Novo Nordisk научила ИИ-агентов отвечать по регламентам: вместо часов и дней — минуты
Novo Nordisk, производитель лекарств от диабета и ожирения, научила ИИ-ассистента отвечать по заводским регламентам. На вопрос «какие пробы берут на грануляторе?» он сначала уточняет завод, поколение продукта и оборудование, и лишь потом ищет. Задачи экспертов, на которые уходили часы или дни, теперь решаются за минуты, с цитатами из утверждённых документов. Для фармы и других регулируемых отраслей надёжнее переспросить, чем уверенно ошибиться.
AI-обработка оригинала AWS Machine Learning Blog; редакция Hamidun News
Представьте вопрос: «Какие пробы берут на грануляторе?» На заводе по выпуску таблеток у него нет одного правильного ответа. Всё зависит от площадки, поколения продукта, конкретной установки и размера партии. Если ассистент возьмёт устаревшую инструкцию или документ с другого завода, в фармацевтике это обернётся проблемами с качеством и аудитом. Именно такую задачу решала команда Manufacturing Technology из таблеточного направления Novo Nordisk. Она построила ИИ-ассистента на AWS, и по словам авторов, работа экспертов, которая занимала часы или дни, сократилась до минут.
Почему обычный поиск здесь не работает
Novo Nordisk выпускает лекарства от диабета и ожирения. Каждый значимый шаг производства описан в контролируемых документах: стандартных операционных процедурах, рабочих инструкциях, формах и учебных материалах. Документы постоянно обновляются из-за новых требований регуляторов, замены оборудования, улучшений процессов и замечаний аудиторов. Что пора пересмотреть, что ждёт согласования, а что срочно требует внимания, во многом отслеживали в таблицах и разрозненных системах. Это медленно, чревато ошибками и плохо масштабируется: устаревший документ может долго оставаться в обращении.
Есть и вторая проблема. Знания размазаны по версиям, площадкам и программам, и найти нужное часто мог только опытный сотрудник, который знает, где смотреть. Поиск по ключевым словам выдаёт список файлов, а не ответ. Обычный векторный RAG (поиск по смыслу с последующей генерацией ответа моделью) лучше понимает вопросы на живом языке. Но он путается в точных идентификаторах вроде номеров документов и кодов оборудования, плохо отвечает на вопросы о связях между документами. Главное, он не умеет честно сказать, что подходящего материала нет, а для регулируемой отрасли это критично.
Как устроен GraphRAG у Novo Nordisk
В основе лежит GraphRAG: к поиску по тексту добавлен граф знаний. Граф в Amazon Neptune хранит структуру и связи: к какому процессу относится документ, на что он ссылается, к какой площадке, продукту и оборудованию привязан. Поиск в Amazon OpenSearch Serverless сочетает смысловое сравнение (эмбеддинги Amazon Titan) и точное совпадение слов по алгоритму BM25. Результаты двух способов объединяются методом reciprocal rank fusion, то есть по общему рейтингу. Так находятся и документы по смыслу вопроса, и документы по точному коду оборудования.
Два хранилища намеренно не слиты в один движок. Их связывает номер документа: он есть и у найденного фрагмента, и у узла в графе. Поэтому найденный абзац сразу становится входом в граф без нечёткого сопоставления. Дальше граф добавляет соседние документы и ссылки, а модель-реранкер (cross-encoder в Amazon Bedrock Rerank) читает вопрос вместе с каждым кандидатом и пересортировывает их по точности.
Агенты работают на Amazon Bedrock AgentCore, написаны на Strands Agents SDK и используют модели Anthropic Claude. Документы попадают в систему через конвейер на AWS Step Functions и Lambda, разбор файлов идёт через Bedrock Data Automation, а инфраструктура описана в AWS CDK.
Схема графа фиксированная и составлена экспертами. Верхний уровень — дерево процессов примерно из трёх уровней, и каждый документ привязан к самому нижнему подходящему. Нижний уровень — сущности предметной области: площадки, поколения продуктов, оборудование, этапы процесса. Авторы объясняют выбор так: когда модель сама придумывает сущности, получается шумно, трудно поддерживать и проверять аудиторам. В фарме у отрасли уже есть готовая экспертная онтология, а новые сущности добавляются с участием человека.
