle yapılandırılmamış açık erişim depolarını tek çatı altında toplamak, önemli veri normalizasyonu zorlukları doğuruyor. Hatalı ilişkisel eşlemeleri önlemek ve halüsinasyon riskini azaltmak için katı şema yönetimi gerekiyor. Sistem, yanıt üretiminde yalnızca grafikte tanımlanmış düğüm ve ilişkileri temel alarak daha belirleyici bir çerçeve kurmaya çalışıyor.
Bilgi grafiğinin inşasında şirketler kendi grafiklerini sisteme bağlayabiliyor. Altyapı, PubMed gibi herkese açık veritabanlarındaki dağınık ve yapılandırılmamış dosyaları alıp bunları şirket içi kayıtlarla birleştiriyor. Amazon Comprehend Medical gibi araçlar metinlerden standart tıbbi kodları çıkarıyor. Amazon Bedrock üzerinde çalışan Anthropic Claude 4.5 Sonnet ise belge özetleri oluşturuyor ve içeriklerin konu açısından uygunluğunu değerlendiriyor.
İşlenen veriler, AWS Lambda işlevleri ve Amazon S3 toplu yükleme süreçleriyle Amazon Neptune Analytics’e aktarılıyor. Ortaya çıkan bilgi grafiğinde; alan sınıfları, yazarlar, dergiler ve gömülü metin parçaları gibi temel varlıklar ayrı düğümler olarak temsil ediliyor. Kenarlar ise bu düğümler arasındaki ilişkileri tanımlıyor; böylece hiyerarşik sınıflandırmalar ve varlık bağlantıları haritalanıyor. Bu yapı, daha isabetli bilgi erişimi için gerekli deterministik temeli sağlıyor.
Veritabanı şeması, RAG keşif sürecinin sınırlarını açık biçimde çiziyor. Düğümler, belirli koşulları yakalayacak ve bunları yerleşik ontolojilere hiyerarşik olarak bağlayacak şekilde düzenleniyor. Yazar ve dergi düğümleri, yayımlanmış araştırmalar için kaynak takibi sağlıyor. Uzun belgeler, Amazon Bedrock Knowledge Base’in parçalara ayırma stratejileriyle daha yönetilebilir metin segmentlerine bölünüyor; sınıflandırma düğümleri de yapılandırılmamış metni standart tanısal metriklere sabitliyor.
Bu mimarinin çalıştırılması belirli bulut kaynakları gerektiriyor. 16 provisioned memory unit ile çalışan standart bir Amazon Neptune Analytics grafiğinin operasyonel maliyeti saat başına $0.48 olarak veriliyor. t3.medium tabanlı Amazon SageMaker Jupyter notebook ortamları da ek hesaplama ve depolama giderleri oluşturuyor. Buna ek olarak, sorgu işleme ve özet üretimi sırasında Amazon Bedrock Claude 4.5 Sonnet modelinin tükettiği token maliyetleri de toplam harcamaya dahil ediliyor.
GraphRAG araç seti, kullanıcı arayüzü ile alttaki veritabanı arasında yürütme katmanı olarak görev yapıyor. Ayrı bir Knowledge Graph Linker, doğal dil sorgularını işliyor, ilgili varlıkları bulanık dize indeksleme yöntemleriyle çıkarıyor ve bunları grafikteki yerleşik düğümlere eşliyor. Sistem daha sonra ağ üzerindeki yolları izleyerek olası ilişkisel bağlantıları kuruyor ve yanıt taslağını Bedrock üzerinde çalışan dil modeliyle oluşturuyor.
Erişim doğruluğu, varlık eşleme yapılandırmasına bağlı. EntityLinker bileşeni, kullanıcı sorgularındaki doğal dil ifadelerini yapılandırılmış veri şemasıyla hizalıyor. Bu bulanık eşleme yaklaşımı, kurumsal veri kümelerinde sık görülen terminoloji farklılıklarını ve gürültüyü yönetmeye yardımcı oluyor. Böylece kullanıcılar tam doğru terimi kullanmasa bile ilgili düğümlere ulaşabiliyor.
Mimari tarafında üç temel işlev ayrıştırılıyor: dil modelinin başlatılması, grafik arayüzü ve varlık bağlama katmanı. Bu modüler yapı sayesinde ekipler, tüm uygulamayı baştan kurmadan dil modelini değiştirebiliyor veya grafiğin yapısını güncelleyebiliyor. Ayrıca aktif Neptune ve Bedrock kurulumlarında, üretilen her yanıt için doğrulanabilir ve net atıflar döndürüldüğü, sonuca ulaşmak için kullanılan grafik geçiş adımlarının da gösterilebildiği belirtiliyor.
Erken kurumsal kullanıcı verilerine göre araştırma döngü süresi %87 azalıyor. Daha önce altı ay süren ilk keşif aşamaları yaklaşık üç haftada tamamlanabiliyor. Veri erişim hızında %85, araştırma inceleme sürelerinde ise otomatik atıf eşleme ve kaynak doğrulama sayesinde %70 iyileşme bildiriliyor. Yeni açık veritabanları veya şirket içi notlar mevcut yapıya aktif sorgu arayüzlerini bozmadan eklenebiliyor. Düzenleyici uyumluluk açısından da her çıktının kaynağa kadar izlenebilmesi, özellikle bilimsel bütünlük ve denetim süreçlerinde önemli bir avantaj sağlıyor. Merkezi bilgi grafiği yaklaşımı ayrıca kurumsal hafızayı koruyarak, ekip değişimlerinde kritik bilginin kaybolmasını önlemeyi hedefliyor.
