Comment l’IA d’AWS réduit de 87% le temps de recherche médicale

La recherche pharmaceutique exige de la célérité, car chaque jour compte pour la vie des patients. Néanmoins, les chercheurs sont face à un paradoxe : ils sont noyés sous une quantité astronomique de données et ont des difficultés à relier les informations pertinentes. Les cycles de recherche s’étirent alors sur plus de six mois avec un taux de succès souvent décevant.

Et si nous pouvions changer cela ? Imaginez un système capable de comprendre, de connecter et d’interroger des décennies de recherche, des notes de laboratoire internes et des publications scientifiques en quelques secondes.

C’est précisément la promesse de l’approche GraphRAG, une technologie mise en œuvre par AWS qui a récemment permis de réduire les cycles de recherche de 87 %. Voyons ensemble comment cette technologie innovante fonctionne et ce qu’elle signifie pour l’avenir de la découverte scientifique.

Le défi des données cloisonnées : un casse-tête pour le chercheur

Avant d’explorer la solution, il est essentiel de comprendre la nature du problème. La recherche moderne génère des données hétérogènes et massives, mais celles-ci sont rarement centralisées.

Un océan de données, mais des îles isolées

Un laboratoire pharmaceutique typique ressemble à un archipel numérique. Les résultats d’essais cliniques sont dans une base de données, les notes des ingénieurs dans une autre, les publications scientifiques de référence sur des portails publics comme PubMed, et les connaissances tacites dans la tête des scientifiques les plus expérimentés. Chaque système parle un langage différent, ce qui empêche les data scientists de déceler des corrélations cachées entre ces ensembles d’informations.

Le coût de la fragmentation : temps, argent et savoir perdu

Cette fragmentation a un coût immense. La phase initiale de collecte et d’analyse des données peut prendre plus de six mois, pour un taux de succès final qui plafonne souvent autour de 5 %.

Pire encore, lorsqu’un chercheur clé quitte l’entreprise, une partie essentielle du contexte du projet disparaît avec lui, paralysant parfois des recherches en cours. C’est pour briser ces silos qu’AWS a développé une architecture novatrice.

GraphRAG : la solution pour unifier et interroger le savoir

L’acronyme RAG signifie « Retrieval-Augmented Generation » (Génération Augmentée par la Recherche), une technique d’IA qui ancre les réponses d’un modèle de langage sur des données factuelles. AWS pousse le concept plus loin en y ajoutant une couche de graphe, le « GraphRAG« .

Qu’est-ce qu’un « graphe de connaissances » ?

Imaginez un réseau social, mais pour vos données. Un graphe de connaissances ne stocke pas l’information dans des tableaux rigides, mais sous forme de « nœuds » (les entités, comme un médicament, un chercheur, une maladie) et d' »arêtes » (les relations qui les lient, comme « traite », « a rédigé », « est associé à »). Cette structure flexible est idéale pour cartographier des relations complexes et non évidentes.

L’alliance stratégique : Amazon Neptune et Bedrock

La solution d’AWS repose sur deux piliers technologiques majeurs. D’un côté, Amazon Neptune Analytics, une base de données de graphes conçue pour gérer des milliards de relations et les analyser à grande vitesse.

C’est le cerveau qui structure et connecte toutes les informations. De l’autre, Amazon Bedrock, une plateforme qui donne accès à de puissants modèles d’IA, comme Claude 4.5 Sonnet d’Anthropic, pour comprendre le langage naturel et générer des réponses pertinentes.

Concrètement, comment ça marche ?

Le processus peut sembler complexe, mais il suit une logique claire en trois grandes étapes, transformant un chaos de fichiers non structurés en une source de savoir interactive.

Étape 1 : Ingestion et structuration des données

Le système commence par absorber une multitude de documents :

• Des fichiers PDF de publications scientifiques issues de PubMed
• Des documents Word contenant des notes internes
• Des données issues de bases de données propriétaires

Des outils comme Amazon Comprehend Medical analysent ces textes pour en extraire des entités médicales standardisées. Ensuite, le modèle Claude de Bedrock lit, résume et évalue la pertinence de chaque document.

