powered by TechFeed
表示モード
主要ニュース

製薬大手ノボノルディスクが400万件の製造文書をAIで検索可能に — 「どの版が今の設備に適用されるか」を数分で答えるGraphRAGの実装

11月17日、AWSが「Novo Nordisk modernizes manufacturing process documents with Amazon Bedrock AgentCore」と題した記事を公開した。製薬大手ノボノルディスクがGraphRAGとAmazon Bedrock AgentCoreを組み合わせ、製造プロセス文書の管理・検索を刷新した実装事例が詳しく紹介されている。

11月17日、AWSが「Novo Nordisk modernizes manufacturing process documents with Amazon Bedrock AgentCore」と題した記事を公開した。製薬大手ノボノルディスクがGraphRAGとAmazon Bedrock AgentCoreを組み合わせ、製造プロセス文書の管理・検索を刷新した実装事例が詳しく紹介されている。


背景:製薬製造における「文書管理地獄」

ノボノルディスクは糖尿病・肥満治療薬を製造するグローバル製薬企業だ。製造現場では、標準作業手順書(SOP)・作業指示書・フォーム・研修資料など、数千件に上る管理文書を維持する義務がある。規制変更や設備改修のたびに文書を更新し、承認ワークフローを通し、関係部署に周知しなければならない。

製薬製造には厳格な規制要件が伴う。たとえばFDA 21 CFR Part 11は電子記録・電子署名の完全性を義務付け、EU GMP Annex 11も同等の管理を求める。文書のバージョン管理・承認証跡・アクセス制御が規制上の必須要件であるため、単なる社内ナレッジ管理とは次元の異なる正確性が求められる。

現状はスプレッドシートや分断されたシステムによる手動管理が中心で、どの文書が改訂期限か・承認待ちか・即対応が必要かの把握が困難だった。古い文書が流通し続けるリスクや、コンプライアンス上の可視性の欠如が課題となっていた。

さらに深刻なのが「知識の属人化」だ。製造ナレッジは多くの文書・バージョン・サイト・製品プログラムに分散しており、「正しい答えがどこにあるか」を知っているのは経験豊富な担当者だけという状況が続いていた。


核心:なぜ普通のRAGでは足りないのか

製造現場で繰り返される質問の典型は「このサイト、この製品、この設備でプロセスは何を要求しているか?」だ。これを正確に答えるには4つの条件を同時に満たす必要がある。

  • 大量の文書から正しい文書を特定する
  • 正しいバージョン(承認済み・有効版であり、ドラフトや廃止版でない)を参照する
  • 正しいスコープ(そのサイト・製品・設備に実際に適用されるもの)に絞る
  • 文書間の関係性(どの文書がどれを参照し、変更の影響範囲はどこか)を把握する

キーワード検索は文書を返すだけで、スコープ・バージョン・関係性を扱えない。ベクトル検索ベースの通常のRAGは自然言語の質問に強いが、文書番号や設備コードのような完全一致が必要な識別子や、複数ホップにまたがる関係性の質問に弱い。さらに規制環境で最も避けるべき「該当情報が存在しないのに自信満々に答える」問題が残る。


実装の肝:GraphRAG × Bedrock AgentCore

2ストアの分離と橋渡し

今回のアーキテクチャの中心はGraphRAGだ。2つのストアを意図的に分離し、クエリ時に橋渡しする構成を採っている。

  • Amazon Neptune(グラフDB):文書の構造と関係性を管理。プロセスツリーの階層、サイト・製品世代・設備などのエンティティ、文書間の参照関係を格納する。
  • Amazon OpenSearch Serverless(検索インデックス):文書内容に対するセマンティック検索(Amazon Titan Embeddings によるベクトル検索)とレキシカル検索(BM25)を組み合わせたハイブリッド検索を提供する。

重要な設計判断は「OpenSearch上のパッセージに付いた文書番号が、そのままNeptuneのグラフノードになっている」点だ。検索ヒットがそのままグラフへの入口になり、ファジーな再マッチングが不要になる。これが「チャンクとグラフの橋渡し」として機能する。

