OutilsAI News57min· 2 min de lecture

L'installation GraphRAG d'AWS réduit de 87 % les cycles de recherche pharmaceutique

Une récente mise en œuvre d'AWS reposant sur une architecture GraphRAG a permis de réduire de 87 % la durée des cycles de recherche et développement pharmaceutique en connectant des bases de données propriétaires jusque-là cloisonnées au sein d'un unique graphe de connaissances interrogeable. Historiquement, les phases initiales de collecte et de criblage de données s'étalaient sur plus de six mois par itération, pour un taux de succès de seulement 5 %. Les jeux de données essentiels, qu'il s'agisse d'indicateurs cliniques spécialisés ou de notes internes de laboratoire et d'ingénierie, restaient dispersés entre différents environnements de stockage, empêchant les data scientists de repérer des corrélations pourtant présentes. Le départ d'un collaborateur emportait souvent avec lui la mémoire d'un projet, ralentissant d'autant les recherches en cours. AWS a construit un système combinant bases de données en graphe et traitement du langage naturel, en s'appuyant sur Amazon Neptune Analytics et Amazon Bedrock, notamment le modèle Claude 4.5 Sonnet d'Anthropic, ainsi que sur Amazon Comprehend Medical pour extraire les codes médicaux standardisés à partir de documents non structurés issus de bases publiques comme PubMed et de dossiers internes.

Cette accélération représente un gain concret pour les entreprises pharmaceutiques, qui peuvent désormais interroger l'ensemble de leurs données en langage naturel et obtenir des réponses reliées à la littérature scientifique validée ainsi qu'à leurs propres jeux de données internes. En structurant l'information en nœuds (entités médicales, auteurs, revues, extraits de texte) reliés par des relations hiérarchiques et thématiques, le système offre une base déterministe pour la récupération d'informations, ce qui limite le risque d'hallucinations propre aux modèles génératifs classiques. Pour l'industrie, cela signifie moins de temps perdu à reconstituer manuellement le contexte d'un projet lorsqu'un chercheur quitte l'entreprise, et une capacité accrue à exploiter des données jusque-là dormantes faute d'outils capables de les croiser efficacement.

Ce déploiement illustre les défis plus larges posés par l'unification de données propriétaires structurées et de contenus ouverts non structurés : une gouvernance stricte des schémas est nécessaire pour éviter les erreurs de cartographie relationnelle. Le système repose sur un composant appelé Knowledge Graph Linker, chargé d'extraire les entités des requêtes utilisateurs via une correspondance floue avant de les relier aux nœuds du graphe. Sur le plan opérationnel, faire tourner un graphe Neptune Analytics avec 16 unités de mémoire provisionnées coûte 0,48 dollar de l'heure, auxquels s'ajoutent les frais de développement sur des instances SageMaker et la consommation dynamique de jetons facturée par Bedrock. Cette approche s'inscrit dans une tendance plus large du secteur cloud à proposer des architectures GraphRAG comme alternative aux systèmes de recherche documentaire classiques, avec pour ambition de rendre les données d'entreprise réellement exploitables plutôt que simplement stockées.

Impact France/UE

Les entreprises pharmaceutiques europeennes utilisant le cloud AWS pourraient s'inspirer de cette architecture, mais aucun acteur ou reglementation francais ou europeen n'est implique dans ce cas d'usage.

