Architektura agenta AI Scientific: RAG, osadzanie i wiarygodne źródła

RAG: Serce architektury agenta AI naukowego

Retrieval-Augmented Generation (RAG) stanowi przełom w stosunku do tradycyjnych modeli językowych. Zamiast polegać wyłącznie na parametrach wyuczonych podczas wstępnego szkolenia (które szybko stają się nieaktualne w tak dynamicznej dziedzinie, jak badania naukowe), RAG przenosi wiedzę do aktywnych baz danych, które są stale aktualizowane o najnowsze publikacje.

Proces RAG firmy Charlie działa w trzech odrębnych fazach. Faza 1: Retrieval (Pobieranie) — Po zadaniu pytania agent analizuje intencję użytkownika, przekształca pytanie w zoptymalizowane zapytania wyszukiwania i jednocześnie przeszukuje PubMed , PMC , GEO i Espacenet w celu pobrania najbardziej trafnych dokumentów. Na tym etapie wykorzystuje się osadzenia semantyczne, aby znaleźć nie tylko oczywiste dopasowania leksykalne, ale także publikacje powiązane koncepcyjnie.

Faza 2: Rozszerzenie — Odzyskane dokumenty są wstępnie przetwarzane, filtrowane pod kątem jakości i wyodrębniane są z nich kluczowe informacje: główne wyniki, metodologie, wnioski, ograniczenia. Informacje te są następnie włączane do kontekstu generowania modelu języka, skutecznie „rozszerzając” jego wiedzę o weryfikowalne i aktualne fakty. To tymczasowe rozszerzenie jest specyficzne dla danego pytania i nie utrzymuje się po zakończeniu bieżącej wymiany.

Faza 3: Generowanie — model językowy syntetyzuje zebrane informacje w spójną i uporządkowaną odpowiedź, dostosowaną do poziomu wiedzy użytkownika i kontekstu wyszukiwania. Istotna różnica: generowanie jest ograniczone przez zebrane źródła. Jeśli dana informacja nie znajduje się w znalezionych dokumentach, Charlie nie wymyśli jej. Każde stwierdzenie można prześledzić do jego oryginalnego źródła wraz z dokładnym odniesieniem (DOI, PMID, numer patentu).

„W Charlie imponująca jest identyfikowalność. W przeciwieństwie do ChatGPT, który może generować nieistniejące odniesienia, każde stwierdzenie Charlie odsyła do rzeczywistej publikacji, którą mogę zweryfikować. Ta architektura RAG zmienia sztuczną inteligencję z zagrożenia dla rzetelności naukowej w niezawodny przyspieszacz badań”. — Dr Sophie Chen, kierownik ds. danych, INSERM

Osadzanie semantyczne: dogłębne zrozumienie języka naukowego

Osadzanie (reprezentacje wektorowe) to technologia, która pozwala Charlie „rozumieć” znaczenie pojęć naukowych, a nie tylko porównywać ciągi znaków. Technicznie rzecz biorąc, osadzenie przekształca tekst (słowo, zdanie, akapit lub cały dokument) w wektor liczb o wysokim wymiarze (zazwyczaj 768 lub 1536 wymiarów), w którym teksty podobne semantycznie są matematycznie bliskie w tej przestrzeni wektorowej.

W badaniach naukowych ta zdolność ma kluczowe znaczenie, ponieważ ta sama koncepcja może być wyrażona na dziesiątki różnych sposobów. Na przykład „CRISPR-Cas9”, „edycja genomu CRISPR”, „system CRISPR/Cas9”, „nukleaza Cas9 kierowana przez RNA” i „edycja genów oparta na CRISPR” zasadniczo odnoszą się do tej samej koncepcji. Wysokiej jakości osadzenia umieszczają wszystkie te terminy w tym samym obszarze przestrzeni wektorowej, umożliwiając Charlie rozpoznanie ich jako równoważnych, nawet jeśli dokładne słowa się różnią.

Charlie wykorzystuje modele osadzeń specjalistycznych w dziedzinie biomedycyny, opracowane na podstawie milionów publikacji PubMed. Modele te uwzględniają nie tylko oczywiste synonimy, ale także złożone relacje koncepcyjne: relacje między białkami a genami, interakcje między lekami a celami, powiązania między chorobami a objawami, hierarchie taksonomiczne, relacje przyczynowo-skutkowe oraz niuanse metodologiczne. To dogłębne zrozumienie pozwala na znacznie bardziej zaawansowane wyszukiwanie niż proste dopasowanie słów kluczowych.

Jakość osadzeń bezpośrednio wpływa na jakość wyników. Źle wyszkolone osadzenie może pomylić „mutację p53” z „ekspresją p53” lub pominąć powiązanie między „immunoterapią anty-PD-1” a „terapią inhibitorami punktów kontrolnych”. Dlatego Charlie inwestuje znaczne środki w najnowocześniejsze modele osadzeń, które są stale trenowane na podstawie najnowszej literatury, aby uchwycić ewolucję języka naukowego i pojawianie się nowych pojęć.

Różnice architektoniczne: agent AI a generyczny LLM

Zrozumienie, czym architektonicznie różni się Charlie od ChatGPT lub Claude'a, ma zasadnicze znaczenie. Ogólny model LLM działa w trybie „closed-book”: odpowiada wyłącznie na podstawie swoich wewnętrznych parametrów, których nauczył się podczas wstępnego szkolenia. Parametry te zamrażają wiedzę na dzień zakończenia szkolenia (zazwyczaj 6–12 miesięcy przed wdrożeniem). Wszelkie późniejsze publikacje są niewidoczne dla modelu, co stanowi poważny problem w tak dynamicznej dziedzinie, jak badania biomedyczne.

Agent AI z architekturą RAG, taki jak Charlie, działa w trybie „open-book”: w momencie wysłania zapytania uzyskuje dynamiczny dostęp do zewnętrznych baz danych, pobierając najnowsze publikacje (dodane do PubMed kilka godzin wcześniej). Takie stałe aktualizowanie jest niemożliwe w przypadku klasycznego LLM. Ponadto RAG w znacznym stopniu eliminuje problem halucynacji: ponieważ generowanie jest ograniczone przez faktycznie pobrane źródła, agent nie może wymyślać faktów, które nie istnieją w literaturze.

Kolejną fundamentalną różnicą architektoniczną jest identyfikowalność. Ogólny LLM generuje tekst bez możliwości cytowania weryfikowalnych źródeł (lub, co gorsza, wymyśla odniesienia, które wydają się wiarygodne, ale nie istnieją). Charlie , dzięki RAG, utrzymuje wyraźny związek między każdą dostarczoną informacją a dokumentem źródłowym, z którego pochodzi. Ta identyfikowalność nie jest funkcją dodaną później, ale nieodłączną właściwością architektury RAG.

Wreszcie, specjalizacja dyscyplinarna jest zakorzeniona w architekturze. Charlie wykorzystuje osadzenia wyszkolone na PubMed , optymalizowane pod kątem języka biomedycznego podpowiedzi, filtry skalibrowane pod kątem jakości metodologicznej naukowej oraz ustrukturyzowaną bazę wiedzy (ontologie, taksonomie, wykresy wiedzy biomedycznej). Ta wielopoziomowa specjalizacja zapewnia znacznie większą wiedzę specjalistyczną niż model ogólny „posypany” kilkoma podpowiedziami naukowymi.