Indegene用Bedrock智能体写质检规则提效7倍

时间：2026年11月4日（美国太平洋时间上午8:25，对应北京时间11月5日0:25）。 地点：线上为 AWS 云上 Indegene 的 NEXT 统一数据平台（NEXT UDP）；线下涉及总部位于印度班加罗尔的生命科学服务商 Indegene 与 AWS 机器学习博客团队。 人物：AWS 机器学习博客作者 Bhagyashree Chandak；Indegene 数据分析高级经理 Shravan K S（本文合著者，拥有 18 年以上分析、数据平台与系统集成经验）。 事件详情：AWS 官方机器学习博客 11 月 4 日发布技术文章，介绍生命科学服务商 Indegene 如何在其 NEXT 统一数据平台（NEXT UDP）内构建生产级大语言模型驱动的数据质量智能体（Data Quality Agent），核心组件是 Amazon Bedrock、Strands Agents 与 Amazon Bedrock AgentCore，规则与代码生成使用 Bedrock 上的 Claude Sonnet 4.5，并接入 Bedrock Guardrails 与 AgentCore memory。智能体在推荐任何校验规则之前，会从六类来源组装上下文，包括表列元数据、数据画像、异常检测结果、现有规则、外部参考标准和内部企业知识库；它维护两个互补知识库，内部企业知识库通过 RAG 检索业务术语表、数据字典、SOP、监管指引、已批准规则、验证脚本、画像结果、历史异常与专家反馈，外部参考知识库则基于获批的数据质量标准框架、网络检索和受控网页抓取定期更新，例如针对 NPI（National Provider Identifier）字段识别适用标准并推荐 10 位数字格式。治理上，每条生成的规则都带置信度评分，只有高置信度、低风险的规则自动通过，关键规则与业务规则始终交由领域专家（SME）复核，每次决策都记录在规则库中。按官方博客引述的生产数据，定义并落地一个数据集的数据质量规则，投入从约 30 小时降到约 4 小时，相当于人工投入减少约 85%、产出效率约提升 7 倍，新表接入从 2 至 5 个工作日缩短到 2 至 4 小时；博客同时把这些运营指标标注为基于 Indegene 生产部署的估算。 背景：Indegene Limited（BSE: 544172，NSE: INDGN）是生命科学行业的战略运营合作伙伴，总部位于印度班加罗尔，业务覆盖商业、医学、研发与药物警戒，AWS 官方博客称其服务全球前 20 大生物制药公司。在这类受监管行业里，数据质量的难点从来不只是空值、重复、类型这类结构性问题，更难的是业务规则本身散落在术语表、SOP 和专家经验里，既难集中治理也难复用，而 AI 模型、看板和商业结论的可信度最终都压在数据可信度上。另一份独立案例（Rapyder 于 2026 年 9 月发布）记录了 Indegene 同方向的数据质量平台建设：把 80% 以上的常规数据质量检查自动化、规则准确率超过 95%，其早期版本运行在 Bedrock Agents 与 Claude Sonnet 3.7、3.5 之上，架构与本次发布的 AgentCore 方案并不相同。 影响：对 Indegene 来说，数据质量从依赖人工的定期治理动作，变成可规模化、可复用的平台能力。对生命科学客户来说，这类智能体提供的是带审计留痕的规则生成加人工复核组合，而不是让模型直接改数据。对 AWS 生态来说，这是一份受监管行业里的生产级参考架构，AgentCore runtime 的会话隔离、AgentCore memory 对复核反馈的留存，加上 Bedrock Guardrails，构成这类落地场景中可复用的组件组合。 总结：Indegene 与 AWS 联手把数据质量规则这件事做成了生产环境里的智能体工作流，而不是概念演示。技术上并不新奇，真正值得看的是两点：一是 30 小时降到 4 小时这个量级的生产数据，指向数据工程人力结构的改变；二是从自动生成、置信度分级、SME 复核到 DynamoDB 规则库留痕的完整链条，说明在强监管行业里 AI 落地比拼的不是模型能力，而是治理链路能否闭环。对国内做医疗、制药数据平台的团队，这套组件选型与责任划分有直接参考价值。 常见问题： 问：Indegene 是什么公司？ 答：生命科学行业的战略运营合作伙伴，总部在印度班加罗尔，客户含全球前 20 大药企。 问：用的哪个模型？ 答：Bedrock 上的 Claude Sonnet 4.5，配套 Strands Agents、AgentCore、Bedrock Guardrails。 问：规则还要人工复核吗？ 答：要，仅高置信度低风险规则自动通过，关键规则交专家复核并留痕。 参考来源： AWS 官方机器学习博客原文（英文，含架构图与指标表） https://aws.amazon.com/blogs/machine-learning/how-indegene-is-modernizing-and-scaling-enterprise-data-quality-in-life-sciences/ AWS 官方博客简体中文版（同一篇技术文章的官方译本） https://aws.amazon.com/cn/blogs/machine-learning/how-indegene-is-modernizing-and-scaling-enterprise-data-quality-in-life-sciences/ Rapyder 客户案例：Indegene 用 Amazon Bedrock 自动化 80% 以上常规数据质量检查 https://www.rapyder.com/case-studies/how-indegene-cut-manual-data-quality-work-by-80-with-amazon-bedrock/ ScopeAI 中文解读：Indegene 在 AWS 上构建 LLM 数据质量代理 https://scopeai.cc/stories/indegene%e5%9c%a8aws%e4%b8%8a%e6%9e%84%e5%bb%ballm%e6%95%b0%e6%8d%ae%e8%b4%a8%e9%87%8f%e4%bb%a3%e7%90%86-%e4%b8%ba%e7%94%9f%e5%91%bd%e7%a7%91%e5%ad%a6%e4%bc%81%e4%b8%9a%e7%94%9f%e6%88%90sql%e5%92%8cpython%e6%a0%a1%e9%aa%8c%e8%a7%84%e5%88%99-mw2d62x2 奇点 AI 索引：Indegene 如何实现生命科学领域企业数据质量的现代化与规模化 https://ai.qidiandaohang.com/news/11785371/ 超级智能 SI163：Indegene 如何借助 LLM 实现生命科学领域企业数据质量的现代化与规模化 https://www.si163.com/news/indegene-%e5%a6%82%e4%bd%95%e5%80%9f%e5%8a%a9-llm-%e5%ae%9e%e7%8e%b0%e7%94%9f%e5%91%bd%e7%a7%91%e5%ad%a6%e9%a2%86%e5%9f%9f%e4%bc%81%e4%b8%9a%e6%95%b0%e6%8d%ae%e8%b4%a8%e9%87%8f%e7%9a%84%e7%8e%b0 Today for AI：Indegene Deploys LLM-Powered Data Quality Agent on AWS https://todayforai.com/en/items/art-64689654-7f4