推論層は**Amazon Bedrock AgentCore上で動作する。元記事によれば、AgentCoreはエージェントの実行管理・ツール呼び出しの調整・IAM統合・オブザーバビリティといった運用基盤機能を提供するサービスであり、インフラ実装の手間を省いてドメインロジックへの集中を可能にする。エージェントの実装にはStrands Agents SDKが使われ、AnthropicのClaudeモデルを利用する。文書のインジェスト(取り込み)パイプラインはAmazon Bedrock Data Automationでマルチモーダル解析を行い、AWS Step FunctionsとAWS Lambda**でオーケストレーションされる。

固定スキーマによるオントロジー設計

初期のGraphRAGアプローチはLLMに自由なエンティティ抽出をさせる「オープンスキーマ」が主流だったが、ノイズが多く監査に耐えにくいという問題があった。近年の潮流は事前定義した固定スキーマ(オントロジー)でモデルをガイドする方向に移行している。

製薬製造の場合、ドメインのオントロジーは専門家によってすでに存在しており、固定スキーマ+ヒューマン・イン・ザ・ループによる新エンティティ追加プロセスが品質・監査部門に対する説明責任を果たしやすい。

グラフは2層で構成される。

  • 上位層(プロセスツリー):組織の公式プロセスフレームワークを3階層程度の親子ノードで表現。文書はこの階層の最下位ノードに紐付けられる。
  • 下位層(ドメインエンティティ):サイト・製品世代・設備・プロセスステップなど、答えの正否を決める要素を第一級のグラフノードとしてモデル化。

「先に絞ってから検索」するガイドモード

通常のRAGが「検索してから回答」するのに対し、このシステムのガイドモードは「スコープを絞ってから検索」する順序を採る。

「グラニュレーターではどのサンプルが採取されますか?」という質問は、製品世代・サイト・設備・バッチサイズによって複数の正解がある。規制環境で最悪の結果は「スコープ外の内容に基づいた自信満々な誤回答」だ。

ガイドモードでは、エージェントがグラフから実際に存在するノードの値だけを使って絞り込み質問を生成する。モデルが「ありそうな値」を推測するのではなく、グラフに存在する値だけが選択肢として提示されるため、ハルシネーション(幻覚)リスクを構造的に下げる設計になっている。専門家が新しい識別属性をタクソノミーに追加すれば、プロンプトやコードの変更なしに自動でアシスタントが反映する。

規制環境向けの信頼性確保

  • 文書はグラフにメタデータ・関係性・階層位置だけが先に登録され、コンテンツのインデックス状態は決定論的フラグで管理。「コンテンツを持っている」と「メタデータしか持っていない」を明示的に区別する。
  • 検索対象はデフォルトで承認済み・有効版のみ。ドラフトや過去版は明示要求時のみ。
  • 引用は実際のツール実行結果から生成し、モデル自身の知識からの補完は禁止。
  • 該当情報が不足・不明確な場合は「わからない」と明示し、SME・品質・規制レビューが必要な旨を伝える。

応答品質は自動評価ハーネスで継続的に計測される。評価軸は「関連ソースの選択精度」「文書ステータスの正確性」「最新バージョンの適用」「スコープ準拠」「引用精度」「要件強度(must/should/may)の忠実な保持」だ。


成果

このソリューションにより、専門家(SME)がかつて数時間から数日かかっていた作業を数分で完了できるようになったと記事は報告している。

対象となる文書ヴォールト全体には約400万件の文書が存在する。タイトルにある「400万件」はこのヴォールト全体の規模を示す数字であり、今回のシステムはその上に構築された「回答ファースト」の検索エンジンとして機能する。ヴォールト内のどの文書が実際に検索・回答の対象となるかは、適用済みのスコープ定義と文書の承認ステータスに依存する。


詳細はNovo Nordisk modernizes manufacturing process documents with Amazon Bedrock AgentCoreを参照していただきたい。