Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh chuyển đổi số, việc tự động hóa hoạt động chăm sóc khách hàng thông qua giao diện hội thoại (conversational interface) trở thành nhu cầu thiết yếu đối với các doanh nghiệp. Các hệ thống chatbot giúp duy trì khả năng tương tác 24/7, tối ưu hóa quy trình hỗ trợ và giảm thiểu chi phí nhân sự đại diện. Tuy nhiên, việc triển khai chatbot trong thực tế thường gặp hai rào cản lớn: thiếu các công cụ trực quan cho phép doanh nghiệp tự thiết kế kịch bản linh hoạt và sự khan hiếm các tập dữ liệu huấn luyện (training datasets) tiếng Việt chất lượng cao.

Đề tài "Xây dựng dịch vụ chatbot kết nối doanh nghiệp" (tên gốc: Create a Chatbot Service) được thực hiện bởi nhóm sinh viên Cao Đinh Sỹ Vỹ, Lê Thiện An và Nguyễn Thành Thiện, dưới sự hướng dẫn của ThS. Mai Anh Thơ tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE). Đề tài tập trung giải quyết bài toán xây dựng nền tảng chatbot theo kịch bản kết hợp xử lý ngôn ngữ tự nhiên, đồng thời tích hợp sàn giao dịch dữ liệu huấn luyện mang tên DataEverywhere.

Mục tiêu nghiên cứu và phát triển của đồ án bao gồm:

  1. Quản lý người dùng (User Management): Xây dựng cơ chế xác thực, đăng ký, đăng nhập, đổi mật khẩu và quản lý hồ sơ cá nhân.
  2. Khởi tạo và triển khai kịch bản (Script Creation and Implementation): Cung cấp giao diện đồ họa trực quan hỗ trợ doanh nghiệp tạo lập, chỉnh sửa và lấy mã nhúng để tích hợp kịch bản chatbot lên website.
  3. Quản trị Ý định, Mẫu câu và Thực thể (Intent, Pattern, and Entity Management): Cung cấp bộ công cụ định nghĩa, tùy chỉnh và quản lý các ý định, mẫu câu và thực thể phục vụ nhận diện hội thoại.
  4. Điều hướng kịch bản động (Dynamic Script Guidance): Thiết lập kênh giao tiếp chuyên biệt hỗ trợ doanh nghiệp can thiệp và dẫn dắt người dùng quay lại đúng kịch bản khi xảy ra tình huống trò chuyện chệch hướng.
  5. Bảng điều khiển quản trị (Admin Panel) và kênh giao tiếp: Xây dựng công cụ quản lý tài khoản khách hàng và hỗ trợ giao tiếp qua Zalo, Google Meet.
  6. Sàn giao dịch dữ liệu DataEverywhere: Phát triển nền tảng marketplace cho phép chia sẻ, mua bán và tích hợp các bộ dữ liệu huấn luyện chatbot có sẵn thông qua thanh toán trực tuyến.
  7. Tích hợp ngăn xếp công nghệ đa tầng: Kết hợp đồng bộ giữa Spring Boot, ReactJS, FlaskAPI, Redis, Apache Kafka và các mô hình học máy.
  8. Kiểm thử và đánh giá: Thực hiện kiểm thử tích hợp, kiểm thử bảo mật và tối ưu hóa hệ thống dựa trên yêu cầu thực tế.

Đối tượng nghiên cứu của đồ án là kiến trúc hệ thống dịch vụ chatbot kịch bản thông minh và cơ chế quản lý, giao dịch tập dữ liệu huấn luyện. Phạm vi nghiên cứu được triển khai và hoàn thiện trong thời gian 15 tuần (từ ngày 11/09/2023 đến ngày 25/12/2023) trong khuôn khổ đồ án tốt nghiệp ngành Công nghệ Thông tin tại Trường Đại học Sư phạm Kỹ thuật TP.HCM.

