处方可读性与支持

Amazon Pharmacy 面临非结构化处方文本的挑战，这常常导致药房运营中的错误和低效。为了解决这个问题，该组织实施了生成式 AI 技术来规范化和总结处方信息，简化了处理流程。这种创新方法使订单处理速度提高了 90%，并使药房客户数量相比前一年翻了一番。因此，处方配药速度加快，人为错误显著减少，药剂师生产力提高，最终提升了整体服务质量。

客服代理在回答患者和医生关于处方澄清、转移状态、订单和分发细节等问题时，难以快速找到精确信息，因为医疗流程的多样性、数据量和复杂性很高，查找、总结和解释信息耗时，减慢了服务患者的速度。

构建了一个基于生成式AI的问答聊天机器人助手，使代理能够通过自然语言实时检索信息。采用检索增强生成（RAG）模式：首先将已知问答对转换为嵌入向量作为索引；新查询同样被嵌入后，利用相似度在向量库中检索匹配答案；将检索到的答案作为上下文提示发送给大语言模型，生成最终回答。代理审核并编辑后回复客户，同时通过反馈机制持续改进模型。解决方案使用Amazon SageMaker JumpStart的基础模型进行快速实验和部署，嵌入和生成模型分别托管在SageMaker端点，知识库存储在Amazon S3，并通过VPC和PrivateLink确保网络隔离与HIPAA合规。

1. 1确定问答对作为初始真实数据，利用嵌入专用基础模型将问题转化为嵌入向量，构建向量索引。
2. 2客户发送查询后，代理在内部客服界面提问，查询被转换为嵌入并用作搜索键，通过相似度模型（如FAISS或Amazon OpenSearch）从索引中检索最匹配的答案。
3. 3将检索到的答案作为上下文，与提示一起发送给大语言模型生成最终回答。
4. 4代理审核并编辑机器人回答后发送给客户，同时标记正向或负向反馈。
5. 5反馈数据被存储并用于未来模型的微调或数据改进，形成持续开发循环。

该案例未在来源材料中披露量化效果指标，具体成效请参考下方信息来源。

未披露