Этот пост написан в соавторстве с Иланом Геллером, Шую Янгом и Ричей Гуптой из Accenture.

Вывод на рынок инновационных фармацевтических препаратов – это долгий и трудоёмкий процесс. Компании сталкиваются со сложными правилами и обширными требованиями к одобрению со стороны таких руководящих органов, как Управление по контролю за продуктами и лекарствами США (FDA). Ключевой частью процесса подачи является разработка нормативных документов, таких как Общий технический документ (CTD), комплексный стандартный документ для подачи заявок, поправок, дополнений и отчетов в FDA. Этот документ содержит более 100 подробных технических отчетов, созданных в процессе исследований и испытаний лекарств. Создание CTD вручную невероятно трудоемко: для типичной крупной фармацевтической компании требуется до 100 000 часов в год. Утомительный процесс составления сотен документов также подвержен ошибкам.

Аксенчер создали решение для создания нормативных документов с использованием автоматизированного генеративного искусственного интеллекта, которое позволяет исследователям и тестировщикам эффективно создавать CTD. Извлекая ключевые данные из отчетов о тестировании, система использует Amazon SageMaker JumpStart и другие сервисы искусственного интеллекта AWS для создания CTD в правильном формате. Этот революционный подход сокращает время и усилия, затрачиваемые на разработку CTD. Пользователи могут быстро просматривать и корректировать отчеты, созданные на компьютере, перед отправкой.

Из-за конфиденциального характера данных и прилагаемых усилий фармацевтическим компаниям необходим более высокий уровень контроля, безопасности и возможности аудита. Это решение основано на принципах и рекомендациях AWS Well-Architected, обеспечивающих соблюдение требований по контролю, безопасности и возможности аудита. Удобная для пользователя система также использует шифрование для обеспечения безопасности.

Используя генеративный искусственный интеллект AWS, Accenture стремится повысить эффективность регулируемых отраслей, таких как фармацевтика. Автоматизация утомительного процесса документирования CTD ускоряет утверждение новых продуктов, поэтому инновационные методы лечения могут быстрее дойти до пациентов. ИИ делает большой шаг вперед.

В этой публикации представлен обзор комплексного генеративного решения искусственного интеллекта, разработанного Accenture для разработки нормативных документов с использованием SageMaker JumpStart и других сервисов AWS.

Обзор решения

Компания Accenture создала решение на основе искусственного интеллекта, которое автоматически генерирует документ CTD в необходимом формате, а также предоставляет пользователям возможность просматривать и редактировать сгенерированный контент. Предварительная стоимость оценивается в сокращение времени разработки на 40–45%.

Это генеративное решение на основе искусственного интеллекта извлекает информацию из технических отчетов, созданных в рамках процесса тестирования, и предоставляет подробное досье в общем формате, требуемом центральными руководящими органами. Затем пользователи просматривают и редактируют документы, где это необходимо, и передают их в центральные руководящие органы. В этом решении используются модели SageMaker JumpStart AI21 Jurassic Jumbo Instruct и AI21 Summarize для извлечения и создания документов.

На следующей диаграмме показана архитектура решения.

Рабочий процесс состоит из следующих шагов:

1. Пользователь получает доступ к инструменту создания нормативных документов через браузер своего компьютера.
2. Приложение React размещается на AWS Amplify, и доступ к нему осуществляется с компьютера пользователя (для DNS используйте Amazon Route 53).
3. Приложение React использует библиотеку аутентификации Amplify, чтобы определить, аутентифицирован ли пользователь.
4. Amazon Cognito предоставляет локальный пул пользователей или может быть интегрирован с активным каталогом пользователя.
5. Приложение использует библиотеки Amplify для Amazon Simple Storage Service (Amazon S3) и загружает документы, предоставленные пользователями, в Amazon S3.
6. Приложение записывает сведения о задании (сгенерированный приложением идентификатор задания и расположение исходного файла Amazon S3) в очередь Amazon Simple Queue Service (Amazon SQS). Он фиксирует идентификатор сообщения, возвращаемый Amazon SQS. Amazon SQS обеспечивает отказоустойчивую изолированную архитектуру. Даже если при обработке задания возникнут какие-либо серверные ошибки, наличие записи о задании в Amazon SQS обеспечит успешные повторные попытки.
7. Используя идентификатор задания и идентификатор сообщения, возвращенные предыдущим запросом, клиент подключается к API WebSocket и отправляет идентификатор задания и идентификатор сообщения в соединение WebSocket.
8. WebSocket запускает функцию AWS Lambda, которая создает запись в Amazon DynamoDB. Запись представляет собой сопоставление значения ключа идентификатора задания (WebSocket) с идентификатором соединения и идентификатором сообщения.
9. Другая функция Lambda запускается при появлении нового сообщения в очереди SQS. Функция Lambda считывает идентификатор задания и вызывает рабочий процесс AWS Step Functions для обработки файлов данных.
10. Конечный автомат Step Functions вызывает функцию Lambda для обработки исходных документов. Код функции вызывает Amazon Textract для анализа документов. Данные ответа хранятся в DynamoDB. В зависимости от конкретных требований к обработке данных их также можно хранить в Amazon S3 или Amazon DocumentDB (с совместимостью с MongoDB).
11. Функция Lambda вызывает API DetectDocument Amazon Textract для анализа табличных данных из исходных документов и сохраняет извлеченные данные в DynamoDB.
12. Функция Lambda обрабатывает данные на основе правил сопоставления, хранящихся в таблице DynamoDB.
13. Функция Lambda вызывает библиотеки подсказок и серию действий с использованием генеративного искусственного интеллекта и большой языковой модели, размещенной в Amazon SageMaker, для суммирования данных.
14. Функция Lambda для записи документов записывает консолидированный документ в обработанную папку S3.
15. Функция обратного вызова задания Lambda извлекает сведения о соединении обратного вызова из таблицы DynamoDB, передавая идентификатор задания. Затем функция Lambda выполняет обратный вызов к конечной точке WebSocket и предоставляет ссылку на обработанный документ из Amazon S3.
16. Функция Lambda удаляет сообщение из очереди SQS, чтобы оно не обрабатывалось повторно.
17. Веб-модуль генератора документов преобразует данные JSON в документ Microsoft Word, сохраняет их и отображает обработанный документ в веб-браузере.
18. Пользователь может просматривать, редактировать и сохранять документы обратно в корзину S3 из веб-модуля. Это помогает в проверках и необходимых исправлениях, если таковые имеются.

