AI SOLUTION CASE STUDY · 2026

ClinicBotAI clinic operations, from conversation to confirmed care.

แพลตฟอร์ม AI สำหรับคลินิกที่เชื่อมบทสนทนา การนัดหมาย งานหลังบ้าน และระบบอัตโนมัติไว้ใน workflow เดียว

Explore solution View architecture

AI SolutionMulti-tenantLLM + RAGAutomationProduction System

01 / 16

BUSINESS → AI → OPERATIONS

EXECUTIVE SUMMARY

One system. Five outcomes.

ภาพรวมสำหรับผู้บริหาร: ปัญหา, วิธีแก้, บทบาท AI, automation และผลลัพธ์เชื่อมต่อกันอย่างไร

Problem

งานบริการกระจายหลายจุด

การสนทนา นัดหมาย ข้อมูลคนไข้ และงานติดตามผลต้องทำงานต่อเนื่องกัน โดยไม่เพิ่มภาระงานของเจ้าหน้าที่

Solution

One operating layer

FastAPI backend เชื่อม LINE, Web Widget และ Dashboard เข้ากับ services ที่แยกความรับผิดชอบชัดเจน

Context-aware action

Gemini ใช้ context, Knowledge Base (RAG) และ tool calling เพื่อทั้งตอบคำถามและเรียก workflow ทางธุรกิจ

Automation

Always-on operations

ARQ workers จัดการ reminder, scheduled campaign, no-show และ feedback โดยไม่บล็อก API หลัก

Impact

Connected clinic journey

เปลี่ยนจาก interaction แยกส่วนเป็น patient journey ที่ต่อเนื่อง พร้อม human handoff เมื่อ AI ไม่ควรทำงานต่อ

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

หลายช่องทางและหลายงาน

ผู้ป่วยสนทนาและจองผ่าน LINE หรือ Web ขณะที่เจ้าหน้าที่จัดการผ่าน Dashboard

OPERATIONAL PRESSURE

Context ต้องไม่หลุด

ข้อความ ประวัติคนไข้ สถานะนัดหมาย และ usage limit ต้องสอดคล้องกันในทุก interaction

BUSINESS IMPACT

บริการต้อง scale โดยยังควบคุมได้

AI ต้องช่วยลดงานซ้ำ แต่ต้องหยุดตอบเมื่อเจ้าหน้าที่รับช่วง และทุก action สำคัญควรตรวจสอบย้อนหลังได้

THE SOLUTION

A connected operating layer.

ทุก layer มี responsibility, contract และ output ชัดเจน—จาก human interaction ไปถึง durable state

Channels

LINE OA · Web Widget · Dashboard

รับ interaction จากผู้ป่วยและเจ้าหน้าที่

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

Application

FastAPI · Service layer

ตรวจสิทธิ์, route workflow และรักษา separation of concerns

INPUT: Verified request
OUTPUT: Service operation

Intelligence

Google Gemini · RAG · Tool calling

เข้าใจบริบท ค้นความรู้ และตัดสินใจเรียกเครื่องมือ

INPUT: Prompt · Context · Retrieved knowledge
OUTPUT: Response · Function call

Operations

Appointment · Conversation · Campaign

เปลี่ยน intent เป็น business action ที่ควบคุมสถานะได้

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

Data & Jobs

PostgreSQL/pgvector · Redis · ARQ

เก็บข้อมูล/vector, realtime events และกระจายงานเบื้องหลัง

INPUT: Records · Vectors · Jobs
OUTPUT: Persistent state · Events · Scheduled actions

AI SOLUTION ARCHITECTURE

From channel to intelligence—and back.

คลิกแต่ละ node เพื่อดู responsibility, input/output และ dependency ตามหลักฐานในเอกสาร

ExperienceApplicationAIDataInfrastructureExternal

PRIMARY RUNTIME PATH

Channels → FastAPI → Services → Gemini/Data → response

ASYNC PATH

Scheduler → Redis → ARQ Worker → LINE / PostgreSQL

SERVICE ARCHITECTURE

13 services. Clear boundaries.

Service catalog สร้างจาก SERVICE_LIST.md โดยตรง; Future คือ service ที่เอกสารระบุว่ายังไม่อยู่ใน runtime หลักหรือเป็น stub

SERVICE / FILERESPONSIBILITYDEPENDENCIESSTATE

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

จัดการบัตรและ subscription ของคลินิกผ่าน OmiseControls 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

PromptPay Service

promptpay_service.py

สร้าง PromptPay QR สำหรับ payment flow ในอนาคตNo direct AI role

—

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. Controlled execution.

