AI SOLUTION CASE STUDY · 2026

ClinicBotOne AI operating system for the patient journey.

ClinicBot เชื่อม LINE, AI, การจองนัด, CRM และงานของเจ้าหน้าที่ให้ทำงานบนบริบทและสถานะเดียวกัน ตั้งแต่คำถามแรกจนถึงการติดตามผล

Explore solution View architecture

LINE AIMulti-tenant SaaSGemini + RAGHuman HandoffAutomation

01 / 16

BUSINESS → AI → OPERATIONS

EXECUTIVE SUMMARY

See the whole system before the details.

ClinicBot มี 4 operating lanes ที่ทำงานร่วมกัน: ประสบการณ์ผู้ป่วย, AI/control plane, workspace ของทีมคลินิก และ automation หลังบ้าน

PATIENT

Ask, book, manage

ถามข้อมูล จองนัด ดูนัด เลื่อน/ยกเลิก และขอเจ้าหน้าที่ผ่าน LINE OA หรือ Web Widget

LINE / WEB

AI + CONTROL

Understand, ground, route

ตรวจ request และ tenant ก่อนให้ Gemini ใช้ conversation context, Knowledge Base และ tools

FASTAPI / GEMINI

CLINIC TEAM

Operate with context

ดูบทสนทนา รับช่วง จัดการนัด คนไข้ บริการ สาขา แพทย์ และข้อมูล AI จาก Dashboard

NEXT.JS / WEBSOCKET

AUTOMATION

Follow through

Worker ส่ง reminder, mark no-show, รัน campaign และขอ feedback โดยไม่บล็อก API

REDIS / ARQ

Problem

บริบทหลุดระหว่างแชตกับงานจริง

คำถาม ข้อมูลคนไข้ ตารางแพทย์ และสถานะนัดต้องสอดคล้องกัน แม้ผู้ป่วยและเจ้าหน้าที่ทำงานคนละช่องทาง

Solution

One connected workflow

FastAPI เป็น orchestration hub เชื่อม LINE/Web Widget, Dashboard, domain services, data และ external APIs

ตอบจากข้อมูลและลงมือผ่าน tools

Gemini ใช้บริบทคลินิกและ Knowledge Base ก่อนเรียก appointment, profile หรือ handoff tools ที่มีขอบเขตชัดเจน

Automation

งานตามเวลาไม่ขวางบทสนทนา

Redis และ ARQ แยก reminder, no-show, campaign และ feedback ออกจาก request path หลัก

Outcome

AI ช่วยได้ แต่ทีมยังควบคุม

ผู้ป่วยได้รับบริการต่อเนื่อง ขณะที่เจ้าหน้าที่เห็น inbox, calendar, CRM, usage และ audit trail ใน workspace เดียว

EVIDENCE BASISCUSTOMER_MANUAL.mdINFRASTRUCTURE.mdMANUAL.md

ImplementedRecommendedFuture

LIVE TEST ACCESS

Experience both sides of the system.

เริ่มบทสนทนาใน LINE แล้วเปิด Dashboard เพื่อดู workflow ฝั่งคลินิกด้วยบัญชีสำหรับทดสอบ

01 · PATIENT EXPERIENCE

Talk to ClinicBot on LINE

สแกน QR หรือเปิด LINE Official Account เพื่อทดลองสนทนาและ workflow การจอง

Open LINE OA

02 · CLINIC OPERATIONS

Open the live Dashboard

Launch Dashboard

EMAILcloud.care.admin@cloudcareclinic.com

PASSWORDCloudcareadmin@2026

For interview testing only · บัญชีนี้จัดเตรียมไว้สำหรับทดลองระบบ

THE PROBLEM

Continuity is the hard part.

