Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAnálise · No radarAWS Machine Learning Blog→ original

Novo Nordisk ensinou agentes de IA a responder com base em procedimentos internos: de horas e dias para minutos

A Novo Nordisk, fabricante de medicamentos para diabetes e obesidade, ensinou um assistente de IA a responder com base nos procedimentos das fábricas. Diante da pergunta "quais amostras são coletadas no granulador?", ele primeiro pergunta qual é a fábrica, a geração do produto e o equipamento, e só depois faz a busca. Tarefas de especialistas que levavam horas ou dias agora são resolvidas em minutos, com citações de documentos aprovados. Para a indústria farmacêutica e outros setores regulados, é mais seguro perguntar de novo do que errar com confiança.

Processado por IA de AWS Machine Learning Blog; editado por Hamidun News
Novo Nordisk ensinou agentes de IA a responder com base em procedimentos internos: de horas e dias para minutos
Fonte: AWS Machine Learning Blog. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalAWS Machine Learning Blog ↗
Editor-chefe
Dado-chave #1O grafo de conhecimento no Amazon Neptune e a busca no OpenSearch são ligados pelos números dos documentos
Dado-chave #2Por padrão, a resposta vem de versões aprovadas, não de rascunhos
Dado-chave #3Se não houver material, o assistente diz isso claramente, em vez de inventar

Imagine a pergunta: "Quais amostras são coletadas no granulador?" Em uma fábrica de comprimidos, ela não tem uma única resposta correta. Tudo depende da unidade, da geração do produto, do equipamento específico e do tamanho do lote. Se o assistente pegar uma instrução desatualizada ou um documento de outra fábrica, na indústria farmacêutica isso vira problema de qualidade e de auditoria. Foi esse o desafio enfrentado pela equipe de Manufacturing Technology da área de comprimidos da Novo Nordisk. Ela construiu um assistente de IA na AWS e, segundo os autores, o trabalho de especialistas que levava horas ou dias foi reduzido a minutos.

Por que a busca comum não funciona aqui

A Novo Nordisk produz medicamentos para diabetes e obesidade. Cada etapa relevante da produção está descrita em documentos controlados: procedimentos operacionais padrão, instruções de trabalho, formulários e materiais de treinamento. Esses documentos são atualizados o tempo todo, por causa de novas exigências de órgãos reguladores, troca de equipamentos, melhorias de processo e apontamentos de auditores. O que precisa ser revisado, o que aguarda aprovação e o que exige atenção urgente era, em grande parte, acompanhado em planilhas e sistemas dispersos. Isso é lento, sujeito a erros e escala mal: um documento desatualizado pode permanecer em circulação por muito tempo.

Há um segundo problema. O conhecimento está espalhado por versões, unidades e programas, e muitas vezes só um funcionário experiente, que sabe onde olhar, conseguia encontrar o que era preciso. A busca por palavras-chave devolve uma lista de arquivos, não uma resposta. O RAG vetorial convencional (busca por significado seguida da geração de resposta por um modelo) entende melhor perguntas em linguagem natural. Mas ele se confunde com identificadores exatos, como números de documentos e códigos de equipamentos, e responde mal a perguntas sobre as relações entre documentos. O principal: ele não sabe dizer com honestidade que não há material adequado, e para um setor regulado isso é crítico.

Como funciona o GraphRAG da Novo Nordisk

A base é o GraphRAG: um grafo de conhecimento somado à busca em texto. O grafo no Amazon Neptune guarda a estrutura e as relações: a qual processo o documento pertence, a que ele faz referência, a qual unidade, produto e equipamento está vinculado. A busca no Amazon OpenSearch Serverless combina a comparação semântica (embeddings do Amazon Titan) com a correspondência exata de palavras pelo algoritmo BM25. Os resultados dos dois métodos são unificados pelo método reciprocal rank fusion, ou seja, por um ranking combinado. Assim, o sistema encontra tanto documentos pelo sentido da pergunta quanto documentos pelo código exato do equipamento.

Os dois repositórios não foram fundidos de propósito em um único mecanismo. O que os liga é o número do documento: ele existe tanto no trecho encontrado quanto no nó do grafo. Por isso, o parágrafo encontrado vira imediatamente a porta de entrada para o grafo, sem correspondência aproximada. Em seguida, o grafo acrescenta documentos vizinhos e referências, e um modelo de reranking (cross-encoder no Amazon Bedrock Rerank) lê a pergunta junto com cada candidato e os reordena por precisão.