Cơ sở lý thuyết và phương pháp

Đồ án ứng dụng kết hợp các khái niệm lý thuyết về Xử lý ngôn ngữ tự nhiên (NLP), Mô hình ngôn ngữ lớn (LLM), Cơ sở dữ liệu Vector (Vector Database) và Kỹ thuật nhúng văn bản (Text Embeddings) để xây dựng luồng huấn luyện (training) và dự đoán (prediction) ý định hội thoại.

+-----------------------------------------------------------------------------------+
| Quy trình dự đoán Ý định (Intent Prediction Pipeline):                             |
|                                                                                   |
|  Tin nhắn khách hàng -> [Embedding: keepitreal/vietnamese-sbert] -> Vector        |
|                                                                        |          |
|                                                                        v          |
|  Ý định (Intent) kết quả <- [Độ tương đồng >= Ngưỡng] <- [Vector Database Search] |
|                                                                        ^          |
|                                                                        |          |
|  Bộ mẫu câu (Patterns) -> [Embedding: keepitreal/vietnamese-sbert] -> Vector CSDL |
+-----------------------------------------------------------------------------------+

Phương pháp xử lý dữ liệu và nhận diện ý định được triển khai theo các nguyên lý sau:

  • Sentence/Document Embeddings: Chuyển đổi dữ liệu văn bản phi cấu trúc (các câu mẫu và tin nhắn người dùng) thành các vector số thực nhiều chiều trong không gian vector. Đồ án sử dụng mô hình mã nguồn mở keepitreal/vietnamese-sbert từ Hugging Face. Đây là mô hình Sentence-BERT được tinh chỉnh chuyên biệt cho tiếng Việt, giúp biểu diễn ngữ nghĩa của các câu văn tiếng Việt chính xác.
  • Vector Database & Similarity Search: Lưu trữ các vector mẫu câu (Pattern Vectors) theo từng nhóm ý định (Intent). Khi người dùng gửi tin nhắn, hệ thống vector hóa văn bản đầu vào và áp dụng thuật toán tìm kiếm độ tương đồng (Similarity Search) để so khớp với các vector mẫu có sẵn. Ví dụ, câu tin nhắn "Mình tên là Vỹ nha bạn" đạt độ tương đồng 0.8 với mẫu câu "Mình tên Linh nha", từ đó hệ thống phân loại chính xác vào ý định "Nói tên".
  • Tích hợp OpenAI API: Khai thác mô hình GPT (chẳng hạn như GPT-3) để hỗ trợ xử lý ngôn ngữ tự nhiên nâng cao và tạo lập nội dung hội thoại mở rộng khi cần thiết.

Nhóm tác giả đã tiến hành khảo sát hiện trạng, phân tích nhu cầu khách hàng và so sánh đối sánh hai nền tảng NLU thương mại phổ biến hiện nay:

Tiêu chí so sánh Amazon Lex Dialogflow (Google)
Ưu điểm chính NLU tiên tiến; Tích hợp sâu với hệ sinh thái AWS (Lambda, S3, DynamoDB); Khả năng mở rộng cao; Hỗ trợ sẵn các kiểu vị trí (Built-in Slot Types). Giao diện thân thiện, dễ sử dụng; NLP mạnh mẽ; Tích hợp hệ sinh thái Google Cloud; Cung cấp sẵn nhiều mẫu đại lý (Pre-built Agents).
Nhược điểm & Hạn chế Quản lý luồng hội thoại phức tạp gặp khó khăn; Hạn chế về số lượng ngôn ngữ hỗ trợ; Độ trễ thời gian thực; Phụ thuộc lớn vào hạ tầng AWS. Chi phí tăng cao khi mở rộng quy mô lớn; Khó tùy biến sâu mô hình NLU; Luồng kịch bản phức tạp dễ bị rối giao diện; Phụ thuộc vào dịch vụ Google.