Dans nos dossiers

AWS Anthropic

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1AWS ML Blog

« Faire progresser la recherche scientifique : BYOKG et GraphRAG pour la recherche pharmaceutique intelligente »

Les chercheurs en pharmacie perdent un temps considérable à croiser des informations dispersées entre PubMed, leurs notes de laboratoire internes et les bases de données génomiques, un problème qu'Amazon Web Services (AWS) affirme pouvoir résoudre grâce à une architecture combinant bases de données en graphe et intelligence artificielle générative. Dans la découverte de médicaments en phase précoce, le taux de réussite des méthodes traditionnelles ne dépasse pas 5%, et chaque cycle de criblage initial prend plus de six mois. Pour répondre à ce problème, AWS propose une solution baptisée GraphRAG (Graph-based Retrieval Augmented Generation), qui s'appuie sur Amazon Neptune Analytics pour le traitement de graphes à haute performance, couplé à Amazon Bedrock pour les capacités génératives. Le système permet aux chercheurs de poser des questions en langage naturel et d'obtenir des réponses instantanées, appuyées sur des preuves, issues d'un graphe de connaissances unifié reliant interactions moléculaires, expression génique et études cliniques. L'enjeu dépasse le simple gain de temps. En affichant les chemins de citation et les étapes de traversée du graphe utilisées pour construire chaque réponse, l'outil rend le raisonnement de l'IA transparent et vérifiable, un point critique dans un secteur où chaque conclusion doit pouvoir être tracée jusqu'à ses sources pour satisfaire les autorités de régulation. Cette traçabilité permet aussi de préserver la mémoire institutionnelle des laboratoires: quand un chercheur quitte une équipe, les connaissances tacites qu'il avait accumulées ne disparaissent plus avec lui, puisqu'elles restent capturées dans le graphe. Pour l'industrie pharmaceutique, où chaque mois de retard se traduit en coûts financiers mais aussi en vies humaines, cette capacité à générer des hypothèses plus rapidement, tout en gardant un contrôle scientifique rigoureux sur les résultats, représente un avantage compétitif direct. Cette approche s'inscrit dans une tendance plus large où les entreprises technologiques cherchent à dépasser les limites du RAG classique, souvent limité à une simple recherche documentaire, en y ajoutant la dimension relationnelle des graphes de connaissances. AWS positionne explicitement Neptune Analytics et Bedrock comme les briques permettant de construire ce type de système, appelé BYOKG (Bring Your Own Knowledge Graph), pour que chaque organisation pharmaceutique puisse connecter ses propres données propriétaires à cette infrastructure. Reste à voir combien de laboratoires franchiront le pas d'unifier des systèmes historiquement cloisonnés, une transition technique et organisationnelle qui pourrait s'avérer aussi longue que les essais cliniques qu'elle vise à accélérer.

OutilsActu

1 source

2MarkTechPost

Les meilleures API de recherche et récupération de données pour construire des agents IA en 2026 : outils, compromis et offres gratuites