LINE bot pipeline ตั้งแต่ signature verification, context, handoff gate, RAG ไปจนถึง tool loop และ durable log

STEP 04

Reason with knowledge

สร้างคำตอบที่อิงบริบทและข้อมูลคลินิก

INPUT: Message + context + Knowledge Base
PROCESSING: Gemini receives prompt, RAG context และ available tools
AI COMPONENT: Gemini · RAG · Prompting
OUTPUT: Response draft หรือ function call

BOOKING STATE FLOW

Detect booking intent→Choose service→Choose date→Check availability→Select slot→Collect patient info→Confirm→Create appointment→Send confirmation

AI INTELLIGENCE LAYER

Grounded enough to answer. Structured enough to act.

AI อยู่ในขอบเขตของ context, retrieval, service tools และ conversation state—ไม่ใช่ autonomous black box

GEMINI

01INPUT

02CONTEXT

03RETRIEVE

04REASON

05TOOL

06VALIDATE

07RESPOND

MODEL

Google Gemini

เป็น model provider ที่ระบุในระบบ ใช้รับ context, prompt, knowledge และ tools

Implemented

GROUNDING

Knowledge Base RAG

PostgreSQL + pgvector ทำหน้าที่ data/vector layer สำหรับ retrieval context

Implemented

ACTION

Function calling

AI เรียก business tools เช่นตรวจ slot และทำ appointment workflow โดยผลลัพธ์กลับเข้า model loop

Implemented

CONTROL

Human handoff

conversation state ทำให้ AI หยุดตอบเมื่อ staff รับช่วง และกลับมาทำงานหลัง resolve

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
RESULT: AI สนทนาและขอให้ระบบทำงานผ่าน service boundary

DECISION 02

RAG over static prompts

WHY: ความรู้เฉพาะคลินิกเปลี่ยนแปลงและควรแยกจาก prompt หลัก
ALTERNATIVE: ฝังข้อมูลทั้งหมดใน system prompt
TRADE-OFF: เพิ่ม retrieval pipeline และคุณภาพขึ้นกับ knowledge source
RESULT: Knowledge Base จัดการได้จาก Dashboard และส่ง context แบบมีขอบเขต

DECISION 03

Channel Adapter

WHY: LINE และ Web Widget มี event/output contract ต่างกัน
ALTERNATIVE: เขียน bot flow แยกตาม channel
TRADE-OFF: เพิ่ม abstraction layer หนึ่งชั้น
RESULT: bot handler ใช้ interface เดียวและลด channel coupling

DECISION 04

Redis + ARQ workers

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

SECURITY & GOVERNANCE

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

Current controls แยกจาก Recommended controls เพื่อไม่ทำให้ maturity ของระบบถูกตีความเกินจริง

Implemented

Verified ingress

X-Line-Signature verification
Tenant & plan limit check
Token encryption in LINE Service

Implemented

Operational control

Human handoff state
Admin Audit Service
Conversation and usage logs

Recommended

AI safety controls

Prompt-injection test suite
Sensitive-data redaction policy
Structured-output validation at every tool boundary

Recommended

Reliability controls

Explicit retry / timeout policy
Model fallback strategy
Alerting and quality monitoring

PERFORMANCE & COST

Measure before optimizing.

ไม่มี latency, token หรือ cost metrics ในเอกสาร จึงนำเสนอเป็น measurement framework โดยไม่สร้าง KPI สมมติ

COST DRIVERCURRENT EVIDENCERECOMMENDED NEXT

Model usage

AI message quota exists per plan

Track tokens, latency and cost by tenant/model

Context size

Conversation context + RAG knowledge are provided

Measure retrieval relevance and trim low-value context

Background load

ARQ separates scheduled work from API

Add queue depth, execution time and failure-rate monitoring

Repeated work

Redis is present for cache/pubsub/ARQ

Define and measure safe cache policies for repeated reads

BUSINESS IMPACT

Before and after—without invented KPIs.

