[論文レビュー] Finder: A Multimodal AI-Powered Search Framework for Pharmaceutical Data Retrieval

Suyash Mishra, Srikanth Patil+3 more|arXiv (Cornell University)|Jan 6, 2026

Biomedical Text Mining and Ontologies被引用数 0

ひとこと要約

Finderはハイブリッドな sparse と dense 検索を用いた多モーダルな医薬データ取得を統合し、LLM ベースのクエリ最適化で強化され、エンタープライズ規模の性能を示す。

ABSTRACT

AI is transforming pharmaceutical search, where traditional systems struggle with multimodal content and manual curation. Finder is a scalable AI-powered framework that unifies retrieval across text, images, audio, and video using hybrid vector search, combining sparse lexical and dense semantic models. Its modular pipeline ingests diverse formats, enriches metadata, and stores content in a vector-native backend. Finder supports reasoning-aware natural language search, improving precision and contextual relevance. The system has processed over 291,400 documents, 31,070 videos, and 1,192 audio files in 98 languages. Techniques like hybrid fusion, chunking, and metadata-aware routing enable intelligent access across regulatory, research, and commercial domains.

研究の動機と目的

• pharma の検索における多モーダルデータ量と規制の複雑さの課題に対処する。
• テキスト、画像、音声、ビデオのためのモジュール型取り込みと正規化パイプラインを開発する。
• LLM 支援のクエリ理解によるハイブリッド lexical および semantic 検索を実現する。
• メタデータを考慮したルーティングとランキングで関連性・文脈・取得速度を向上させる。

提案手法

• PDFs、Word、PPT、音声、ビデオ、画像などの多様な形式を取り込み、メタデータ付きの構造化テキストへ正規化する。
• 抽出型および抽象的タグ付けを含むモジュール型タグ付けパイプラインと文書要約を使用する。
• content を BM42 lexical scores と Mixedbread dense embeddings の融合でベクトル化し、ハイブリッド検索を実現する。
• Claude 4 を意図解析とクエリ最適化に適用し、動的な再定式化と自動フィルタリングを実施する。
• 未決定の類似度と正規化 BM42 スコアの加重融合で結果をランク付けし、継続的な学習-to-rank 開発を行う。

Figure 1: Finder Architecture Diagram

実験結果

リサーチクエスチョン

• RQ1 テキスト、画像、音声、ビデオを横断して多モーダル医薬データを効率的に取得するにはどうすればよいか。
• RQ2 規制医薬品領域における精度と再現率に対するハイブリッド lexical- semantic 検索の影響は何か。
• RQ3 意図解析と動的再フォーマットはあいまいまたは不完全なクエリの取得を改善できるか。
• RQ4 医薬品分野の企業規模の多モーダル検索システムの待機時間とスケーラビリティ特性はどのようになっているか。
• RQ5 メタデータを意識したルーティングは規制ワークフローにおける検索の関連性とユーザー信頼にどのように影響するか。

主な発見

• Finder は 1,000 件のテストクエリで平均関連性率 87.7% を達成した。
• エンタープライズ規模のテストでは、PDF の取り込み時間が 193 秒、音声が 116 秒、ビデオが 203 秒だった。
• クエリ処理待機時間は約 2 秒、API 応答待機時間は約 5 秒で、最大 200 の同時クエリをサポートした。
• 初期導入で文書の特定時間が約 40%短縮され、検索関連性が約 35%向上した。
• 自動タグ付けによりメタデータ作成に約 50 時間/月の節約があり、手動検査の労力が約 45%削減された。

Figure 2: Vectorization Pipeline