La recherche web et la récupération de contenu sont devenues en 2026 des infrastructures critiques pour tout développeur construisant des agents IA. Un panorama des principales API Search et Fetch disponibles ce printemps révèle deux acteurs à retenir : TinyFish et Tavily. TinyFish propose des points d'accès dédiés aux agents, disponibles gratuitement avec des limites généreuses : 5 requêtes par minute pour la recherche (api.search.tinyfish.ai) et 25 requêtes par minute pour la récupération de pages (api.fetch.tinyfish.ai), sans carte bancaire requise. Sa latence médiane pour la recherche est inférieure à 0,5 seconde, ce qui le rend compatible avec les boucles d'outils en temps réel. La plateforme déploie sa propre flotte Chromium pour effectuer un rendu complet de chaque URL, y compris les applications JavaScript dynamiques et les pages protégées contre les robots, retournant ensuite du contenu propre en Markdown, JSON ou HTML. Tavily, de son côté, propose un plan gratuit incluant 1 000 crédits API par mois, avec des offres payantes à partir de 30 dollars par mois (4 000 crédits) jusqu'à 220 dollars par mois (38 000 crédits), ainsi qu'une option à la demande à 0,008 dollar par crédit. Ce qui distingue ces outils de la génération précédente tient à leur conception orientée agents : là où les solutions classiques injectaient du HTML brut, avec scripts, publicités et bannières de cookies, dans les fenêtres de contexte des LLM, TinyFish filtre tout ce bruit en amont. Le résultat est une consommation de tokens par page nettement inférieure, et donc un coût par appel LLM réduit. Pour les entreprises utilisant des agents à grande échelle, cet écart n'est pas marginal. TinyFish s'intègre directement dans les environnements que les développeurs utilisent déjà : Claude Code, Cursor, Codex, LangChain, CrewAI, n8n, Dify et Vercel Skills. Une configuration MCP s'installe en un seul fichier JSON ; une CLI (npm install -g @tiny-fish/cli) écrit les résultats directement sur le système de fichiers sans passer par la fenêtre de contexte du modèle, limitant ainsi l'utilisation des tokens. Tavily, quant à lui, est reconnu pour ses intégrations profondes avec LangChain et LlamaIndex, les frameworks les plus répandus dans l'écosystème RAG. Ces évolutions s'inscrivent dans un mouvement plus large : la maturation rapide de l'outillage autour des agents IA en production. En 2024, la pratique dominante consistait à envelopper les données brutes des SERP Google et à les passer directement à un modèle de langage. En 2026, cette approche est dépassée, remplacée par des API conçues dès le départ pour les contraintes spécifiques des agents : latence, efficacité des tokens, stabilité du rendu et compatibilité avec les frameworks d'orchestration. TinyFish et Tavily illustrent une tendance dans laquelle l'infrastructure de récupération d'information devient aussi déterminante que le choix du modèle LLM lui-même. Les prochaines lignes de différenciation porteront probablement sur la fraîcheur des index, la gestion des contenus derrière authentification et l'intégration native avec les standards d'agents émergents comme le protocole MCP.

OutilsOutil

1 source

3AWS ML Blog

Amazon Quick au service de la recherche sur les cancers rares : intégration de bases de données biomédicales

Amazon a lancé Amazon Quick Research, un environnement de recherche unifié intégré à sa plateforme Amazon Quick, conçu pour accélérer l'analyse de données biomédicales fragmentées dans des domaines comme la cancérologie rare. L'outil combine des bases de données publiques, PubMed, ClinicalTrials.gov, des revues en accès libre, avec des fichiers internes (PDF, Word, Excel, CSV, JSON et une dizaine d'autres formats) au sein d'espaces de travail appelés Spaces, capables d'indexer jusqu'à 10 000 fichiers. Un agent orchestre la récupération multi-sources, décompose automatiquement une question de recherche en sous-thèmes, génère un plan d'investigation révisable avant exécution, puis produit un rapport structuré avec citations traçables jusqu'à la source. Les rapports sont exportables en PDF ou en Word, et un système de versioning permet d'annoter des passages spécifiques (jusqu'à 400 caractères par commentaire) pour déclencher des révisions ciblées qui incrémentent le numéro de version tout en conservant les versions antérieures. La démonstration publiée par AWS s'appuie sur le sarcome pédiatrique comme domaine d'application. L'enjeu principal est celui du temps perdu avant même que l'analyse commence. En cancérologie rare, les données sont aujourd'hui dispersées entre des pipelines de séquençage génomique, des registres d'essais cliniques, des référentiels de biomarqueurs et la littérature scientifique, des systèmes cloisonnés qui nécessitent habituellement des semaines de travail pour construire les pipelines ETL, réconcilier les schémas et interroger chaque source manuellement. Amazon Quick Research court-circuite cette étape en ingérant et indexant ces sources dès la création du projet, puis en synthétisant les résultats via un grand modèle de langage qui génère des conclusions avec leurs chaînes de preuve exposées via la fonctionnalité "Understand the statement". Pour les chercheurs, le gain est surtout sur la phase de revue de littérature et d'intégration de données, au bénéfice du temps consacré à l'analyse elle-même. Cette annonce s'inscrit dans la tendance plus large des agents IA appliqués à la recherche scientifique, où les grandes plateformes cloud cherchent à se positionner sur le marché des outils d'accélération biomédicale. AWS rejoint ainsi des acteurs comme Elsevier, Semantic Scholar ou plusieurs startups spécialisées qui proposent des outils comparables de synthèse de littérature. Amazon Quick Research reste un service payant avec facturation à l'usage, ce qui limite son accessibilité aux équipes académiques aux budgets serrés. Les développements probables incluent l'intégration de sources propriétaires, de bases cliniques sécurisées conformes au HIPAA, et potentiellement des connecteurs vers des entrepôts de données génomiques comme TCGA ou GEO, des ajouts qui étendraient considérablement la portée de l'outil dans un contexte où l'IA appliquée à l'oncologie de précision connaît une expansion rapide.