โจทย์ไม่ใช่แค่ให้บอทตอบได้ แต่คือการรักษา context และสถานะธุรกิจให้ต่อเนื่องตลอด patient journey

CURRENT PROCESS

คำถามซ้ำและงานจองเกิดพร้อมกัน

ผู้ป่วยคาดหวังคำตอบทันทีใน LINE แต่การจองต้องอ้างอิงบริการ สาขา แพทย์ วันหยุด และ slot จริง

OPERATIONAL RISK

AI ต้องรู้ว่าเมื่อไรควรหยุด

คำถามทางการแพทย์เฉพาะบุคคลและเคสที่ขอคนจริงต้องส่งต่อ โดยบอทไม่แทรกระหว่างเจ้าหน้าที่รับช่วง

GROWTH CHALLENGE

หลายคลินิกต้องไม่ปะปนกัน

ข้อมูล credentials, คนไข้, นัด, usage และ audit ต้องถูกจำกัดตาม tenant พร้อมรองรับงานตามเวลาที่เพิ่มขึ้น

THE SOLUTION

A connected operating layer.

ทุก layer มี responsibility และ control point ชัดเจน จาก interaction ไปถึง durable state และงานติดตามผล

Experience

LINE OA · Web Widget · Next.js Dashboard

แยกประสบการณ์ผู้ป่วยออกจากพื้นที่ควบคุมงานของคลินิก แต่ใช้ข้อมูลชุดเดียวกัน

INPUT: Message · Postback · Staff action
OUTPUT: Webhook · Widget API · REST/WebSocket

Control plane

FastAPI · JWT · Bot Router

ตรวจ tenant, signature, role, plan limit และ route request ไปยัง workflow ที่ถูกต้อง

INPUT: Channel request
OUTPUT: Verified operation

Intelligence

Google Gemini · Knowledge retrieval · Tools

สร้างคำตอบจากข้อมูลคลินิก ตีความ intent และเลือก tool โดยไม่เขียนข้อมูลธุรกิจโดยตรง

INPUT: Message · Conversation · Retrieved KB
OUTPUT: Response · Function call

Clinic operations

Appointment · CRM · Handoff · Campaign

จัดการสถานะธุรกิจที่ตรวจสอบได้ ตั้งแต่ slot จนถึง conversation lifecycle

INPUT: Validated command
OUTPUT: Appointment · Patient · Message · State change

Data & automation

PostgreSQL/pgvector · Redis · ARQ

เก็บข้อมูลแบบ tenant-scoped, retrieval context, realtime event และงานตามเวลา

INPUT: Records · Events · Jobs
OUTPUT: Durable state · Realtime update · Scheduled action

OPERATIONAL SCOPE

What the clinic can operate today.

Conversation & Handoff

สถานะ bot_active → handoff_pending → handoff_active → resolved ทำให้ ownership ชัดเจน

Appointment & Calendar

คำนวณ slot จากสาขา แพทย์ บริการ วันหยุด นัดเดิม และจำนวนรับสูงสุด

Patient CRM

รวม profile, tags, notes, preferences, consent และ appointment timeline ใน tenant เดียว

Knowledge Control

เจ้าหน้าที่จัดการ FAQ ที่เปิด/ปิดได้ พร้อมรูปประกอบสำหรับคำตอบของ AI

Campaign & Feedback

รองรับ draft/scheduled broadcast, segment, delivery status และ feedback หลังรับบริการ

Plan & Governance

ควบคุม quota ตาม plan, subscription ของคลินิก และ audit action สำคัญ

AI SOLUTION ARCHITECTURE

Six layers. Three runtime paths.

มอง architecture ตาม responsibility ก่อน แล้วคลิก component เพื่อดู technology, input/output และ dependency ที่ยืนยันในเอกสาร

Click any component for its contractIMPLEMENTED RUNTIME VIEW

01Experience

02Application

03AI

04Data

05Infrastructure

06External

CONVERSATION PATH

LINE → Webhook → Context/Retrieval → Gemini/Tools → LINE reply

STAFF PATH

Dashboard → FastAPI API → Domain Service → PostgreSQL → WebSocket update

ASYNC PATH

Scheduler/Service → Redis → ARQ Worker → LINE / PostgreSQL

RUNTIME & SERVICE CATALOG

18 components. Clear ownership.