Os agentes rodam no Amazon Bedrock AgentCore, são escritos com o Strands Agents SDK e usam modelos Claude, da Anthropic. Os documentos entram no sistema por um pipeline no AWS Step Functions e Lambda, a leitura dos arquivos é feita pelo Bedrock Data Automation, e a infraestrutura é descrita em AWS CDK.

O esquema do grafo é fixo e foi definido por especialistas. O nível superior é uma árvore de processos com cerca de três níveis, e cada documento é vinculado ao nível mais baixo que se aplica. O nível inferior reúne as entidades do domínio: unidades, gerações de produto, equipamentos, etapas do processo. Os autores explicam a escolha assim: quando o próprio modelo inventa as entidades, o resultado é ruidoso, difícil de manter e de verificar para os auditores. Na indústria farmacêutica já existe uma ontologia pronta feita por especialistas, e novas entidades são adicionadas com participação humana.

Primeiro esclarecer, depois buscar

A ideia mais marcante é o guided mode. O RAG comum primeiro busca e depois responde. Aqui a ordem é inversa: se a pergunta é ambígua, o agente faz uma pergunta curta de esclarecimento e só então busca.

Atributos universais, como a unidade e a geração do produto, ele pergunta diretamente. Todo o resto, como equipamento ou tamanho do lote, é obtido do grafo no momento da consulta. O agente associa o termo do usuário a nós reais do grafo, descarta o que já é conhecido e, se houver várias opções, sugere o atributo que de fato as diferencia.

As opções vêm apenas de valores existentes, o que reduz o risco de alternativas inventadas. Quando os especialistas adicionam à taxonomia um novo atributo diferenciador, o assistente passa a perguntar sobre ele sem ajuste de prompts ou de código.

A resposta é montada a partir de fontes aprovadas, com referências a elas, e o assistente diz abertamente quando o conteúdo necessário não existe. Por padrão, as versões de trabalho são as aprovadas e vigentes, não rascunhos nem edições desatualizadas.

O que levar daqui

Há ressalvas. Este é um relato da AWS sobre um cliente próprio, e o "horas e dias em vez de minutos" é apresentado sem metodologia de medição e sem verificação independente. O texto disponível não traz métricas detalhadas de qualidade das respostas.

Ainda assim, a lição prática vale para todos que constroem RAG corporativo. Se a base tem versões, status e escopos de aplicação dos documentos, um banco vetorial sozinho não basta: é preciso um esquema explícito de relações, como o da Novo Nordisk. É melhor fazer ao usuário uma pergunta de esclarecimento do que entregar uma resposta confiante sobre a unidade errada. E a resposta "não há dados" deve ser um resultado legítimo do trabalho do sistema.

História

Perguntas frequentes sobre a notícia

Por que a busca comum não funciona aqui?

A Novo Nordisk produz medicamentos para diabetes e obesidade. Cada etapa relevante da produção está descrita em documentos controlados: procedimentos operacionais padrão, instruções de trabalho, formulários e materiais de treinamento. Esses documentos são atualizados o tempo todo, por causa de novas exigências de órgãos reguladores, troca de equipamentos, melhorias de processo e apontamentos de auditores.

Como funciona o GraphRAG da Novo Nordisk?

A base é o GraphRAG: um grafo de conhecimento somado à busca em texto. O grafo no Amazon Neptune guarda a estrutura e as relações: a qual processo o documento pertence, a que ele faz referência, a qual unidade, produto e equipamento está vinculado. A busca no Amazon OpenSearch Serverless combina a comparação semântica (embeddings do Amazon Titan) com a correspondência exata de palavras pelo algoritmo BM25.

O que se sabe sobre Primeiro esclarecer, depois buscar?

A ideia mais marcante é o guided mode. O RAG comum primeiro busca e depois responde. Aqui a ordem é inversa: se a pergunta é ambígua, o agente faz uma pergunta curta de esclarecimento e só então busca. Atributos universais, como a unidade e a geração do produto, ele pergunta diretamente. Todo o resto, como equipamento ou tamanho do lote, é obtido do grafo no momento da consulta.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
O que você acha?
Carregando comentários…