快速瀏覽

1｜一位 AI 醫療顧問的備考故事

今年，我準備台大資工所在職專班的資料結構及口試，其中最關鍵的一部分，就是必須在短時間內完成一個 AI + 程式專題。

我給自己的挑戰只有一句話：

「兩週內，與 ChatGPT 合作，做出一個可以 Demo、可以展示架構、可以跑流程、可以上線的完整專題。」

專題題目是：

⭐ 藥物副作用智慧查詢系統（Drug Side-Effects Intelligence System）

這個系統結合：

機器學習
Python
PyFlyte 工作流程
Streamlit 前端
Hugging Face 部署

並且能讓使用者輸入藥物，系統自動查詢相關副作用、ATC code、相互作用等資訊。

在只有兩週的情況下，我和 ChatGPT 一路從 0 → 1，硬是把這個專題做出來。

最終，我在口試中展示了這份專案，並拿到 74 分的佳績。

這篇文章，就是我完整記錄從：

準備
製作
架構圖
口試 Demo
ChatGPT 如何協助我
以及 AI 溝通師技能如何幫助我做到這件事

的整個過程。

2｜專題前準備工作：兩週衝刺如何開始？

我做的第一步不是寫程式，而是向 ChatGPT 清楚下指令。

我給它的第一句話是：

「我想在兩個禮拜之內做出一個跟藥物相關的專案，必須用到 PyFlyte 框架。
請幫我設計整體計畫、技術架構、資料來源與開發步驟。」

ChatGPT 立即給了我以下四大方向：

（1）專題目標拆解

需要醫藥資料庫（DrugBank、PubMed、FDA）
需要副作用資料（SIDER dataset）
需要 ATC / 作用機制對照
需要模型輸出（如副作用預測、資料查詢）

（2）技術堆疊確認

✔ Python（資料清洗、模型建立）

✔ PyFlyte（任務拆解、Workflow）

✔ ML 模型（XGBoost、MLP 二擇一）

✔ MySQL（儲存對照表）

✔ Streamlit（前端介面）

✔ Hugging Face Spaces（部署）

（3）專案時程規劃

日期	任務內容
第 1–3 天	建立資料庫、清洗 SIDER、整理 ATC 對照表
第 4–6 天	建立 ML 模型（XGBoost / MLP）
第 7–8 天	設計 PyFlyte Task 與 Workflow
第 9–10 天	整合模型 + MySQL + PyFlyte
第 11–12 天	開發 Streamlit 介面
第 13 天	部署到 Hugging Face
第 14 天	口試簡報、系統 Demo 準備

這份計畫讓我清楚知道：

兩週專題不是夢，是 ChatGPT + 清楚的溝通指令 + 良好計劃的成果。

（4）建立資料結構與醫藥知識背景

這裡 ChatGPT 也幫我快速補足以下知識：

ATC code 是什麼
SIDER 副作用資料庫結構
DrugBank XML 如何解析
PubMed 搜尋 API 如何用
副作用預測常用 ML 模型

我用這些做為專案的知識基底。

3｜專題製作過程：與 ChatGPT 並肩作戰的 14 天

這是我覺得最精彩、也是最累的部分。
以下分為三段敘述：資料處理 → ML 模型 → PyFlyte → 前端 → 部署。

（1）資料清洗：從五十萬筆資料到可用的 MySQL 表格

我把以下資料上傳給 ChatGPT：

SIDER se_atc.csv
meddra_pt_llt.csv（症狀對照表）
ATC 對照表

並問：

「請幫我設計欄位、正規化表格，並寫出完整 MySQL 建表語法。」

ChatGPT 回：

如何避免資料重複
如何規劃 primary key
如何拆成三張表（drug / side_effect / mapping）
如何用 Python 批次寫入 MySQL

