Pharma Ethics & Compliance Copilot (RAG)Ethics & Compliance Copilot für Pharma (RAG)
Led a 5-person team building a cited, document-grounded compliance copilot on Azure OpenAI.Leitung eines 5-köpfigen Teams beim Aufbau eines quellenbasierten Compliance-Copiloten auf Azure OpenAI.
ChallengeHerausforderung
In a regulated pharma environment, compliance teams were spending significant time hunting through dense internal policy documents to answer ethics & compliance questions. A general LLM could answer instantly — but an unsourced or hallucinated answer is worse than none when the subject is regulatory compliance. The hard requirement was trust: every answer had to be grounded in the actual policy documents and cite its sources, so staff could verify it rather than take it on faith.In einem regulierten Pharma-Umfeld verbrachten Compliance-Teams viel Zeit damit, dichte interne Richtliniendokumente zu durchsuchen, um Ethics- & Compliance-Fragen zu beantworten. Ein allgemeines LLM könnte sofort antworten – aber eine unbelegte oder halluzinierte Antwort ist bei regulatorischer Compliance schlimmer als gar keine. Die harte Anforderung war Vertrauen: Jede Antwort musste in den echten Richtliniendokumenten verankert sein und ihre Quellen zitieren, damit Mitarbeitende sie prüfen können, statt ihr blind zu vertrauen.
ApproachVorgehen
- 01
Frame with compliance Mit Compliance framen
Defined the target questions, the source policy corpus, and the non-negotiable: every answer cited, no hallucinations. Zielfragen, Quell-Korpus und die nicht verhandelbare Vorgabe definiert: jede Antwort belegt, keine Halluzinationen.
- 02
Index the policy corpus Policy-Korpus indexieren
Ingested and embedded the internal policy documents into a searchable vector index (Azure AI Search). Interne Richtliniendokumente in einen durchsuchbaren Vektor-Index (Azure AI Search) eingelesen und eingebettet.
- 03
Build the RAG pipeline RAG-Pipeline bauen
Wired retrieval to Azure OpenAI via LangChain, so answers are generated from the retrieved passages — not the model's memory. Retrieval über LangChain an Azure OpenAI angebunden, sodass Antworten aus den abgerufenen Passagen entstehen – nicht aus dem Modellgedächtnis.
- 04
Ground every answer Jede Antwort belegen
Attached source citations to each answer so compliance staff can verify it against the original document. Jeder Antwort Quellenangaben beigefügt, damit Compliance-Mitarbeitende sie gegen das Originaldokument prüfen können.
- 05
Ship the product Das Produkt shippen
Shipped a React front end on Terraform-provisioned Azure infrastructure with GitLab CI/CD; led the 5-person team throughout. React-Frontend auf Terraform-provisionierter Azure-Infrastruktur mit GitLab CI/CD ausgeliefert; durchgehend das 5-köpfige Team geleitet.
ArchitectureArchitektur
RAG architecture, two phases sharing one vector index. Offline indexing: policy documents are chunked, embedded (Azure OpenAI) and stored in Azure AI Search. Runtime query: the question is embedded and matched against that index; the retrieved top-k passages are passed to Azure OpenAI (GPT) for grounded generation, returning a cited answer. RAG-Architektur, zwei Phasen mit einem gemeinsamen Vektorindex. Offline-Indexierung: Richtliniendokumente werden gechunkt, eingebettet (Azure OpenAI) und in Azure AI Search abgelegt. Query zur Laufzeit: Die Frage wird eingebettet und gegen diesen Index abgeglichen; die abgerufenen Top-k-Passagen gehen an Azure OpenAI (GPT) zur geerdeten Generierung und liefern eine zitierte Antwort.
Two phases share one vector index. Offline, policy documents are chunked, embedded (Azure OpenAI) and stored in Azure AI Search. At query time the question is embedded and matched against that index; the retrieved top-k passages are passed to Azure OpenAI (GPT), which composes an answer grounded in — and citing — those sources. Zwei Phasen teilen sich einen Vektorindex. Offline werden Richtliniendokumente gechunkt, eingebettet (Azure OpenAI) und in Azure AI Search abgelegt. Zur Laufzeit wird die Frage eingebettet und gegen diesen Index abgeglichen; die abgerufenen Top-k-Passagen gehen an Azure OpenAI (GPT), das eine Antwort erzeugt, die in diesen Quellen verankert ist und sie zitiert.
Press play to watch one compliance question answered end-to-end — the question is embedded, matched against the policy index in Azure AI Search, and answered by Azure OpenAI grounded only in the retrieved passages, with every claim cited to its source. Play drücken und zusehen, wie eine Compliance-Frage Ende-zu-Ende beantwortet wird — die Frage wird eingebettet, in Azure AI Search gegen den Policy-Index abgeglichen und von Azure OpenAI ausschließlich aus den abgerufenen Passagen beantwortet, jede Aussage mit ihrer Quelle belegt.
- [1] SOP-114 · §3 — Adverse-event reporting timelines — Fristen zur Meldung unerwünschter Ereignisse
- [2] Pharmacovigilance Policy · §7 — Reporting obligations — Meldepflichten
ImpactWirkung
- Cited & grounded Belegt & fundiertEvery answer traces to a source document Jede Antwort führt auf ein Quelldokument zurück
- Faster answers Schnellere AntwortenCompliance lookups in seconds, not searches Compliance-Antworten in Sekunden statt Suche
- Shipped on Azure Auf Azure ausgeliefertDelivered to production In Produktion ausgeliefertPublic PwC × Microsoft case study. Öffentliche PwC-×-Microsoft-Case-Study.
- 5-person team 5-köpfiges TeamLed design through delivery Von Design bis Delivery geleitet
My RoleMeine Rolle
Team lead & solution architect — led the 5-person team, owned the RAG architecture and the citation-grounding approach, and drove it through to production.Teamlead & Solution Architect — leitete das 5-köpfige Team, verantwortete die RAG-Architektur und den Citation-Grounding-Ansatz und brachte es bis in die Produktion.
StackStack
- Azure OpenAI
- LangChain
- Azure AI Search
- React
- Python
- Terraform
- GitLab CI/CD