From RAG to QA-RAG: Integrating Generative AI for Pharmaceutical Regulatory Compliance Process

药品行业的监管合规性需要遵循复杂而繁琐的指南，通常需要大量人力资源。为了解决这些挑战，我们的研究引入了一个聊天机器人模型，利用生成式人工智能和检索增强生成（RAG）方法。该聊天机器人旨在搜索与用户查询相关的指南文件，并根据检索到的指南提供答案。鉴于该领域对高可靠性的固有需求，我们提出了问题和答案检索增强生成（QA-RAG）模型。在比较实验中，QA-RAG模型表现出了显著的精度提升，优于所有其他基线，包括传统的RAG方法。本文详细介绍了QA-RAG的结构和性能评估，强调了其在药品行业和其他领域监管合规性方面的潜力。我们已经公开了我们的工作，以供进一步的研究和开发。

论文旨在解决制药行业中复杂的监管合规性问题，提出一种使用生成式人工智能和检索增强生成（RAG）方法的聊天机器人模型，能够根据用户查询搜索相关指南文档并提供答案。

该论文提出了一种基于问题和答案检索增强生成（QA-RAG）模型，具有高可靠性和准确性，并在实验中表现出优异的性能。相比传统的RAG方法，QA-RAG模型在监管合规领域具有更好的适用性。

论文的亮点在于提出了一种基于QA-RAG的聊天机器人模型，能够有效解决制药行业中的监管合规性问题。实验表明，QA-RAG模型在准确性方面表现出色，优于其他基线模型。此外，论文还公开了数据集和代码，有助于进一步研究和开发。

近年来，有许多关于使用人工智能技术解决监管合规性问题的研究。例如，'Using machine learning to improve regulatory compliance'和'Artificial intelligence and machine learning for regulatory compliance'等。