Toutes ces informations traitées sont ensuite chargées dans Amazon Neptune. C’est là que la magie opère : les données sont organisées en un graphe cohérent.

Chaque auteur, chaque journal, chaque concept médical devient un nœud, et les liens entre eux deviennent des arêtes. Un long document est même découpé en plus petits morceaux pour faciliter l’analyse, chaque morceau étant ancré à des concepts standardisés.

Étape 2 : L’interrogation en langage naturel

Une fois le graphe construit, un chercheur peut simplement poser une question comme : « Quels sont les liens connus entre la protéine X et les maladies inflammatoires documentées dans nos recherches internes de ces deux dernières années ? ». Nul besoin de connaître un langage de requête complexe.

C’est le toolkit GraphRAG qui prend le relais. Un composant appelé `EntityLinker` utilise une indexation floue pour faire correspondre les termes de la question de l’utilisateur (« protéine X« ) aux nœuds précis du graphe. Il gère l’imprécision et les variations de terminologie, assurant que la bonne information est retrouvée.

Étape 3 : Une réponse sourcée et vérifiable

Le système ne se contente pas de trouver des informations ; il explore les chemins relationnels dans le graphe pour identifier les liens les plus pertinents. Une fois son « enquête » terminée, il utilise Bedrock pour formuler une réponse claire et synthétique en langage naturel.

Le plus important est que chaque affirmation de la réponse est accompagnée de citations exactes et vérifiables, menant directement aux documents sources. L’utilisateur peut même visualiser le cheminement exact que l’IA a suivi dans le graphe pour arriver à sa conclusion.

Des bénéfices qui changent radicalement la donne

Le déploiement de cette architecture a généré des résultats impressionnants chez les premiers adoptants, bien au-delà de la simple commodité.

• Une accélération spectaculaire : Le bénéfice le plus marquant est la réduction de 87 % de la durée des cycles de recherche. Des phases de découverte qui prenaient six mois sont désormais bouclées en seulement trois semaines.
• Confiance et traçabilité : Fini l’effet « boîte noire » de certaines IA. En fournissant des citations précises et en montrant son raisonnement, le système GraphRAG offre une transparence totale, indispensable pour la conformité réglementaire et l’intégrité scientifique.
• La mémoire de l’entreprise préservée : Le graphe de connaissances centralisé devient la mémoire vivante de l’organisation. Le savoir tacite des experts, les expériences passées (même les échecs) restent indexés et accessibles. Un nouvel arrivant peut ainsi se mettre à jour sur l’historique d’un projet en quelques requêtes.
• Une architecture modulaire : La solution est conçue en blocs séparés. Si un meilleur modèle de langage apparaît demain, les équipes peuvent l’intégrer sans avoir à reconstruire tout le système, garantissant ainsi sa pérennité.

L’approche GraphRAG d’AWS représente non seulement une optimisation, mais un véritable changement de paradigme. Nous passons d’une situation où les chercheurs passent des mois à chercher des informations à un monde où ils peuvent converser avec l’ensemble des connaissances de leur organisation.

Bien que cet exemple soit centré sur l’industrie pharmaceutique, le modèle est applicable à tout secteur luttant pour extraire de la valeur de systèmes d’information fragmentés. La capacité à cartographier de manière déterministe des données internes non structurées avec des référentiels publics vérifiés ouvre des perspectives fascinantes pour la finance, le droit ou l’ingénierie.

Et vous, dans votre secteur, comment une telle technologie pourrait-elle transformer vos processus de décision ?

Simone

Simone, rédactrice principale du blog, est une passionnée de l’intelligence artificielle. Originaire de la Silicon Valley, elle est dévouée à partager sa passion pour l’IA à travers ses articles. Sa conviction en l’innovation et son optimisme sur l’impact positif de l’IA l’animent dans sa mission de sensibilisation.