我照著做，兩天內成功把資料庫建好。

（2）機器學習模型：XGBoost 與 MLP 二擇一

我告訴 ChatGPT：

「我要做副作用預測，但模型不能太複雜，要在兩天內能跑完。」

ChatGPT 建議：

✔ 選 XGBoost（適合 tabular data）

✔ 或選 MLP（如果要做 embedding）

最後我選 XGBoost，因為簡單且效果穩定。

ChatGPT 教我：

資料轉 one-hot
多標籤 binarizer
評估指標（F1、ROC-AUC）
如何輸出前端可用格式

模型成功訓練後，我拿到 副作用預測結果與排序分數。

（3）PyFlyte：把專案拆成任務，交給系統跑

這步驟我最感謝 ChatGPT。

我說：

「請幫我把所有任務拆成 PyFlyte task，包含：資料讀取 → 特徵處理 → 模型預測 → 排序 → 儲存結果。」

ChatGPT 幫我寫出：

✔ @task

✔ @workflow

✔ flytekit 設定

✔ how to run flyte-cli

讓我不用自己查文件。

整個流程成功跑起來時，我非常感動。

（4）Streamlit：做出能 Demo 的醫療查詢介面

我告訴 ChatGPT：

「介面要簡單乾淨，輸入藥名 → 顯示副作用 → 顯示置信度。」

ChatGPT 幫我寫出：

與 MySQL 連線
下拉式選單
副作用列表
圖表呈現
模型推論介面

畫面即時呈現：

主要副作用
次要副作用
ATC code
作用機制

很直覺。

（5）部署：Hugging Face Spaces

最後，我問 ChatGPT：

「請寫出可用在 Hugging Face 的 requirements.txt 與 app.py。」

ChatGPT 幫我一次生成所有檔案，包括：

requirements.txt
runtime.txt
app.py

我只需要上傳 → 部署 → Done。

4｜專題成果：完整專案架構圖（文字版與流程説明）

以下是我與 ChatGPT 一起打造的 專案架構圖（可直接放進口試簡報）。

《藥物副作用智慧查詢系統 – 系統架構》

資料層（Data Layer）

DrugBank（藥物資訊）
SIDER（副作用資料庫）
MedDRA（醫學詞彙對照表）
MySQL（儲存：drug / side_effect / mapping）

模型層（Model Layer）

Python
XGBoost（副作用預測）
MultiLabelBinarizer
Ranking Module（排序）

工作流程層（Workflow Layer）

PyFlyte
Task 1：Load data
Task 2：Feature engineering
Task 3：Model prediction
Task 4：Score ranking
Task 5：Output formatting

前端展示層（Frontend Layer）

Streamlit
藥物輸入框
副作用清單呈現
分數條形圖
ATC code 展示

部署層（Deployment Layer）

Hugging Face Spaces
Public URL（可口試直接 Demo）

5｜口試：我如何以兩週專案拿下 74 分？

口試那天，我帶著電腦，當場向教授 Demo 系統。

教授問：

「你為什麼選用 PyFlyte？」
「資料從哪裡來？清洗方式？」
「XGBoost 的參數如何調？」
「為什麼要部署到 Hugging Face？」
「你學這個的目的？」
「你知道這個專案的瓶頸在哪裡嗎？」

我逐一回答：

✔ 用 PyFlyte：因為需要 workflow、自動化、modular

✔ 用 XGBoost：因為 tabular data，且能快速訓練

✔ 用 Hugging Face：方便口試當場展示

✔ 資料來源完整：SIDER + MedDRA + ATC

✔ 系統可擴充：之後可加入 Drug-Drug Interaction（DDI）

當我 Demo 出：

輸入藥名
模型自動回傳副作用
分數排序
解析度清楚

教授們非常專注觀看。

最後口試總分 74 分，我覺得兩週能有這成績已經超出預期。

6｜如果沒有 ChatGPT，我做不出這個專案

我非常確定這件事：

沒有 ChatGPT，我沒辦法在兩週內完成醫療級專題。

ChatGPT 在這個專題的角色是：

✔ 架構設計師

✔ 技術顧問

✔ 口試教練

✔ AI 家教

✔ Debug 夥伴

✔ Workflow 導師

更重要的是，它讓我：

不需要花數十小時查文件
不需要每個細節都重頭摸索
不需要走彎路
可以把精力放在理解與實作

這就是「AI 溝通師」真正的價值：

你越會溝通，AI 越能幫你做到極限以外的事。

7｜AI 時代，會用 ChatGPT 的人，就是新的超能力者

兩週完成一個醫療專題並上線，
對傳統標準來說，幾乎是不可能任務。

但 AI 讓我做到。

這個專題讓我更確信：

AI 不是取代你，而是讓你在短時間做到原本需要半年才能完成的事。

面對未來：

醫療
AI
科技
工程
教育
自我成長

所有領域，都會因為 AI 而徹底改變。

而能掌握 AI 的人，就是下一代的主導者。

Annia會持續在 AI 醫療顧問這條路上努力，
也會繼續分享更多：

AI × 專案
AI × 學習
AI × 轉職
AI × 醫療

的內容。

如果你也想學會：

如何與 ChatGPT 溝通
如何用 AI 完成專題
如何用 AI 提升學習與工作效率
如何讓 AI 成為你的「超級個人助理」

那麼，你會非常享受這個時代。