Về phương pháp thiết kế phần mềm, đồ án sử dụng chuẩn mô hình hóa UML bao gồm sơ đồ ca sử dụng (Use Case Diagram), sơ đồ tuần tự (Sequence Diagram), sơ đồ lớp (Class Diagram) và mô hình thực thể liên kết (ERD) để chuẩn hóa các quy trình nghiệp vụ trước khi bước vào giai đoạn lập trình.

Thiết kế và triển khai

Hệ thống được thiết kế theo kiến trúc phân tầng kết hợp hướng dịch vụ (Service-Oriented Architecture), phân chia rõ ràng giữa các thành phần giao diện, xử lý nghiệp vụ, dịch vụ trí tuệ nhân tạo và hạ tầng lưu trữ đệm/truyền tin bất đồng bộ.

Phân hệ / Tầng chức năng Công nghệ sử dụng Vai trò và nhiệm vụ kỹ thuật trong hệ thống
Frontend (Giao diện người dùng) ReactJS, Ant Design (AntD), Reactflow, Axios Xây dựng giao diện ứng dụng web cho cả Chatbot Service và DataEverywhere; Quản lý trạng thái bằng React Hooks (useState, useEffect, useContext, useMemo, useCallback); Ant Design cung cấp các thành phần UI (Modal, Button); Reactflow quản lý sơ đồ nút (useNodes, useEdgesState) phục vụ kéo thả kịch bản hội thoại.
Real-time Communication SockJS, StompJS (WebSockets) Thiết lập kết nối hai chiều thời gian thực giữa máy khách và máy chủ; Truyền nhận tin nhắn hội thoại tức thời thông qua giao thức STOMP mà không cần kỹ thuật thăm dò (polling).
Backend Core Service Spring Boot (Java) Xử lý logic nghiệp vụ trung tâm, quản lý xác thực người dùng, điều phối dữ liệu kịch bản, quản trị giỏ hàng và xử lý giao dịch thanh toán qua PayPal.
AI / Machine Learning Service FlaskAPI (Python), keepitreal/vietnamese-sbert Thực hiện các tác vụ tính toán học máy: Vector hóa văn bản tiếng Việt, lưu trữ vector, tính toán độ tương đồng tìm kiếm và quản lý trạng thái máy chủ huấn luyện (Free/Busy).
In-Memory Caching Redis Bộ nhớ đệm lưu trữ các biến toàn cục, tối ưu hóa tốc độ truy xuất trong các luồng: Nhập/Xuất Excel, Huấn luyện (Training) và Dự đoán (Predict).
Event Streaming / Message Queue Apache Kafka Xử lý các luồng sự kiện bất đồng bộ: Lưu trữ lịch sử tin nhắn hai chiều (Incoming/Outgoing) giữa người dùng và Chatbot; Xử lý hậu kỳ (Post-processing) khi có sự thay đổi dữ liệu trong tệp dataset.

Thiết kế cơ sở dữ liệu

Cơ sở dữ liệu của hệ thống được chia làm hai phân vùng logic phục vụ cho Chatbot Service và sàn giao dịch DataEverywhere:

  1. Phân vùng Chatbot Service:

    • User: Lưu trữ thông tin tài khoản người dùng và vai trò phân quyền.
    • Script: Chứa thông tin tổng thể về kịch bản của từng doanh nghiệp.
    • Node: Định nghĩa các nút tương tác (tin nhắn, câu hỏi, điểm rẽ nhánh) trong kịch bản dạng đồ thị.
    • Condition_mapping: Quản lý logic điều kiện chuyển tiếp giữa các nút (Edges).
    • Intent: Lưu trữ danh sách các ý định hội thoại.
    • Pattern: Lưu trữ các câu mẫu huấn luyện thuộc về từng Intent cụ thể.
    • Entity và Entity_type: Quản lý các thực thể và kiểu thực thể trích xuất trong câu.
    • Message_history: Lưu trữ chi tiết lịch sử tin nhắn trò chuyện giữa người dùng và chatbot.