รวม service layer เดิมกับ runtime ที่ยืนยันในคู่มือใหม่; Future คือสิ่งที่ไม่ได้อยู่ใน runtime ปัจจุบันหรือยังเป็น stub

SERVICE / FILERESPONSIBILITYDEPENDENCIESSTATE

FastAPI Runtime

backend/app/main.py

ศูนย์กลาง API/webhook, router registration, CORS, health check และ application lifecycleHosts the controlled AI request path

Domain ServicesPostgreSQLRedis

Implemented

Next.js Dashboard

dashboard/

workspace ฝั่งคลินิกสำหรับ calendar, CRM, conversation, KB, campaign, billing, audit และ settingsHuman control surface for AI operations

FastAPI RuntimeWebSocketAPI Proxy

Implemented

AI Service

ai_service.py

เชื่อม Google Gemini และควบคุม prompting, conversation context, RAG และ tool callingCore intelligence

Conversation ServiceAppointment ServicePostgreSQL + pgvectorGoogle Gemini

Implemented

Conversation Service

conversation_service.py

จัดการ conversation lifecycle, message log, patient profile sync และ usage limitSupplies context and controls AI lifecycle

LINE ServiceAI ServicePostgreSQL

Implemented

Appointment Service

appointment_service.py

สร้าง ยกเลิก เลื่อนนัด คำนวณ slot, waitlist และ no-showTool target for appointment actions

AI ServiceFlex MessagePostgreSQL

Implemented

Broadcast Service

broadcast_service.py

ส่ง campaign แบบ segment, manual selection และ scheduledNo direct AI role documented

LINE ServiceARQ WorkerPostgreSQL

Implemented

Review Service

review_service.py

ส่ง feedback request หลัง appointment completed และสร้าง Google Review linkNo direct AI role documented

LINE ServiceARQ WorkerPostgreSQL

Implemented

LINE Service

line_service.py

Reply, push, profile, image handling และ token encryption สำหรับ LINE Messaging APIDelivers AI conversation

LINE Messaging APIChannel Adapter

Implemented

Channel Adapter

channel_adapter.py

abstraction ระหว่าง LINE และ Web Widget เพื่อลด coupling ใน bot handlerNormalizes AI inputs and outputs

LINE ServiceWeb Widget

Implemented

Flex Message

flex_message.py

สร้าง LINE Flex templates สำหรับ slot, appointment และ consentRenders tool results as actionable UI

Appointment ServiceLINE Service

Implemented

Billing Service

billing_service.py

รับ Omise card token และจัดการ subscription plan ของคลินิก ไม่ใช่ payment ของคนไข้Controls commercial access indirectly

Plan CatalogOmise

Implemented

Plan Catalog

plan_catalog.py

จัดการ trial/starter/growth/pro พร้อม AI message และ appointment quotasDefines AI usage quota

Billing ServiceConversation Service

Implemented

PostgreSQL + pgvector

docker-compose.yml · database.py

เก็บ transactional data แบบ multi-tenant และ vector context สำหรับ Knowledge Base retrievalDurable memory and retrieval data layer

SQLAlchemy AsyncAlembic

Implemented

Redis Runtime

docker-compose.yml · redis.py

ทำหน้าที่ cache, Pub/Sub สำหรับ realtime และ queue backend ของ ARQSupports context caching and non-blocking operations

FastAPI RuntimeARQ Worker

Implemented

ARQ Worker

workers/reminder_worker.py

รัน reminder 24h/1h, no-show, scheduled campaign และ feedback request ตามเวลาKeeps follow-through outside the AI response path

Redis RuntimePostgreSQLLINE Service

Implemented

Patient Payment Flow

Not in current runtime

การรับเงินหรือมัดจำจากคนไข้ถูกถอดออกจาก runtime ปัจจุบัน หากนำกลับมาต้องออกแบบ consent, refund และ PDPA ใหม่No direct AI role

Separate product and compliance design

Future

Audit Service

audit_service.py

บันทึกการใช้งานและการแก้ไขค่าที่สำคัญของแอดมินGovernance support

PostgreSQL

Implemented

Notification Service

notification_service.py

Stub สำหรับ notification ภายในแอปพลิเคชันNo direct AI role documented

—

Future

END-TO-END FLOW

One message. Eight controlled steps.

pipeline ตั้งแต่ tenant/signature verification, context, handoff gate, retrieval, tool execution ไปจนถึง durable log และ async follow-through