Сначала уточнить, потом искать
Самая заметная идея — guided mode. Обычный RAG сначала ищет, а потом отвечает. Здесь порядок обратный: если вопрос неоднозначен, агент задаёт короткий уточняющий вопрос и только после этого ищет. Универсальные атрибуты, такие как площадка и поколение продукта, он спрашивает напрямую. Всё остальное, например оборудование или размер партии, берётся из графа в момент запроса. Агент сопоставляет термин пользователя с реальными узлами графа, отсекает уже известное и, если вариантов несколько, предлагает атрибут, который их действительно различает. Варианты берутся только из существующих значений, поэтому риск выдуманных вариантов снижен. Когда эксперты добавляют в таксономию новый различающий атрибут, ассистент начинает спрашивать о нём без правки промптов и кода.
Ответ собирается из утверждённых источников, со ссылками на них, и ассистент прямо говорит, когда нужного содержимого нет. Рабочие версии по умолчанию — утверждённые и действующие, а не черновики и не устаревшие редакции.
Что из этого взять себе
Есть оговорки. Это рассказ AWS о собственном клиенте, и «часы и дни вместо минут» дано без методики замера и независимой проверки. В доступном тексте нет детальных метрик качества ответов.
Практический урок всё равно понятен всем, кто строит корпоративный RAG. Если в базе есть версии, статусы и области применения документов, одной векторной базы мало: нужна явная схема связей, как у Novo Nordisk. Лучше задать пользователю один уточняющий вопрос, чем выдать уверенный ответ не про ту площадку. А ответ «данных нет» должен быть полноценным результатом работы системы.
- 22 нояб. 2026 г.Рабочий профиль Android закрыл утечку реального IP, которую не ловят Happ и v2rayNG
- 22 нояб. 2026 г.Anthropic вышла на Nasdaq: акции с $83 до $111, но выдержит ли безопасность
- 22 нояб. 2026 г.Databricks обсуждает раунд при оценке $225 млрд, почти на 20% выше августа
- 21 нояб. 2026 г.Anthropic с Claude заявила о доказательстве гипотезы Римана, Стэнфорд ответил без ИИ
Вопросы и ответы по материалу
Что известно по теме: почему обычный поиск здесь не работает?
Novo Nordisk выпускает лекарства от диабета и ожирения. Каждый значимый шаг производства описан в контролируемых документах: стандартных операционных процедурах, рабочих инструкциях, формах и учебных материалах. Документы постоянно обновляются из-за новых требований регуляторов, замены оборудования, улучшений процессов и замечаний аудиторов. Что пора пересмотреть, что ждёт согласования, а что срочно требует внимания, во многом отслеживали в таблицах и разрозненных системах.
Что известно по теме: как устроен GraphRAG у Novo Nordisk?
В основе лежит GraphRAG: к поиску по тексту добавлен граф знаний. Граф в Amazon Neptune хранит структуру и связи: к какому процессу относится документ, на что он ссылается, к какой площадке, продукту и оборудованию привязан. Поиск в Amazon OpenSearch Serverless сочетает смысловое сравнение (эмбеддинги Amazon Titan) и точное совпадение слов по алгоритму BM25. Результаты двух способов объединяются методом reciprocal rank fusion, то есть по общему рейтингу.
Что известно по теме: сначала уточнить, потом искать?
Самая заметная идея — guided mode. Обычный RAG сначала ищет, а потом отвечает. Здесь порядок обратный: если вопрос неоднозначен, агент задаёт короткий уточняющий вопрос и только после этого ищет. Универсальные атрибуты, такие как площадка и поколение продукта, он спрашивает напрямую. Всё остальное, например оборудование или размер партии, берётся из графа в момент запроса.
От чтения про ИИ-агентов — к запуску своего агента за вечер
Пошаговая сборка автономных агентов и MCP-связок в Hamidun Academy (academy.hamidun.com) (72 часа бесплатно) или мгновенный запуск готовых мультишаговых агентов в облаке Nomad.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.