제약(Pharma) 팀들이 생성형 AI (Generative AI)를 사용할지 말지에 대한 단순한 선택에 직면하는 경우는 드뭅니다. 실제 결정 사항은 어떤 기술적 접근 방식이 특정 과학적 또는 규제된 워크플로우 (workflow)에 적합한가 하는 점입니다. 분자 설계 (Molecular design), 임상 문서 검색 (clinical document retrieval), 안전 사례 처리 (safety case processing), 그리고 GMP 일탈 지원 (GMP deviation support)은 증거, 지연 시간 (latency), 검증 (validation), 그리고 인간의 감독 (human oversight)에 대해 매우 다른 요구 사항을 부과합니다.

pharma AI model comparison

따라서 생성형 AI 활용 사례 (Generative AI Use Cases)에 대한 유용한 검토는 모든 애플리케이션을 챗봇 (chatbot)으로 취급하기보다 아키텍처 (architectures)를 비교해야 합니다. 네 가지 일반적인 접근 방식은 범용 프롬프팅 (general-purpose prompting), 검색 증강 생성 (retrieval-augmented generation, RAG), 도메인 적응 (domain adaptation), 그리고 제약된 워크플로우 에이전트 (constrained workflow agents)입니다.

범용 프롬프팅 (General-purpose prompting)

가장 단순한 접근 방식에서는 사용자가 광범위하게 학습된 모델에 직접 지침을 제출합니다. 이는 저위험 아이디어 구상 (ideation), 통제되지 않은 텍스트의 재작성, 코드 프로토타입 (code prototypes) 생성, 또는 확립된 개념을 설명하는 데 유용합니다.

장점으로는 빠른 설정, 광범위한 언어 능력, 그리고 낮은 초기 엔지니어링 노력이 있습니다. 약점 또한 그만큼 중요합니다. 내부 연구에 대한 지식 제한, 불확실한 데이터 최신성, 취약한 출처 (provenance), 그리고 그럴듯하지만 근거 없는 진술을 생성하는 경향이 있습니다.

이 접근 방식은 의약 화학자 (medicinal chemist)가 분석 코드 (assay-analysis code)를 브레인스토밍하는 데 도움을 줄 수 있지만, 임상 효능 결론을 초안하거나 SAE (Serious Adverse Event, 중대한 이상사례)가 예상되는지 여부를 결정하는 데는 부적합합니다. 그러한 결정은 통제된 제품 및 연구 증거에 달려 있습니다.

검색 증강 생성 (Retrieval-augmented generation)

RAG는 관련 있는 내부 콘텐츠를 검색하여 모델에 컨텍스트 (Context)로 제공합니다. 이는 연구 보고서 질의, CMC 개발 이력 추적, 승인된 절차 요약, 또는 유사한 품질 일탈 (Quality deviations) 사례 검색과 같이 지식 집약적인 생성형 AI (Generative AI) 활용 사례 (Use Cases)를 위한 가장 강력한 시작점이 되는 경우가 많습니다.

RAG의 주요 장점은 최신 증거 활용, 문서 수준의 접근 제어, 그리고 추적 가능한 인용 (Citations) 가능성입니다. 그러나 RAG는 위험의 상당 부분을 문서 수집 (Ingestion) 및 검색 단계로 옮깁니다. 부적절한 청킹 (Chunking)은 표를 각주와 분리할 수 있고, 취약한 메타데이터 (Metadata)는 구식 프로토콜을 반환할 수 있으며, 광학 문자 인식 (OCR)은 단위나 배치 식별자 (Batch identifiers)를 손상시킬 수 있습니다.

RAG는 권위 있는 저장소 (Repositories)가 이미 관리되고 있을 때 가장 잘 작동합니다. RAG는 통제되지 않은 중복 문서, 일관성 없는 분류 체계 (Taxonomy), 또는 불분명한 문서 소유권을 보완할 수 없습니다.

도메인 적응 (Domain adaptation) 및 특화 모델 (Specialized models)

모델은 도메인 사례, 작업 특정 미세 조정 (Task-specific fine-tuning), 또는 지속적 학습 (Continued training)을 통해 적응될 수 있습니다. 신약 발견 (Discovery) 단계에서는 특화된 생성형 아키텍처 (Generative architectures)가 분자나 생물학적 서열을 제안할 수 있습니다. 약물 감시 (Pharmacovigilance) 분야에서는 적응된 모델이 사례 정보를 분류하거나, 의심 제품 및 이상 사례를 추출하거나, 구조화된 요약본을 초안 작성할 수 있습니다.

이점으로는 일관된 작업 동작, 전문 용어 처리 능력 향상, 그리고 반복되는 형식에 대한 성능 개선 등이 있습니다. 비용 측면에는 큐레이션된 학습 데이터, 인프라, 평가 노력, 그리고 더 엄격한 변경 제어 (Change control)가 포함됩니다. 또한 미세 조정 (Fine-tuning)은 신뢰할 수 있는 증거 추적 경로를 생성하지 못합니다. 즉, 모델이 용어는 학습할 수 있지만, 어떤 승인된 출처가 해당 주장을 뒷받침하는지 보여주지는 못할 수 있습니다.

그러한 이유로, 적응된 모델과 RAG는 종종 상호 보완적입니다. 적응 (Adaptation)은 작업 동작을 가르치고, 검색 (Retrieval)은 최신의 검토 가능한 증거를 제공합니다.