STEP 05

Retrieve knowledge

ground คำตอบด้วยข้อมูลคลินิกที่เปิดใช้งาน

INPUT: User question · Enabled Knowledge Base
PROCESSING: ค้นหา KB ที่เกี่ยวข้องผ่าน data/vector layer และแนบรูปประกอบเมื่อมี public URL ที่ใช้ได้
AI COMPONENT: RAG context
OUTPUT: Relevant FAQ/clinic context

BOOKING STATE FLOW

Detect intent→Choose branch→Choose service→Choose date→Check overrides & slots→Choose time→Collect profile→Confirm→Create appointment→Send confirmation

AI INTELLIGENCE LAYER

Grounded enough to answer. Structured enough to act.

AI ไม่ได้เชื่อมฐานข้อมูลโดยตรง: retrieval จัดบริบท, Gemini ตัดสินใจ และ domain service เป็นเจ้าของการเปลี่ยนสถานะ

GEMINI

01SOURCEEnabled clinic FAQ + settings

02RETRIEVERelevant KB context via pgvector

03REASONGemini with conversation context

04ACTStructured tool call when needed

05VALIDATEDomain service owns state changes

06DELIVERText, image or LINE Flex response

MODEL

Google Gemini

model provider ที่ระบุในระบบ ใช้สนทนา สรุปบริบท เข้าใจรูป และเลือก function tool

Implemented

GROUNDING

Knowledge retrieval

Knowledge Base ที่เปิดใช้งานถูกค้นผ่าน PostgreSQL/pgvector เพื่อส่งบริบทเฉพาะคลินิกให้ model

Implemented

ACTION

Function calling

Tool registry จำกัดการลงมือไว้ที่ appointment, profile และ human handoff flows ที่ service layer ตรวจสอบ

Implemented

MULTIMODAL

Image understanding

image handler รองรับ Gemini vision และ Knowledge Base รองรับรูปประกอบคำตอบเมื่อ PUBLIC_BASE_URL พร้อม

Implemented

CONTROL

Human handoff

conversation state ปิด auto-reply ระหว่าง staff รับช่วง และเปิดทางให้กลับสู่ bot flow หลัง resolve

Implemented

BOUNDARY

No medical diagnosis

คู่มือผู้ใช้กำหนดให้คำวินิจฉัยและการรักษาเฉพาะบุคคลส่งต่อเจ้าหน้าที่/แพทย์ ไม่ใช่ขอบเขตคำตอบของ AI

Implemented

WHY THIS ARCHITECTURE

Decisions, not just technologies.

ทุก choice มีเหตุผล ทางเลือก และ trade-off ที่ต้องบริหาร

DECISION 01

Gemini + tool calling

WHY: คำถามของผู้ป่วยต้องการทั้งภาษาธรรมชาติและ action กับข้อมูลจริง
ALTERNATIVE: rule-based chatbot
TRADE-OFF: เพิ่ม model cost และต้องควบคุม output/tool arguments
RESULT: model ตีความ intent แต่ service layer เป็นผู้เปลี่ยน business state

DECISION 02

Knowledge retrieval over one large prompt

WHY: ข้อมูลบริการ เวลา ราคา และ FAQ เปลี่ยนตามแต่ละคลินิก
ALTERNATIVE: ฝังทุกอย่างใน system prompt
TRADE-OFF: ต้องดูแล retrieval quality และ cache invalidation
RESULT: เจ้าหน้าที่อัปเดต KB ได้จาก Dashboard โดยไม่แก้ prompt หลัก

DECISION 03

Explicit human handoff state

WHY: AI ไม่ควรตอบทับเจ้าหน้าที่หรือดูแลเคสที่เกินขอบเขต
ALTERNATIVE: ให้ bot ตอบต่อพร้อมกับ staff
TRADE-OFF: ต้องบริหาร lifecycle และ ownership ของ conversation
RESULT: ทีมเห็นคิว handoff และรับช่วงโดย bot หยุดอัตโนมัติ

DECISION 04

Redis + ARQ workers

WHY: reminder, campaign, no-show และ feedback ไม่ควรบล็อก webhook/API
ALTERNATIVE: ทำทั้งหมดใน request process
TRADE-OFF: ต้องดูแล queue, worker และ idempotency เพิ่ม
RESULT: งานตามเวลาแยกจาก synchronous conversation path

