- 像大语言模型（LLM）和自然语言处理（NLP）技术这样的AI工具正在缩短药物发现和监管审批的时间。
- 检索增强生成（RAG）有助于减轻行政负担并提高效率。
- 具备RAG功能的LLM已推动了人工智能在生命科学领域的广泛采用。
迄今为止，由于验证智能自动化系统并使其达到完全功能所需的大量劳动，特别是在生命科学研发目的（如转换不良事件（AE）报告）方面，商业理由一直受到削弱。
这些障碍现在正在被消除，驱动生成式人工智能的大型语言模型（LLMs）正在加强合规性。
制药企业可能拥有百年一遇的AI技术机遇——但前提是它们能够规模化应用并应对该行业面临的特定挑战。
什么成为可能？
机器学习和大型语言模型使得新药快速搜索、更有效的临床试验以及监管机构的快速批准成为可能，从而产生了高度针对性的营销材料。
生成式AI正在改变制药行业的方方面面，同时也改变了商业运营规范，并可能释放数十亿美元的价值。
根据麦肯锡全球研究所（MGI）的估计，该技术每年可为制药和医疗产品行业带来600亿至1100亿美元的收入。
这主要是因为该技术可以通过加速潜在新药化合物的发现过程、加快这些药物的开发和批准进程以及增强其营销效果来提高生产力。
可能性在于以监管机构能够理解的方式使用“上下文”学习、叙事推演和自发数据发现。ArisGlobal的AI专家Ramesh Ramani和Ravikanth Valigari在一家制药制造商的会议上讨论了潜在的应用场景。
AI用于药物安全中的数据高效转换
当大量数据以各种格式存在并来自许多来源时（例如在安全监测的情况下），汇编任何值得注意的发现并使其变得有用需要大量的行政工作。
正是在这里，机器学习和AI的最新发展为流程转型提供了巨大的潜力。这不仅体现在效率上，还体现在准确性的显著提高上——前提是软件能够理解它在搜索什么。
为了弥补这些差距并使高级自动化成为生命科学研发关键流程中安全且可靠的事实——重要的是，无需持续、繁琐的监督——LLMs（GenAI工具所引用的庞大数据库）以及检索增强生成（RAG）等高级自然语言处理（NLP）技术现在正在被应用。
简而言之，通过使LLMs能够结合机密数据和公开信息，RAG通过提供更大的知识库和上下文，使得微调AI模型变得更加容易。
通过LLM-RAG解决方案改进数据汇编
迄今为止，ML解决方案的问题在于训练负担。但现在，借助LLMs，单一的技术解决方案可以处理所有传入的变体，从而消除了教导AI模型或算法去关注什么和/或某事含义的需要。
在指导LLM通过标准操作程序（以普通英语）时，RAG模式非常有用。这样，系统将能够处理成千上万种不同的表格，而无需为每种表格设置独特的配置。
在早期试验中，应用LLM-RAG技术转换AE案例输入已被证明可实现高达65%的效率提升，以及90%以上的数据提取质量和准确性。其影响潜力巨大。同一系统目前在安全案例故事开发的摘要生成中表现出80–85%的一致性。而且，这一切都是从零开始，没有任何过往经验。
它确实为制药公司显著简化其最复杂的数据驱动操作奠定了基础。
以前阻碍采用更智能自动化的对合规性或可靠性的担忧，已让位于采用新技术版本的强烈愿望，这些版本直接解决了这些问题，并提供了生产力和效率的可衡量改进。
“为了建立变革的动力，组织应组建早期采用者冠军团队，以塑造生成式AI用例的部署并证明其价值。” 麦肯锡.
如果您正在阅读这篇文章，说明您已经领先一步。请继续通过我们的通讯保持关注。
免责声明。 本文提供的信息不构成交易建议。 Cryptopolitan.com 对于基于本页信息进行的任何投资，我们不承担任何责任。我们强烈建议在进行任何投资决策之前，进行独立研究或咨询合格的专业人士。
Aamir Sheikh
Aamir 是一位科技记者，在加密货币和科技行业拥有近六年的经验。他毕业于 MAJ 大学，获得金融与市场营销 MBA 学位。目前他在 Cryptopolitan 工作，报道加密货币市场的最新发展和价格预测。
