- LLM 및 NLP 기법과 같은 AI 도구는 신약 개발 및 규제 승인 시간을 단축하는 데 기여하고 있습니다.
- 검색 증강 생성(RAG)은 행정적 부담을 줄이고 효율성을 높이는 데 도움을 줍니다.
- RAG 기반 LLM은 생명과학 분야에서 AI의 광범위한 채택에 기여했습니다.
지금까지 생명과학 연구개발(R&D) 목적, 예를 들어 이상 반응(AE) 보고 변환과 같은 작업을 위해 지능형 자동화 시스템을 검증하고 완전한 기능으로 작동시키기 위해 필요한 막대한 노동량 때문에 비즈니스 타당성이 훼손되어 왔습니다.
이러한 장벽들이 이제 제거되고 있으며, 생성형 AI를 구동하는 대규모 언어 모델(LLM)들이 규정 준수를 강화하고 있습니다.
제약 기업들은 이 AI 기술로 세기에 한 번의 기회를 가질 수 있지만, 이를 확장하고 해당 부문이 직면한 고유한 난제를 해결할 수 있는 경우에만 가능합니다.
무엇이 가능해질 것인가?
머신러닝과 대규모 언어 모델은 신약의 빠른 검색, 더 효과적인 임상 연구, 규제 기관의 신속한 승인을 가능하게 했으며, 이는 매우 집중적인 마케팅 자료를 생산합니다.
생성형 AI는 제약 산업의 거의 모든 측면을 변화시키고 있으며, 이는 비즈니스 운영의 규범을 바꾸고 수억 달러의 가치를 해방시킬 수도 있습니다.
맥킨지 글로벌 연구소(MGI)의 추정에 따르면, 이 기술은 제약 및 의료 제품 산업에 연간 600억 달러에서 1,100억 달러의 수익을 가져다줄 수 있습니다.
이는 주로 신약 후보 물질 발견 과정을 가속화하고, 해당 약물 개발 및 승인을 촉진하며, 마케팅을 강화함으로써 생산성을 높일 수 있기 때문입니다.
가능성은 규제 당국이 이해할 수 있는 방식으로 '문맥 내' 학습, 서사적 추론, 자발적 데이터 발견을 활용하는 데 있습니다. AI 전문가인 ArisGlobal의 Ramesh Ramani와 Ravikanth Valigari는 제약 제조업체에서 잠재적 적용 사례에 대해 논의했습니다.
약물 안전성을 위한 효율적인 데이터 변환을 위한 AI
안전 모니터링과 같이 다양한 형식과 많은 출처에서 데이터가 대량으로 존재할 경우, 주목할 만한 발견 사항을 수집하고 유용하게 만들기 위해서는 많은 행정 작업이 필요합니다.
여기서 머신러닝과 AI의 최신 발전이 제공하는 프로세스 변환의 상당한 잠재력이 나타납니다. 효율성 측면뿐만 아니라 소프트웨어가 검색 대상의 의미를 이해하는 경우 정확도가 현저히 증가합니다.
이러한 격차를 해소하고 중요한 생명과학 R&D 프로세스에서 고급 자동화를 안전하고 신뢰할 수 있는 현실로 만들기 위해(중요하게도 지속적인 수작업 감독 없이), LLM, GenAI 도구가 참조하는 방대한 데이터 뱅크, 그리고 검색 증강 생성(RAG)과 같은 고급 자연어 처리(NLP) 기법이 이제 적용되고 있습니다.
간단히 말해, RAG는 LLM이 기밀 데이터와 공개 가능한 정보를 결합할 수 있게 함으로써 더 큰 지식 기반과 문맥을 제공하여 AI 모델의 파인튜닝을 용이하게 합니다.
LLM-RAG 솔루션을 통한 데이터 수집 개선
ML 솔루션의 훈련 부담이 그동안의 문제였습니다. 하지만 이제 LLM의 도움으로 단일 기술 솔루션이 들어오는 모든 변형을 처리할 수 있게 되어, AI 모델이나 알고리즘이 무엇을 주의해야 하는지, 그리고 무언가가 무엇을 의미하는지를 가르칠 필요가 사라졌습니다.
일반 영어로 표준 운영 절차(SOP)를 LLM에 안내할 때 RAG 패턴은 매우 유용할 수 있습니다. 이렇게 하면 시스템은 각기 고유한 설정 없이도 수천 가지의 서로 다른 양식을 처리할 수 있습니다.
AE 사례 입력에 LLM-RAG 기술을 적용하면 초기 시험에서 최대 65%의 효율성 향상과 90% 이상의 데이터 추출 품질 및 정확도를 달성할 수 있음이 입증되었습니다. 이는 놀라운 잠재적 영향을 미칩니다. 동일한 시스템은 현재 안전 사례 스토리 개발을 위한 요약문 생성에서 과거 노출 없이 처음부터 시작함에도 불구하고 80~85%의 일관성을 보이고 있습니다.
사실 이는 제약 회사들이 가장 까다로운 데이터 기반 운영 중 일부를 크게 단순화할 수 있는 기반을 제공합니다.
이전에는 더 스마트한 자동화 도입을 저해했던 규정 준수나 신뢰성에 대한 우려가, 이러한 문제를 직접적으로 해결하고 생산성 및 효율성에서 측정 가능한 개선을 제공하는 새로운 버전의 기술을 채택하려는 강한 욕구로 바뀌었습니다.
“변화에 동력을 실어주기 위해, 조직은 세대별 AI 사용 사례의 배포를 형성하고 그 가치를 입증하기 위해 초기 채택자 챔피언 팀을 구성해야 합니다.” 맥킨지.
암호화폐 뉴스를 단순히 읽는 것을 넘어, 이해하세요. 뉴스레터에 구독하세요. 무료입니다.
면책 조항. 제공된 정보는 투자 조언이 아닙니다. Cryptopolitan.com 본 페이지에 제공된 정보를 바탕으로 이루어진 투자에 대해 어떠한 책임도 지지 않습니다. 투자 결정을 내리기 전에 반드시 독립적인 조사나 자격을 갖춘 전문가의 상담을 강력히 권장합니다.
아미르 셰이크
아미르는 암호화폐 및 테크 산업에서 약 6 년간의 경험을 가진 기술 저널리스트입니다. 그는 MAJ 대학교에서 재무 및 마케팅 MBA 학위를 취득했으며, 현재 Cryptopolitan 에서 근무하며 암호화폐 시장의 최신 동향과 가격 예측을 보도하고 있습니다.
