1. Overview (Bối cảnh dự án)

Dự án này được thực hiện để giải quyết gánh nặng lớn về tài liệu và vấn đề chênh lệch chất lượng phát sinh trong quá trình Đánh giá chất lượng sản phẩm hàng năm (APQR, Annual Product Quality Review) của GC Biopharma.
APQR là công việc chất lượng cốt lõi yêu cầu lập báo cáo hàng trăm trang dựa trên dữ liệu phân tán trên nhiều hệ thống (LIMS, QMS, ERP, v.v.) một cách định kỳ, và cấu trúc này đòi hỏi nhiều thời gian và nhân lực cho việc thu thập, xem xét và sắp xếp dữ liệu.

Do đó, GC Biopharma đã bắt đầu dự án với mục tiêu xây dựng hệ thống có thể tối ưu hóa quá trình viết tài liệu chất lượng bằng cách sử dụng công nghệ AI và đảm bảo tính chính xác và nhất quán của chất lượng tài liệu.

2. Challenge (Định nghĩa vấn đề)

Trước khi khởi động dự án, công việc viết tài liệu chất lượng có những hạn chế cấu trúc sau đây.

• Khối lượng tài liệu lớn và gánh nặng công việc lặp lại
  Để lập báo cáo APQR quy mô hàng trăm trang hàng năm, phải thu thập, xử lý và xem xét dữ liệu từ nhiều hệ thống, và gánh nặng công việc tăng lên do công việc lặp lại thủ công.

• Lỗi con người và sự chênh lệch kết quả
  Có khả năng cao xảy ra lỗi trong quá trình nhập liệu thủ công và xem xét thủ công, và chất lượng tài liệu cũng như tính nhất quán của kết quả khác nhau tùy theo năng lực của người phụ trách.

• Dữ liệu phân tán và sử dụng không hiệu quả
  Dữ liệu liên quan đến chất lượng được phân tán ở dạng silo trên nhiều hệ thống như LIMS, QMS, ERP, v.v., khiến việc phân tích tích hợp và sử dụng trở nên khó khăn.

3. Solution (Giải pháp)

GC Biopharma và MegazoneCloud đã xây dựng hệ thống hỗ trợ viết tài liệu chất lượng dựa trên AI để triển khai từng bước tích hợp dữ liệu, tự động hóa tài liệu và tăng cường tính chính xác.

• Xây dựng nền tảng dữ liệu
  Đã tạo nền tảng dữ liệu có thể thu thập, lưu trữ, xử lý và phân tích dữ liệu liên quan đến chất lượng từ QMS, LIMS, ERP, v.v., cung cấp cơ sở để quản lý tích hợp dữ liệu cần thiết cho việc viết tài liệu một cách ổn định.

• Kỹ thuật Prompt Engineering và viết dựa trên Rule
  Đã áp dụng prompt engineering để tóm tắt tài liệu và trích xuất thông tin chính, và bổ sung bằng Coding dựa trên Rule cho các phép tính số học, định dạng và logic chuyên biệt về miền để đảm bảo tính chính xác và độ tin cậy của kết quả.

• SQL-based Context Augmentation
  Thông qua SQL được xác định trước, đã tìm kiếm dữ liệu cần thiết một cách có chọn lọc và chuyển ngữ cảnh đó đến LLM, từ đó giảm thiểu ảo giác (Hallucination) và triển khai phản hồi dựa trên dữ liệu nội bộ.

• Phương pháp xây dựng từng bước và nâng cao
  Dự án được tiến hành dưới dạng PoC → Xây dựng lần 1 → Mở rộng lần 2, và liên tục cải thiện prompt và chức năng dựa trên phản hồi từ bộ phận hiện tại.

4. Result (Kết quả)

Thông qua việc xây dựng hệ thống hỗ trợ viết tài liệu chất lượng dựa trên AI, đã đạt được những kết quả thực tế sau đây.

• Rút ngắn đáng kể thời gian viết tài liệu
  Đã tiết kiệm hơn 2.845 giờ trong thời gian cần thiết cho việc thu thập, xử lý, phân tích dữ liệu và viết bản nháp, giảm đáng kể gánh nặng công việc của người phụ trách.

• Đảm bảo tính nhất quán và chính xác của chất lượng tài liệu
  Bằng cách tạo tài liệu chỉ dựa trên dữ liệu hệ thống, đã đảm bảo ổn định các sản phẩm đầu ra có cùng mức chất lượng và ngăn chặn hiệu quả lỗi con người.

• Đạt được sự hài lòng của bộ phận hiện tại và khả năng mở rộng
  Đã nhận được phản hồi tích cực từ những người dùng thực tế về tiêu chuẩn hóa tài liệu, giảm các mục bị bỏ sót và tiện lợi trong truy vấn dữ liệu, và đã đảm bảo kỳ vọng về khả năng mở rộng sang các tài liệu chất lượng bổ sung.

• Triển khai tự động hóa báo cáo tùy chỉnh theo từng nhà máy
  Đã xây dựng hệ thống có thể tự động tạo APQR và các báo cáo liên quan cho từng nhà máy Ochang, Eumseong và Hwasun.