DECISION 05

Tenant-scoped service model

WHY: ClinicBot เป็น SaaS หลายคลินิกที่ใช้ runtime ร่วมกัน
ALTERNATIVE: deploy แยก stack ต่อคลินิก
TRADE-OFF: ทุก query, cache และ event ต้องรักษา tenant boundary
RESULT: ขยายจำนวนคลินิกได้โดยยังแยกข้อมูลและ credentials

DECISION 06

Same-origin Dashboard API proxy

WHY: ลดความซับซ้อน CORS และทำให้ browser เรียก relative /api path
ALTERNATIVE: ให้ client เรียก backend origin โดยตรง
TRADE-OFF: frontend deployment ต้องตั้ง BACKEND_URL ถูกต้อง
RESULT: Next.js rewrite เป็นทางผ่านมาตรฐานของ Dashboard

SECURITY & GOVERNANCE

Be explicit about what exists—and what must come next.

Current controls แยกจาก Recommended controls เพื่อไม่ทำให้ maturity ของระบบถูกตีความเกินจริง

Implemented

Tenant & access boundary

tenant_id จาก JWT เป็น authority
ทุก tenant-scoped query ต้อง filter tenant_id
Owner-only billing checkout

Implemented

Verified & protected credentials

X-Line-Signature verification
LINE secret/token encrypted with Fernet
Password hashing + access/refresh JWT

Implemented

Human and audit control

Explicit handoff lifecycle
AuditLog for important staff actions
Conversation and usage logs

Implemented

Data rights foundation

Consent fields and consent card
Tenant-scoped personal data deletion endpoint
Knowledge items can be disabled

Recommended

Known production hardening

Enable secure refresh cookie in production
Formalize Omise webhook secret config
Define retention, export and deletion policy

Recommended

AI assurance program

Prompt-injection and tool-abuse tests
Sensitive-data redaction rules
Quality, hallucination and retrieval evaluation

PERFORMANCE & COST

Control today. Measure next.

ระบบมี quota และราคาแผนจริง แต่เอกสารไม่มี production latency, token cost หรือ throughput จึงแยก control ที่มีอยู่จาก measurement ที่ควรเพิ่ม

IMPLEMENTED COMMERCIAL CONTROL

Quota follows the tenant plan.

ตัวเลขจาก plan catalog ปัจจุบัน เป็น subscription ของคลินิก ไม่ใช่ค่ารักษาหรือ payment ของคนไข้

Trial

0 THB

300 AI messages

30 appointments

Starter

990 THB

2,000 AI messages

200 appointments

Growth

2,490 THB

8,000 AI messages

1,000 appointments

Pro

4,990 THB

25,000 AI messages

Unlimited appointments

COST DRIVERCURRENT EVIDENCERECOMMENDED NEXT

Model usage

AI message quota is enforced by tenant plan

Track tokens, latency and model cost per tenant/use case

Context size

Conversation context and retrieved KB are supplied to Gemini

Measure retrieval relevance and trim low-value history/context

Background load

ARQ separates scheduled work from webhook/API

Monitor queue depth, duration, retry count and failure rate

Repeated reads

Redis is available for cache and Pub/Sub

Define cache ownership, TTL and safe invalidation for tenant data

BUSINESS IMPACT

Before and after—without invented KPIs.

ผลกระทบเชิงคุณภาพที่อนุมานได้ตรงจาก architecture และ workflow; ตัวเลขควรเติมเมื่อมี production baseline

BEFORE

FAQ และเวลาเปิดทำการต้องตอบซ้ำโดยเจ้าหน้าที่

AFTER

AI ใช้ Knowledge Base ของคลินิกและส่งต่อเมื่อเกินขอบเขต

Service capacity

BEFORE

ข้อมูลจองต้องประสานหลายจุด

AFTER

booking flow ตรวจสาขา บริการ วัน เวลา และ slot ก่อนสร้างนัด

Process continuity

BEFORE

ทีมต้องเฝ้าทุกบทสนทนาตลอดเวลา

AFTER

บอทดูแล intent ที่รองรับ พร้อมคิว human handoff ที่มี ownership ชัดเจน

Team focus

BEFORE

งานเตือนและติดตามผลแข่งกับ request หลัก

AFTER

ARQ worker แยก reminder, no-show, campaign และ feedback ออกจาก API

Automation

BEFORE

การเปลี่ยนข้อมูลและ usage มองเห็นแยกส่วน

AFTER

Dashboard รวม analytics, plan usage และ audit trail สำหรับแต่ละ tenant

Management control

SCALABILITY

Scale the boundaries, not the complexity.

