Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)
РелизРазбор · На радарAWS Machine Learning Blog→ оригинал

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
Novo Nordisk научила ИИ-агентов отвечать по регламентам: вместо часов и дней — минуты
Источник: AWS Machine Learning Blog. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникAWS Machine Learning Blog ↗
Главный редактор
Ключевой факт #1Граф знаний в Amazon Neptune и поиск в OpenSearch связаны номерами документов
Ключевой факт #2По умолчанию ответ берётся из утверждённых версий, не из черновиков
Ключевой факт #3Если материала нет, ассистент прямо говорит об этом, а не додумывает

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.

Сюжет

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.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ ИИ-агенты на практике · Академия & Nomad

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.

Попробовать Академию (72ч бесплатно) →Запустить Nomad Agent
Что вы думаете?
Загружаем комментарии…