ผลกระทบเชิงคุณภาพที่อนุมานได้ตรงจาก architecture และ workflow; ตัวเลขควรเติมเมื่อมี production baseline

BEFORE

Channel-specific bot handling

AFTER

Channel Adapter normalizes LINE and Web Widget

Maintainability

BEFORE

Staff must remain in every conversation

AFTER

AI handles supported intents with explicit human handoff

Operational capacity

BEFORE

Time-based tasks compete with request work

AFTER

ARQ workers run reminders, campaigns, no-show and feedback

Automation

BEFORE

Clinic knowledge is disconnected from the model

AFTER

Knowledge Base feeds RAG context through pgvector

Response relevance

SCALABILITY

Scale the boundaries, not the complexity.

Current architecture มีจุดแยกที่เหมาะกับการ scale; กลยุทธ์ด้านล่างคือ proposed evolution ไม่ใช่สิ่งที่อ้างว่า implement แล้ว

API

CURRENT: FastAPI service layer
GROWTH CHALLENGE: Concurrent channels and tenant growth
SCALING STRATEGY: Horizontal replicas behind a load balancer

Jobs

CURRENT: Redis + ARQ worker
GROWTH CHALLENGE: Campaign and reminder bursts
SCALING STRATEGY: Worker pools, priority queues and idempotent jobs

Data

CURRENT: PostgreSQL + pgvector
GROWTH CHALLENGE: Transactional and retrieval load
SCALING STRATEGY: Indexes, connection pooling, read strategy and vector tuning

AI

CURRENT: Gemini with context/RAG/tools
GROWTH CHALLENGE: Latency, token cost and quota
SCALING STRATEGY: Model routing, context budgets, caching and evaluation gates

Operations

CURRENT: Audit and usage logs
GROWTH CHALLENGE: Cross-tenant incident diagnosis
SCALING STRATEGY: Central observability with tenant-aware SLOs

FUTURE ROADMAP

Foundation → confidence → scale → expansion.

Roadmap ให้ความสำคัญกับ measurement และ governance ก่อนขยาย AI footprint

NOW

Connected foundation

Implemented

LINE + Web Widget channels
Gemini RAG and tool calling
Appointment and handoff workflows
ARQ scheduled operations

Measure & harden

Recommended

AI evaluation dataset
Token/latency/cost dashboard
Retry, timeout and fallback policy
Prompt-injection testing

SCALE

Tenant-aware operations

Future

Horizontal service scaling
Queue isolation and priorities
SLOs and alerting by tenant
Database/vector performance program

EXPAND

Governed AI growth

Future

Model routing by use case
Approval gates for high-risk tools
Knowledge quality lifecycle
Selective channel/payment expansion

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

เริ่มจาก patient journey และ operational value ก่อนเลือก AI

AI

จำกัดขอบเขต model ด้วย knowledge, tools และ handoff

Technology

แยก service boundary เพื่อให้ทีมเปลี่ยนและ scale ได้

People

กำหนดจุดที่ AI ทำงาน และจุดที่ staff ต้องรับผิดชอบ

Risk & Cost

วัด usage, ควบคุม tenant quota และออกแบบ guardrails

Governance

สร้าง auditability, evaluation และมาตรฐานก่อนขยาย use case

ClinicBotAI clinic operations, from conversation to confirmed care.

One system. Five outcomes.

งานบริการกระจายหลายจุด

One operating layer

Context-aware action

Always-on operations

Connected clinic journey

Experience both sides of the system.

Talk to ClinicBot on LINE

Open the live Dashboard

Continuity is the hard part.

หลายช่องทางและหลายงาน

Context ต้องไม่หลุด

บริการต้อง scale โดยยังควบคุมได้

A connected operating layer.

From channel to intelligence—and back.

13 services. Clear boundaries.

One message. Controlled execution.

Reason with knowledge

Grounded enough to answer. Structured enough to act.

Google Gemini

Knowledge Base RAG

Function calling

Human handoff

Decisions, not just technologies.

Gemini + tool calling

RAG over static prompts

Channel Adapter

Redis + ARQ workers

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

Verified ingress

Operational control

AI safety controls

Reliability controls

Measure before optimizing.

Model usage

Context size

Background load

Repeated work

Before and after—without invented KPIs.

Scale the boundaries, not the complexity.

API

Jobs

Data

AI

Operations

Foundation → confidence → scale → expansion.

Connected foundation

Measure & harden

Tenant-aware operations

Governed AI growth

Manage the whole system of value.

Business

AI

Technology

People

Risk & Cost

Governance

ClinicBot, remembered in five ideas.

Business-driven AI

Grounded intelligence

Controlled automation

Scalable service boundaries

Governance before expansion

It is an AI operating model for clinic service.