Current architecture มีจุดแยกที่เหมาะกับการ scale; กลยุทธ์ด้านล่างคือ proposed evolution ไม่ใช่สิ่งที่อ้างว่า implement แล้ว

API

CURRENT: FastAPI async + service layer
GROWTH CHALLENGE: Webhook, widget และ Dashboard concurrency เพิ่มพร้อมกัน
SCALING STRATEGY: Horizontal replicas, load balancing และ stateless request path

Jobs

CURRENT: Redis + ARQ worker; มี in-process campaign fallback
GROWTH CHALLENGE: Reminder/campaign burst และ duplicate execution
SCALING STRATEGY: Dedicated worker pools, queue priority, idempotency และ retry policy

Data

CURRENT: PostgreSQL 16 + pgvector
GROWTH CHALLENGE: Transactional query และ vector retrieval โตตาม tenant
SCALING STRATEGY: Indexes, pooling, query review, backup และ vector performance tuning

AI

CURRENT: Gemini with context, KB and tools
GROWTH CHALLENGE: Latency, token cost, quota และ output quality
SCALING STRATEGY: Context budgets, evaluation gates, model routing และ measured caching

Tenancy

CURRENT: JWT/slug-based tenant isolation
GROWTH CHALLENGE: Noisy neighbor และ incident diagnosis ข้าม tenant
SCALING STRATEGY: Tenant-aware quotas, cache/queue isolation และ per-tenant SLOs

Operations

CURRENT: Health, usage and audit data exist
GROWTH CHALLENGE: ยังไม่มี observability framework ที่เอกสารยืนยัน
SCALING STRATEGY: Central logs, traces, queue metrics, alerts and runbooks

FUTURE ROADMAP

Foundation → confidence → scale → expansion.

Roadmap ให้ความสำคัญกับ measurement และ governance ก่อนขยาย AI footprint

NOW

Connected clinic workflow

Implemented

LINE/Web channels + Clinic Dashboard
Gemini knowledge retrieval and tools
Appointment, CRM and human handoff
Reminder, campaign, feedback and audit

Production hardening

Recommended

Secure-cookie and webhook verification hardening
AI/retrieval evaluation dataset
Token, latency and queue metrics
Retry, timeout and idempotency policy

SCALE

Tenant-aware operations

Future

Horizontal API and worker pools
Queue/cache isolation and priority
Tenant-aware SLOs and alerting
Database/vector performance program

EXPAND

Governed product growth

Future

Model routing by intent and risk
Approval gates for high-impact tools
Knowledge lifecycle and review cadence
Separate design for future patient payments

FROM AI ENGINEER TO AI MANAGER

Manage the whole system of value.

AI leadership คือการเชื่อม business, model behavior, architecture, people, risk, cost และ governance ให้ตัดสินใจร่วมกันได้

AI
MANAGERUnderstand · Design
Build · Scale · Manage

Business

ออกแบบจาก patient journey และงานที่คลินิกต้องส่งมอบ ไม่ใช่เริ่มจาก model

AI

จำกัด model ด้วย knowledge, tools, ownership state และขอบเขตที่ส่งต่อคน

Technology

แยก channel, orchestration, domain, data และ async work เพื่อเปลี่ยนได้ทีละส่วน

People

กำหนด responsibility ระหว่าง bot, front desk, owner, operator และ developer ให้ตรวจสอบได้

Risk & Cost

ใช้ plan quota เป็น control ปัจจุบัน แล้ววัด token, latency, queue และคุณภาพก่อน optimize

Governance

รักษา tenant isolation, credential protection, consent, audit และ roadmap hardening อย่างโปร่งใส