제약된 워크플로 에이전트 (Constrained workflow agents)

에이전트 (Agent)는 기록을 검색하고, 승인된 도구 (Tools)를 호출하며, 규칙을 적용하고, 정의된 상태 (States) 사이에서 작업을 이동시킬 수 있습니다. 예를 들어, 안전 사례 접수 (Safety case intake)를 지원하는 에이전트는 필드를 추출하고, 완전성을 확인하며, 누락된 정보를 요청하고, 코딩 (Coding)을 제안하며, 해당 사례를 약물감시 (Pharmacovigilance) 전문가에게 전달할 수 있습니다. 검증된 프로세스에서 해당 작업을 명시적으로 허용하지 않는 한, 에이전트가 심각성 (Seriousness), 인과관계 (Causality), 예상 가능성 (Expectedness) 또는 SUSAR 보고 결정을 독립적으로 최종 확정해서는 안 됩니다.

에이전트는 더 강력한 오케스트레이션 (Orchestration)을 제공하며 파편화된 시스템 간의 인수인계 (Handoffs)를 줄일 수 있습니다. 그러나 권한, 도구 호출, 상태 관리 및 오류 전파 (Error propagation)와 관련된 더 넓은 실패 표면 (Failure surface)을 생성하기도 합니다. 에이전트가 더 많은 자율성을 가질수록 트랜잭션 로그 (Transaction logs), 롤백 제어 (Rollback controls) 및 인간의 승인 (Human authorization)이 더욱 중요해집니다.

제어 전략 비교 (Comparing control strategies)

생성된 텍스트는 출처 (Provenance), 결정론적 검사 (Deterministic checks), 검토자 워크플로 (Reviewer workflows) 및 콘텐츠 분석을 통해 관리될 수 있습니다. 기계 생성 콘텐츠 탐지기 (Machine-generated content detectors)는 정밀 검토가 필요한 자료를 표시할 수 있지만, 특정 모델이 해당 구절을 생성했다는 신뢰할 수 있는 증거로 오해해서는 안 됩니다.

실질적인 비교는 다음과 같습니다:

• 일반적인 프롬프팅 (General prompting): 배포가 가장 빠르지만, 근거 (Grounding)가 가장 약함
• RAG: 관리되는 지식 검색 (Governed knowledge retrieval)에 강력하지만, 소스 품질에 의존함
• 도메인 적응 (Domain adaptation): 강력한 작업 특화가 가능하지만, 데이터 및 유지 관리 비용이 높음
• 워크플로 에이전트 (Workflow agents): 자동화 잠재력이 가장 높지만, 오케스트레이션 리스크도 가장 높음

네 가지 접근 방식 모두에서 결정론적 제어 (Deterministic controls)는 여전히 가치가 있습니다. 기존 소프트웨어가 안정적으로 수행할 수 있는 경우, 수치 조정 (Numerical reconciliation), 통제된 용어 검사 (Controlled terminology checks), 스키마 검증 (Schema validation) 및 권한 집행 (Permission enforcement)을 확률론적 모델 (Probabilistic model)에 위임해서는 안 됩니다.

적절한 접근 방식 선택 (Selecting the right approach)

워크플로우 리스크(workflow risk)와 증거 요구 사항(evidence needs)에서부터 시작하십시오. 비(non)-GxP 브레인스토밍의 경우, 일반적인 프롬프팅 (prompting)만으로도 충분할 수 있습니다. 규제 문서 작성 지원 (regulatory authoring support)의 경우, 문장 단위 인용 (sentence-level citations)과 의학적 검토 (medical review)를 포함한 RAG (Retrieval-Augmented Generation) 방식이 더 방어 가능합니다. 대량의 문헌 감시 (literature surveillance)를 위해서는 검색 (retrieval) 및 전문가 판정 (expert adjudication)과 결합된 조정된 분류기 (adapted classifier)가 최적의 균형을 제공할 수 있습니다. 배치 승인 (batch disposition)의 경우, 품질 결정에는 검증된 기록과 책임 있는 권한 부여가 필요하므로 생성된 결과물은 조언(advisory) 수준에 머물러야 합니다.

최상의 생성형 AI (Generative AI) 활용 사례는 종종 하나의 방식만을 독점적으로 선택하는 대신 여러 접근 방식을 결합합니다. 제약된 에이전트 (constrained agent)는 승인된 소스를 검색하고, 특화된 추출 모델 (extraction model)을 호출하며, 결정론적 검증 (deterministic validation)을 실행한 다음, 자격을 갖춘 검토자에게 추적 가능한 권장 사항을 제시할 수 있습니다.

결론 (Conclusion)

바이오 제약 (biopharma) 분야의 생성형 AI (Generative AI) 활용 사례에 있어 보편적으로 우월한 아키텍처 (architecture)는 존재하지 않습니다. 올바른 선택은 소스 거버넌스 (source governance), 작업 반복성 (task repeatability), 환자 및 제품 리스크, 그리고 검토에 필요한 증거에 달려 있습니다. Pharmaceutical AI Solutions를 비교할 때, 팀은 단순히 출력물의 유창함(fluency)뿐만 아니라 모델을 둘러싼 전체 제어 시스템 (control system)을 평가해야 합니다.