В решении также используются блокноты SageMaker (обозначенные T в предыдущей архитектуре) для адаптации домена, точной настройки моделей и развертывания конечных точек SageMaker.

Заключение

В этом посте мы продемонстрировали, как Accenture использует генеративные сервисы искусственного интеллекта AWS для реализации комплексного подхода к решению для создания нормативных документов. Это решение в ходе раннего тестирования продемонстрировало сокращение времени, необходимого для создания CTD, на 60–65%. Мы выявили пробелы в традиционных платформах нормативного регулирования и расширили генеративный интеллект в их рамках для более быстрого реагирования, а также постоянно совершенствуем систему, взаимодействуя с пользователями по всему миру. Обратитесь к команде Центра передового опыта Accenture, чтобы глубже изучить решение и развернуть его для своих клиентов.

Эта совместная программа, ориентированная на генеративный искусственный интеллект, поможет сократить время окупаемости инвестиций для совместных клиентов Accenture и AWS. Эти усилия основаны на 15-летних стратегических отношениях между компаниями и используют те же проверенные механизмы и ускорители, созданные бизнес-группой Accenture AWS (AABG).

Свяжитесь с командой AABG по адресу Accentureaws@amazon.com и улучшите бизнес-результаты путем преобразования в интеллектуальное предприятие по работе с данными на AWS.

Дополнительную информацию о генеративном ИИ на AWS с использованием Amazon Bedrock или SageMaker см. в документах «Генераторный ИИ на AWS: технология» и «Начало работы с генеративным ИИ на AWS с помощью Amazon SageMaker JumpStart».

Вы также можете подпишитесь на информационный бюллетень AWS о генеративном искусственном интеллектекоторый включает образовательные ресурсы, блоги и обновления служб.

Об авторах

Илан Геллер — управляющий директор практики обработки данных и искусственного интеллекта в Accenture. Он является руководителем глобального партнера AWS по данным и искусственному интеллекту и Центру передового искусственного интеллекта. Его обязанности в Accenture в основном были сосредоточены на проектировании, разработке и доставке сложных данных, искусственном интеллекте и машинном обучении, а в последнее время — решениях генеративного искусственного интеллекта.

Шую Ян является руководителем отдела генеративного искусственного интеллекта и разработки больших языковых моделей, а также возглавляет группы CoE (Центр передового опыта) Accenture AI (профессиональные специалисты AWS DevOps).

Рича Гупта — технологический архитектор в Accenture, возглавляющий различные проекты в области искусственного интеллекта. У нее более 18 лет опыта в разработке решений масштабируемого искусственного интеллекта и GenAI. Область ее специализации — архитектура искусственного интеллекта, облачные решения и генеративный искусственный интеллект. Она играет важную роль в различных предпродажных мероприятиях.

Шикхар Кватра — специалист по архитектуре решений AI/ML в Amazon Web Services, работающий с ведущим глобальным системным интегратором. Он заслужил звание одного из самых молодых индийских мастеров-изобретателей, получив более 500 патентов в областях искусственного интеллекта, машинного обучения и Интернета вещей. Шикхар помогает в проектировании, создании и обслуживании экономичных масштабируемых облачных сред для организации, а также поддерживает партнера GSI в создании стратегических отраслевых решений на AWS. Шикхар любит играть на гитаре, сочинять музыку и в свободное время практиковать осознанность.

Сачин Таккар — старший архитектор решений в Amazon Web Services, работающий с ведущим глобальным системным интегратором (GSI). У него более 23 лет опыта работы в качестве ИТ-архитектора и консультанта по технологиям в крупных организациях. Его сфера деятельности — данные, аналитика и генеративный искусственный интеллект. Сачин предоставляет рекомендации по архитектуре и поддерживает партнера GSI в создании стратегических отраслевых решений на AWS.