  2. Phân vùng DataEverywhere:

    • Dataset_category: Phân loại danh mục tập dữ liệu (ví dụ: thương mại điện tử, y tế, giáo dục).
    • Dataset_collection: Thông tin bộ sưu tập dữ liệu được chào bán (tên, mô tả, đơn giá, trạng thái).
    • Dataset_item: Chi tiết các tệp dữ liệu hoặc bản ghi thành phần trong bộ sưu tập.
    • Cart và Cart_item: Quản lý giỏ hàng và các mặt hàng dataset người dùng lựa chọn.
    • Transaction: Lưu vết lịch sử giao dịch mua bán bộ dữ liệu.
    • Payment_method: Cấu hình cổng và phương thức thanh toán (tích hợp PayPal).

Các quy trình nghiệp vụ và giao diện chính

  • Quản lý và thiết kế kịch bản (Script Management & Edit Script): Người dùng sử dụng không gian làm việc Reactflow để tạo các nút hội thoại, nối các cạnh liên kết điều kiện và thiết lập tham số cho từng nút thông qua Setting script information modal.
  • Tích hợp website (See Embedded Code Modal): Hệ thống tự động tạo mã nhúng JavaScript để doanh nghiệp dán trực tiếp vào mã nguồn website của mình.
  • Thử nghiệm kịch bản (Try Script Modal): Cung cấp khung trò chuyện mô phỏng giúp kiểm tra phản hồi của kịch bản và độ chính xác của các Intent trước khi xuất bản.
  • Huấn luyện mô hình (Training): Gửi yêu cầu huấn luyện các cặp Intent - Pattern sang máy chủ FlaskAPI và kiểm tra trạng thái máy chủ (Free hoặc Busy).
  • Mua bán dữ liệu trên DataEverywhere: Người dùng tìm kiếm bộ sưu tập dữ liệu theo danh mục, thêm vào giỏ hàng (ngăn chặn thêm trùng lặp theo quy tắc nghiệp vụ), kiểm tra danh sách giỏ hàng và thực hiện thanh toán qua PayPal.

Nội dung chính theo từng chương

Chương 1: Giới thiệu đề tài (Introduction to the Topic)

Chương 1 làm rõ lý do chọn đề tài xuất phát từ nhu cầu thực tiễn về giao diện hội thoại tự động và tầm quan trọng của dữ liệu đối với chất lượng của mô hình trí tuệ nhân tạo. Chương này xác định mục tiêu tổng quát, 8 mục tiêu dự án cụ thể (Project Objectives) và 10 mục tiêu nghiên cứu chuyên sâu (Research Objectives) bao gồm trải nghiệm người dùng, tính hiệu quả của điều hướng kịch bản động, hiệu năng ngăn xếp công nghệ và các khía cạnh đạo đức trong việc sử dụng dữ liệu AI.

Chương 2: Tổng quan kiến trúc hệ thống (System Architecture Overview)

Chương 2 trình bày chi tiết các công nghệ cốt lõi cấu thành hệ thống:

  • Frontend: Ứng dụng ReactJS với kiến trúc Hook (useState, useEffect, useContext, useMemo, useCallback), thư viện giao diện Ant Design và công cụ Reactflow tạo đồ thị kịch bản.
  • Giao tiếp mạng: Phân tích giao thức HTTP, WebSocket cùng hai thư viện SockJS và StompJS phục vụ truyền nhận dữ liệu thời gian thực.
  • Backend và Hạ tầng: Khung làm việc Spring Boot, hệ thống bộ nhớ đệm Redis, nền tảng phân tán Apache Kafka, cùng việc tích hợp OpenAI API (GPT-3).
  • Cơ chế huấn luyện và dự đoán: Trình bày lý thuyết về Mô hình ngôn ngữ lớn (LLM), Cơ sở dữ liệu Vector, kỹ thuật nhúng (Embedding) và việc lựa chọn mô hình Sentence-BERT tiếng Việt keepitreal/vietnamese-sbert trên Hugging Face.