UELes chercheurs en oncologie rare en France et en Europe pourraient réduire le temps consacré à l'intégration de données biomédicales fragmentées, bien que la tarification à l'usage constitue un obstacle pour les équipes académiques aux budgets contraints.

OutilsOutil

1 source

4AWS ML Blog

De l'idée à l'application IA : créer des assistants de recherche intelligents avec Strands

Amazon Web Services a publié Strands Agents, un framework open source sous licence Apache 2.0 qui permet de construire un assistant de recherche IA fonctionnel en une trentaine de lignes de Python. L'outil s'appuie sur les modèles fondamentaux d'Amazon Bedrock pour doter les agents d'une capacité de raisonnement autonome, sans avoir à coder manuellement chaque étape logique. AWS affirme déjà utiliser Strands Agents en production dans plusieurs de ses propres services, notamment Amazon Q et AWS Glue. L'annonce s'accompagne de la présentation de Kiro, un environnement de développement intégré alimenté par l'IA, qui intègre un mécanisme d'extensions appelé "Kiro Powers" : plus de cinquante modules préconfigurés couvrant la conception, le déploiement, la sécurité et l'observabilité, installables en un clic. Le module Strands, par exemple, embarque la documentation du SDK, des guides de démarrage et les patterns d'API corrects pour que Kiro puisse générer des agents fiables dès le premier essai. L'enjeu est de taille pour les équipes de développement : orchestrer plusieurs appels d'API, gérer l'état des conversations et construire des agents capables de planifier leurs actions représentait jusqu'ici un chantier réservé aux spécialistes du traitement du langage naturel et des systèmes distribués. Strands Agents casse cette barrière grâce à une approche model-driven où c'est le LLM lui-même qui prend en charge la logique et l'enchaînement des outils, le développeur n'ayant plus qu'à fournir un prompt et une liste de fonctions décorées avec @tool. Le framework est agnostique en matière de fournisseur : il fonctionne avec Amazon Bedrock, Anthropic et OpenAI, et supporte des architectures allant du simple agent isolé aux réseaux multi-agents hiérarchiques. Les réponses en streaming temps réel le rendent particulièrement adapté aux interfaces interactives. Cette publication s'inscrit dans une offensive plus large d'AWS pour capter les développeurs dans l'écosystème d'agents IA, un marché en pleine structuration où Google, Microsoft et Anthropic proposent leurs propres frameworks et plateformes. En rendant Strands open source et en le couplant à un IDE maison, AWS mise sur l'effet de réseau et la fidélisation par les outils plutôt que par le seul accès aux modèles. La compatibilité native avec AWS Lambda et IAM Identity Center facilite le passage du prototype à la production sans réécriture, ce qui constitue un argument décisif pour les entreprises déjà ancrées dans l'écosystème cloud d'Amazon. Les prochaines étapes probables incluent l'extension de la bibliothèque de Kiro Powers par la communauté et l'intégration plus étroite de Strands avec d'autres services AWS d'analyse et d'automatisation.

UELes équipes de développement européennes peuvent adopter Strands Agents pour accélérer leurs projets d'agents IA, mais l'intégration native avec Lambda et IAM renforce la dépendance à l'écosystème AWS, ce qui soulève des questions de souveraineté numérique pour les entreprises françaises et européennes.

OutilsOutil

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic