Indegene 如何在生命科学领域用 LLM 数据质量智能体扩展企业数据治理

Indegene 在 AWS 上为其 NEXT Unified Data Platform（NEXT UDP）构建了生产级、由大语言模型驱动的 Data Quality Agent，用于在生命科学企业的商业、医学、市场准入等业务场景中规模化维护数据质量。该平台将分散的商业、医学、临床与企业数据汇聚到统一治理环境中，并提供数据摄取、数据质量、编排、数据目录和 SQL Bot 生成等多个独立 AI 智能体。 传统数据质量项目的痛点在于技术与业务规则分属两套体系：数据工程师在代码中维护空值、格式、唯一性等技术规则，业务团队则在术语表、SOP 和专家经验中定义业务规则，两者难以持续对齐。静态校验逻辑也无法表达产品层级、客户分层、区域对齐等业务上下文，新数据集接入往往需要重复进行数据剖析、规则定义、SQL 开发和验证。 Data Quality Agent 的核心是两套知识库。内部企业知识库整合业务术语表、数据字典、SOP、监管指引、已批准规则、已验证脚本、剖析结果、历史异常和专家反馈，经向量化后通过 RAG 检索；外部参考知识库则基于经批准的标准化数据质量框架、网络搜索和受控抓取定期更新，例如可识别 NPI 列应满足 10 位数字格式并执行参考值校验。 工作流覆盖从数据剖析到规则治理的完整链路：用户选择 Amazon Redshift 或 Snowflake 等数据源及库表，系统计算质量指标与列模式、对照历史基线标记异常，随后由智能体结合元数据、剖析结果、异常、现有规则和知识库上下文推荐带严重级别的技术与业务规则，用户逐条审核修改后生成 SQL 与 Python 代码并验证，最终存入中央规则库供执行、监控和审计。 架构上，请求经 AWS WAF、Amazon API Gateway 和 Amazon Cognito（OAuth 2.0 与 JWT 校验）进入；元数据由 AWS Glue Data Catalog 采集；剖析与异常检测由 AWS Lambda 上的 Python 进程完成，结果存入 Amazon DynamoDB；知识检索依托 Amazon Bedrock Knowledge Base。方案继承现有 AWS 安全与审计控制，使团队可聚焦数据质量逻辑而非智能体基础设施。