Chương 3: Xác định yêu cầu hệ thống (Requirement Determination)

Chương 3 tổng hợp kết quả khảo sát nhu cầu khách hàng, tiến hành phân tích ưu và nhược điểm của hai nền tảng đại diện là Amazon Lex và Dialogflow. Nội dung chương đặc tả chi tiết:

  • Các yêu cầu chức năng nghiệp vụ của Chatbot Service (CRUD Intent, Pattern, Script, Scenario, Training, Authentication).
  • Các yêu cầu chức năng của sàn DataEverywhere (Xem danh sách, tìm kiếm, quản lý giỏ hàng, thanh toán qua PayPal).
  • Danh mục yêu cầu phi chức năng (Non-functional requirements) cho cả hai hệ thống.
  • Mô hình hóa phân tích thông qua biểu đồ ca sử dụng tổng quát, ca sử dụng chi tiết và các sơ đồ tuần tự (Sequence diagrams) cho toàn bộ các luồng đăng nhập, đăng ký, lấy thông tin cá nhân, thêm/sửa/xóa Intent, Pattern, Script, thêm vào giỏ hàng và thanh toán.

Chương 4: Thiết kế cơ sở dữ liệu (Database Design)

Chương 4 cung cấp sơ đồ lớp (Class Diagram) và lược đồ quan hệ cơ sở dữ liệu chi tiết. Nội dung bao gồm đặc tả cấu trúc của 9 bảng dữ liệu thuộc phân hệ Chatbot (User, Script, Node, Condition_mapping, Intent, Pattern, Entity, Entity_type, Message_history) và 7 bảng dữ liệu thuộc phân hệ DataEverywhere (Cart, Cart_item, Dataset_collection, Dataset_item, Transaction, Payment_method, Dataset_category).

Chương 5: Hiện thực hóa và kiểm thử (Implementation and Testing)

Chương 5 minh họa các kết quả triển khai giao diện người dùng (GUI) thực tế:

  • Màn hình Đăng nhập, Đăng ký, Trang chủ, Dashboard, Hồ sơ cá nhân của Chatbot Service.
  • Màn hình Quản lý kịch bản, Chỉnh sửa kịch bản với Reactflow, Modal cấu hình thông tin kịch bản, Modal lấy mã nhúng, Modal chạy thử kịch bản (Try script) và Modal xem lịch sử hội thoại.
  • Giao diện sàn DataEverywhere: Trang chủ, Trang cửa hàng (Shop), Chi tiết giỏ hàng và Hồ sơ tài khoản.
  • Trình bày kết quả kiểm thử tích hợp hệ thống (Integration Testing) và kiểm thử an toàn bảo mật (Security Testing).

Chương 6: Kết quả và tối ưu hóa (Result and Optimization)

Chương 6 tổng kết các cột mốc đã đạt được trong quá trình phát triển 15 tuần. Đánh giá việc áp dụng phương pháp tiếp cận lấy người dùng làm trung tâm (User-Centric Approach), tối ưu hóa hiệu năng hệ thống qua Redis và Kafka, cùng các biện pháp bảo vệ an toàn thông tin người dùng và dữ liệu giao dịch.

