Flo Health利用Amazon Bedrock擴充套件醫學內容稽核——第二部分

Flo Health是一家專注於女性健康的應用開發公司，每天需要創作大量內容，包括應用內故事、文章、入離職流程和營銷材料。所有內容都必須符合嚴格的醫學準確性標準。此前，醫學稽核是最大的瓶頸：每位醫學專家平均每篇文章花費七個工作日，導致內容生產難以擴充套件。

為了解決這一問題，Flo Health與AWS生成式AI創新中心合作，將概念驗證（PoC）轉化為生產級系統。該系統基於Amazon Bedrock，核心思路是“AI先審，人類終審”。系統採用三層驗證：首先根據內部醫學指南檢查內容，標記潛在問題；然後對照外部可信醫學來源（如循證臨床決策工具、同行評審期刊和監管機構）進行驗證；最後，醫學專家在簡化介面中稽核AI標註的內容，直接檢視應用的規則和相關來源連結。

在AI稽核系統中，Flo Health建立了多個專門的AI評判器（AI Judges），每個評判器關注一個稽核維度，如醫學準確性、法律合規性和品牌風格。每個評判器使用不同的提示和示例進行訓練和測試，並根據所需質量閾值、風險級別、延遲和成本選擇最佳模型。例如，高風險檢查優先考慮準確性和可靠性，低風險檢查則使用更輕量的模型。這種模組化設計允許獨立改進每個評判器，而不會影響其他評判器。

內容生成方面，Flo Health使用檢索增強生成（RAG）技術。系統從知識庫（儲存在Amazon S3中）檢索相關的醫學指南、規則和模板，然後透過Amazon Bedrock上的Claude模型生成結構化內容。生成過程採用鏈式思維提示，先分類再生成。系統還會自動驗證生成內容的醫學準確性和品牌合規性，如果發現問題則觸發重新處理。

架構方面，請求透過Amazon API Gateway路由，並即時向使用者介面推送進度。核心管道包括三個步驟：從知識庫檢索資訊、使用Claude模型結構化內容、驗證輸出。狀態和後設資料由Amazon DynamoDB管理，AWS Step Functions協調端到端工作流。

專案團隊還總結了一些經驗教訓：YAML比JSON更適合作輸出格式，因為其縮排結構更穩定；規則集應配合具體示例使用，避免規則衝突；以及持續驗證和逐步採用策略有助於建立信任。最終，該系統在不擴大醫學團隊的情況下，將稽核時間減少了60%，內容產出提升了三倍。此外，團隊還強調了使用不同Claude模型（Haiku用於輕量分類，Sonnet用於高保真生成）的最佳化策略，以及透過漸進式顯示中間結果改善使用者體驗的方法。整個系統的模組化設計使其能夠輕鬆擴充套件以支援新的內容型別和驗證需求。