AI-website bouwen: 87% sneller onderzoek met GraphRAG

Sophie Jansen · 2026-07-09

Een recente AWS GraphRAG-implementatie heeft de cycli voor geneesmiddelenonderzoek en -ontwikkeling in farmaceutische omgevingen met 87% verkort. Deze versnelling wordt bereikt door voorheen gescheiden eigen databases te integreren in een uniforme en doorzoekbare kennisgraaf. ### De historische uitdaging Vroeger duurden de eerste fasen van gegevensverzameling en -screening meer dan zes maanden per cyclus, met een laag succespercentage van slechts 5%. Belangrijke datasets – variërend van domeinspecifieke klinische gegevens tot interne technische en laboratoriumnotities – waren geïsoleerd in verschillende opslagomgevingen. Dit belemmerde datawetenschappers om verborgen verbanden te ontdekken. Wanneer personeel vertrok, namen ze cruciale projectcontext mee, waardoor actief onderzoek stilviel. ### De oplossing: AWS GraphRAG AWS bouwde een oplossing om deze systemen te verbinden, waarbij grafdatabases werden gecombineerd met natuurlijke taalverwerking (NLP). De opzet is gebaseerd op een GraphRAG-framework en gebruikt Amazon Neptune Analytics en Bedrock om losse datapunten om te zetten in een doorzoekbaar netwerk. Gebruikers kunnen eenvoudige vragen in natuurlijke taal stellen en krijgen antwoorden die zijn gekoppeld aan geverifieerde vakliteratuur en interne datasets. ### Uitdagingen bij datanormalisatie Het samenbrengen van geïsoleerde eigen datasets met ongestructureerde openbare bronnen brengt echter aanzienlijke uitdagingen met zich mee op het gebied van datanormalisatie. Strikte schemabeheer is nodig om onnauwkeurige relationele mapping te voorkomen en het risico op hallucinaties te beperken. Het is een delicate balans tussen het verbinden van data en het waarborgen van de betrouwbaarheid ervan. ### Constructie van de kennisgraaf Bedrijven kunnen hun eigen kennisgraven aansluiten. Het systeem haalt rommelige, ongestructureerde bestanden uit openbare databases zoals PubMed en combineert ze met interne bedrijfsgegevens. Tools zoals Amazon Comprehend Medical scannen deze tekst om standaard medische codes te extraheren. Amazon Bedrock, met Anthropic's Claude 4.5 Sonnet, vat de documentinhoud samen en bepaalt de relevantie. AWS Lambda-functies en Amazon S3 bulk-laden sturen deze verwerkte elementen naar Amazon Neptune Analytics. De resulterende kennisgraaf structureert de gegevens in aparte knooppunten die kernentiteiten vertegenwoordigen, zoals domeinspecifieke klassen, auteurs, bronnen en ingebedde tekstfragmenten. De grafranden definiëren de relaties tussen deze knooppunten, waardoor hiërarchische classificaties en entiteitsassociaties in kaart worden gebracht. ### Kostenoverwegingen Het draaien van deze graafarchitectuur vereist specifieke cloudbronnen. Een standaard Amazon Neptune Analytics-graaf met 16 provisioned geheugeneenheden kost ongeveer €0,44 per uur. Ontwikkelomgevingen, zoals Amazon SageMaker Jupyter-notebooks op t3.medium-instanties, voegen basiskosten voor rekenkracht en opslag toe. Organisaties moeten ook rekening houden met dynamische tokenverbruikskosten van het Amazon Bedrock Claude 4.5 Sonnet-model tijdens queryverwerking. ### De GraphRAG-toolkit in actie De GraphRAG-toolkit fungeert als de uitvoeringslaag tussen de gebruikersinterface en de onderliggende database. Een speciale Knowledge Graph Linker verwerkt inkomende vragen in natuurlijke taal, extraheert relevante entiteiten met behulp van fuzzy string-indexering en koppelt ze aan bestaande grafknooppunten. Het systeem doorloopt de netwerkpaden om plausibele relationele verbanden te genereren voordat het een antwoord opstelt via het Bedrock-taalmodel. De nauwkeurigheid van het ophalen hangt af van de configuratie voor entiteitskoppeling. Een EntityLinker-component stemt termen uit gebruikersvragen af op het gestructureerde dataschema. Dit proces van fuzzy matching is cruciaal voor betrouwbare resultaten. ### Praktische toepassingen Deze technologie is niet alleen voor grote farmaceuten. Ook kleinere onderzoeksinstellingen kunnen profiteren van snellere data-analyse en betere samenwerking. Door kennisgraven te gebruiken, kunnen teams verbanden leggen die voorheen verborgen bleven, wat leidt tot snellere doorbraken in medicijnontwikkeling. ### Conclusie AWS GraphRAG biedt een krachtige manier om onderzoek te versnellen, maar het vereist zorgvuldige planning en beheer. Met de juiste aanpak kunnen organisaties hun onderzoekscycli drastisch verkorten en tegelijkertijd de kwaliteit en betrouwbaarheid van hun data waarborgen.