Kết quả và đóng góp

  • Xây dựng thành công nền tảng kép tích hợp: Hoàn thành hệ thống phần mềm hoàn chỉnh gồm công cụ quản trị kịch bản Chatbot Service và sàn giao dịch tập dữ liệu DataEverywhere trong khung thời gian 15 tuần.
  • Hiện thực hóa công cụ thiết kế kịch bản trực quan: Tích hợp thành công thư viện Reactflow trên nền tảng ReactJS, cho phép người dùng không có chuyên môn sâu về lập trình vẫn có thể xây dựng, chỉnh sửa và cấu hình các luồng rẽ nhánh hội thoại phức tạp.
  • Xử lý NLU tiếng Việt chính xác với Sentence-BERT: Ứng dụng mô hình keepitreal/vietnamese-sbert kết hợp Vector Database để thực hiện tìm kiếm tương đồng ngữ nghĩa, khắc phục hạn chế về hỗ trợ tiếng Việt sâu trên các nền tảng thương mại quốc tế như Amazon Lex.
  • Kiến trúc phân tán tối ưu hiệu năng: Ứng dụng Redis Cached giúp giảm thiểu thời gian truy xuất các biến dùng chung, hỗ trợ import/export file và dự đoán nhanh chóng; triển khai Apache Kafka đảm bảo khả năng ghi nhận lịch sử hội thoại bất đồng bộ mượt mà, không gây tắc nghẽn luồng xử lý chính.
  • Giải quyết bài toán dữ liệu huấn luyện: Mô hình sàn DataEverywhere mở ra phương thức trao đổi, mua bán tập dữ liệu có cấu trúc cho cộng đồng phát triển chatbot, tích hợp sẵn thanh toán trực tuyến qua cổng PayPal.

Hạn chế và hướng nghiên cứu tiếp

  • Giới hạn máy chủ huấn luyện: Việc huấn luyện mô hình được thực hiện trên máy chủ FlaskAPI đơn lẻ; khi có nhiều yêu cầu huấn luyện cùng lúc, trạng thái máy chủ chuyển sang "Busy" có thể gây gián đoạn hoặc kéo dài thời gian chờ đợi của người dùng.
  • Phụ thuộc API bên ngoài: Việc mở rộng năng lực hội thoại tự do vẫn phụ thuộc một phần vào API của OpenAI (ChatGPT/GPT-3), đòi hỏi kết nối Internet ổn định và chi phí vận hành API.
  • Phương thức thanh toán: Hệ thống thương mại DataEverywhere hiện tại mới chỉ tích hợp phương thức thanh toán quốc tế qua PayPal, chưa hỗ trợ các cổng thanh toán hoặc ví điện tử nội địa phổ biến tại Việt Nam.
  • Hướng mở rộng tiếp theo: Nâng cấp kiến trúc xử lý huấn luyện NLP dạng phân tán/hàng đợi đa tiến trình để nâng cao khả năng phục vụ đồng thời; mở rộng hỗ trợ nhiều kiểu thực thể (Entity Types) nâng cao; tích hợp thêm các cổng thanh toán nội địa và bổ sung thuật toán gợi ý dữ liệu thông minh trên sàn DataEverywhere.

Giá trị tham khảo

Đồ án là tài liệu tham khảo có giá trị chuyên môn cao đối với sinh viên ngành Công nghệ Thông tin, Kỹ thuật Phần mềm và Hệ thống Thông tin đang thực hiện các khóa luận tốt nghiệp hoặc dự án liên quan đến kiến trúc microservices và trí tuệ nhân tạo ứng dụng.

Các nội dung có giá trị tham khảo kỹ thuật nổi bật gồm:

  1. Mô hình kiến trúc kết hợp đa nền tảng: Cách thức tích hợp đồng bộ giữa Spring Boot (xử lý nghiệp vụ chính), FlaskAPI (xử lý tính toán AI/Vector Embeddings), ReactJS (giao diện), Redis (caching) và Apache Kafka (xử lý sự kiện bất đồng bộ).
  2. Kỹ thuật xây dựng đồ thị tương tác: Mã nguồn và giải pháp tùy biến các Hook của Reactflow (useNodes, useEdgesState) trong việc xây dựng trình tạo kịch bản dạng kéo thả.
  3. Ứng dụng NLP tiếng Việt thực tế: Quy trình vector hóa mẫu câu bằng mô hình SBERT tiếng Việt (keepitreal/vietnamese-sbert) và cơ chế Similarity Search phục vụ phân loại ý định trong các ứng dụng đàm thoại thực tế.

