AI 系統開發

小兒科 RAG 系統

=== 專案定位 === - 將醫師的衛教文章、FAQ 與專業知識整理成可控知識庫的醫療助手。 - 主要服務兒童身高、青春期、生長發育、骨齡及相關就醫疑問。 - 系統目標是先協助家長釐清觀念與判斷下一步，而非取代醫師診斷。 === 資料來源與知識庫 === - 後台可上傳 PDF、文字、圖片與筆記，並保存文件擁有者、檔案格式、RAG 範圍與處理狀態。 - 知識庫區分為 knowledge（醫療知識）與 persona（醫師語氣／角色），避免把語氣資料誤當醫療依據。 === 檢索與重排序 === - 使用 text-embedding-3-large 產生 3,072 維向量。 - 使用者問題會先正規化，把不同口語問法對齊到同一醫療主題。 - 初步向量檢索最多找出 10 個候選，再由 gpt-5.4-mini 依直接相關性、年齡門檻、警訊、例外條件與安全性重排序，最後取前 5 筆作為回答依據。 - 目前測試題評測中，rerank 後 Hit@1 從 70% 提升到 83%，Hit@5 維持 98%，MRR@5 從 0.821 提升為 0.902。

・2026/07/18 更新

更多來自吳育安的作品

理賠自動化 Agent

=== 企業知識庫：RAG === 理賠 FAQ、保單條款、事故處理流程等文件被切分、向量化後放進 S3 Vector。問題進來時，系統做向量檢索，取回最相關的條文或流程片段，再交由模型依據內容回答。這能降低模型憑空回答、過度承諾理賠金額的風險。 === 個人保單資料查詢 === Agent 透過 Bedrock AgentCore Gateway 呼叫保單查詢工具。回傳可用於回答的保單狀態、保障內容、保額、保費等資料。這層與 RAG 的差別是：RAG 查的是「通用知識」，工具查的是「此登入客戶的即時／個人化資料」。 === Agent 編排與對話記憶 === Bedrock AgentCore Runtime 內執行 LangChain 編排流程：護欄、檢索、模型推論、工具呼叫、記憶寫入與追蹤。 AgentCore Memory 保存同一 session 的短期上下文，例如客戶先說「車子擦撞」、後面補充「對方有人受傷」時，Agent 能連貫判斷。簡報另提到長期紀錄保存與音檔採樣，適合用於稽核、服務改善與後續模型／流程優化；但沒有明確標示其最終儲存服務與保存期限。 === 監控、評估與資安 === CloudWatch GenAI Observability 與 CloudWatch Logs 記錄 session、模型呼叫、工具呼叫、錯誤和延遲。 AgentCore Evaluation 對回答做正確性、忠實性、實用性、相關性，以及工具選擇／參數正確度評分。 VPC 私有子網、TLS、KMS、WAF、IAM、GuardDuty 與 Security Hub 分別保護網路、傳輸、靜態資料、權限與異常行為。

AI 系統開發

影像辨識模型＆半自動化標注軟體

資訊系統整合建置

吳育安

3 人諮詢前天上線平均 6小時內回覆

小兒科 RAG 系統

更多來自 吳育安 的作品

理賠自動化 Agent

影像辨識模型＆半自動化標注軟體

更多來自吳育安的作品