案例06｜Fig. 11.2：AI-powered Chatbot Architecture 的資料與互動流程

一、案例定位

本案例依原書 11.4 與 Fig. 11.2 整理。

將 Pharmaceutical Chatbot Architecture 拆成 Input、NLP、Retrieval、Vector Store、Generation／Interaction、Memory 與 Enterprise Integration。

二、學習目標

掌握 Fig. 11.2 的主要模組。
區分 Training／Fine-tuning 與 Runtime Retrieval。
理解 Chatbot 與 Supply Chain System 的整合目的。

三、案例情境

原書提出的 AI-powered Chatbot 用於 Patient Engagement、Communication、Regulatory Compliance 與 Customer Support。模型先以 Medical Literature、Drug Database、Regulatory Document 建立 Domain Knowledge，再以 Pharmaceutical Case、Clinical Trial Data、Real-world Patient Interaction 做 Fine-tuning；Runtime 時則從 User Query 解析 Context 並擷取相關資料。

四、開始資料

Architecture Stage	原書內容	主要功能
Domain model	NLP chatbot model	理解 Query／medical terms／context
Training sources	Medical literature、drug databases、regulatory documents	建立 domain-aware response basis
Fine-tuning sources	Pharmaceutical cases、clinical trials、real-world patient interactions	處理 domain-specific query
User Query	Patient／doctor／stakeholder chat input	提出 drug／side effect／contraindication／compliance 問題
Contextual Retrieval	FDA guideline、clinical trial、patent 等	取得即時外部 context
Vector retrieval	Chunk → embedding → vector database	快速找到 relevant document
Chat History	User Interaction Memory	支援 multi-turn continuity
Enterprise integration	ERP／inventory／logistics	即時 availability／order／supply-chain support

五、分析方法

將 Architecture 拆成 Offline Preparation 與 Online Query Flow，避免把 Fine-tuning 與 Runtime Retrieval 混為一談。

六、計算結果

Fig. 11.2 為架構圖，沒有提供模型訓練指標。

七、結果分析與管理解讀

在高時效需求中，Retrieval Layer 的作用是把模型生成接到當下資料，而 Memory Layer 則維持對話脈絡；兩者目的不同。

八、AI 提問詞

請依 Fig. 11.2 將架構分成 offline preparation 與 online query flow，說明每個模組的 input/output；不得把 Fine-tuning 誤寫成每次 Query 都重新訓練模型。