Câu hỏi thường gặp

1. Hệ thống Chatbot Service sử dụng mô hình nào để chuyển đổi văn bản tiếng Việt sang Vector?

Hệ thống sử dụng mô hình Sentence/Document Embedding mang tên keepitreal/vietnamese-sbert được cung cấp trên Hugging Face. Mô hình này được thiết kế và tinh chỉnh chuyên biệt cho ngôn ngữ tiếng Việt, giúp vector hóa chính xác các câu mẫu (Patterns) và tin nhắn đầu vào để thực hiện tìm kiếm độ tương đồng (Similarity Search) trong Vector Database.

2. Apache Kafka và Redis Cached được áp dụng vào những luồng nghiệp vụ cụ thể nào?

  • Redis Cached: Dùng để lưu trữ bộ nhớ đệm cho các biến toàn cục nhằm tăng tốc độ truy xuất, được áp dụng trong các luồng: Nhập/Xuất tệp Excel, Huấn luyện mô hình (Training) và Dự đoán ý định (Predict).
  • Apache Kafka: Dùng để xử lý luồng dữ liệu thời gian thực và kiến trúc hướng sự kiện bất đồng bộ, áp dụng trong luồng lưu lịch sử tin nhắn vào cơ sở dữ liệu sau khi tương tác và xử lý hậu kỳ (Post-processing) khi có biến động dữ liệu trên tệp dataset.

3. Nền tảng xử lý như thế nào khi người dùng trò chuyện đi chệch khỏi kịch bản đã định sẵn?

Khi người dùng tương tác nằm ngoài phạm vi các nhánh kịch bản đã thiết lập, tính năng Điều hướng kịch bản động (Dynamic Script Guidance) sẽ kích hoạt một kênh chuyên biệt (dedicated channel) cho phép phía doanh nghiệp gửi thông điệp theo thời gian thực để hỗ trợ và dẫn dắt người dùng quay trở lại đúng tiến trình kịch bản hội thoại.

4. Sàn DataEverywhere có chức năng gì và quy tắc thêm giỏ hàng được quy định ra sao?

DataEverywhere là sàn giao dịch tập dữ liệu (dataset marketplace) cho phép các cá nhân và doanh nghiệp tìm kiếm, mua bán và khai thác các bộ dữ liệu huấn luyện chatbot. Theo quy tắc nghiệp vụ hệ thống, nếu giỏ hàng của người dùng đã tồn tại bộ sưu tập dữ liệu (dataset collection) đó, hệ thống sẽ ngăn chặn không cho phép thêm trùng lặp lần thứ hai. Giao dịch thanh toán được thực hiện thông qua PayPal.

5. Những nhược điểm chính của Amazon Lex và Dialogflow được nhóm tác giả chỉ ra là gì?

Nhóm tác giả chỉ ra rằng Amazon Lex gặp khó khăn khi quản lý luồng hội thoại phức tạp, hỗ trợ ngôn ngữ chưa sâu rộng và phụ thuộc chặt chẽ vào hạ tầng AWS. Trong khi đó, Dialogflow có cấu trúc chi phí tốn kém khi quy mô lớn, giao diện thiết kế kịch bản phức tạp dễ bị rối và hạn chế khả năng tùy biến sâu mô hình NLU nội bộ so với việc tự xây dựng máy chủ NLU riêng.

Kết luận

Đồ án tốt nghiệp "Xây dựng dịch vụ chatbot kết nối doanh nghiệp" của nhóm sinh viên Trường Đại học Sư phạm Kỹ thuật TP.HCM đã thiết kế và hiện thực hóa thành công một giải pháp toàn diện kết hợp giữa nền tảng tạo kịch bản hội thoại tự động và sàn giao dịch dữ liệu DataEverywhere. Bằng việc phối hợp linh hoạt giữa Spring Boot, ReactJS, FlaskAPI, Redis, Apache Kafka cùng mô hình nhúng tiếng Việt keepitreal/vietnamese-sbert, hệ thống mang lại khả năng phân loại ý định chính xác và hiệu năng vận hành ổn định. Công trình là tài liệu tham khảo thực tế giá trị cho các nghiên cứu và dự án phát triển hệ thống phần mềm tích hợp trí tuệ nhân tạo.