Tổng quan nghiên cứu

Thương mại điện tử trong lĩnh vực thời trang chứng kiến sự bùng nổ mạnh mẽ sau giai đoạn đại dịch COVID-19. Theo báo cáo thường niên của NielsenIQ vào năm 2021, nhóm hàng phi thực phẩm (non-grocery), đặc biệt là ngành hàng may mặc và thời trang, luôn nằm trong nhóm mặt hàng trực tuyến được người tiêu dùng lựa chọn hàng đầu. Tuy nhiên, thách thức lớn nhất của các nhà bán lẻ trực tuyến hiện nay là việc tối ưu hóa trải nghiệm khách hàng và giải quyết bài toán tư vấn bán hàng 24/7 với chi phí nhân sự hợp lý. Các hệ thống chatbot truyền thống hoạt động dựa trên tập luật định sẵn thường bộc lộ nhiều điểm hạn chế khi không thể xử lý các câu hỏi phức tạp hoặc không có khả năng truy vấn sản phẩm thông qua hình ảnh trực quan với số lượng dữ liệu mẫu hạn chế.

Luận văn thạc sĩ chuyên ngành Khoa học Máy tính tại Trường Đại học Bách Khoa - ĐHQG-HCM, thực hiện từ ngày 20/06/2023 đến ngày 23/01/2024, tập trung giải quyết bài toán xây dựng hệ thống trợ lý ảo thông minh chuyên sâu cho ngành thời trang. Mục tiêu then chốt của nghiên cứu là kết hợp kỹ thuật học từ số lượng dữ liệu ít (Few-shot Learning) với khung làm việc xử lý ngôn ngữ tự nhiên Rasa, đồng thời thiết kế kiến trúc vi dịch vụ (Microservices) tối ưu hóa độ trễ phản hồi.

Hệ thống cho phép khách hàng tra cứu thông tin cửa hàng, kiểm tra tình trạng hàng hóa và tìm kiếm sản phẩm thông qua ảnh mẫu kết hợp mô tả thuộc tính. Về mặt định lượng, nghiên cứu hướng đến việc nâng cao độ chính xác phân loại ý định hội thoại lên 99%, cải thiện chỉ số Top-5@Recall trong truy vấn hình ảnh đạt 56% và kiểm soát độ trễ toàn hệ thống dưới 3 giây cho 100 người dùng truy cập đồng thời.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng của các lý thuyết học máy tiên tiến, thị giác máy tính và xử lý ngôn ngữ tự nhiên:

  • Lý thuyết Học từ dữ liệu ít (Few-shot Learning) và Meta-Learning: Đây là nhánh phát triển chuyên sâu nhằm giúp mô hình thích ứng nhanh chóng với các tác vụ mới chỉ từ một vài mẫu ví dụ (Support set) để dự đoán trên tập truy vấn (Query set). Luận văn đi sâu vào phân tích các phương pháp học dựa trên chỉ số đánh giá (Metric-based) như Prototypical Networks (tạo véc-tơ nguyên mẫu cho từng lớp dựa trên khoảng cách Euclidean) và Matching Networks (sử dụng cơ chế chú ý dựa trên khoảng cách Cosine), cùng phương pháp tối ưu tham số khởi tạo Model-Agnostic Meta-Learning (MAML).
  • Kiến trúc Mạng Nơ-ron Tích chập (Convolutional Neural Networks - CNN): Đóng vai trò là bộ trích xuất đặc trưng hình ảnh (Feature Extractor). Các kiến trúc mạng sâu nổi bật như VGG16 (dung lượng 533MB, đạt độ chính xác Top-5 92,7% trên ImageNet), ResNet (giải quyết triệt để vấn đề suy giảm gradient thông qua các liên kết tắt Residual Blocks) và DenseNet (kết nối dày đặc tăng cường tái sử dụng đặc trưng) được khảo sát để làm nền tảng trích xuất biểu diễn cho dữ liệu trang phục.
  • Khung làm việc Rasa NLU và Rasa Core: Đóng vai trò phân tích ngôn ngữ tự nhiên và quản lý hội thoại. Rasa NLU chịu trách nhiệm tiền xử lý văn bản, trích xuất thực thể (Entities) và phân loại ý định (Intents) qua pipeline tối ưu. Rasa Core áp dụng các chính sách đối thoại như RulePolicy, MemoizationPolicy và TEDPolicy nhằm xác định hành động tiếp theo chính xác theo ngữ cảnh.

Phương pháp nghiên cứu

Nghiên cứu áp dụng quy trình thực nghiệm nghiêm ngặt kết hợp giữa phương pháp định lượng và kỹ thuật kỹ nghệ hệ thống:

  • Nguồn dữ liệu nghiên cứu: Dữ liệu hình ảnh được tổng hợp từ tập dữ liệu chuẩn MMFashion kết hợp cùng bộ dữ liệu thực tế gần 10,000 hình ảnh thời trang thu thập từ sàn thương mại điện tử Shopee do Công ty Cổ phần Trương Minh Thịnh cung cấp. Dữ liệu văn bản đối thoại bao gồm các kịch bản tương tác tiếng Việt bao quát 9 nhóm màu sắc chính, 26 thuộc tính trang phục (như tay dài, tay ngắn, cổ tròn) và 50 danh mục sản phẩm (như áo sơ mi, quần jeans, áo thun). Đồng thời, tác giả xây dựng một bộ dữ liệu đánh giá song ngữ Anh - Việt gồm các cặp đầu vào văn bản - hình ảnh tương ứng.
  • Phương pháp phân tích và đánh giá: Đánh giá mô hình NLU thông qua các chỉ số Precision, Recall, F1-Score và Accuracy. Đối với mô hình truy vấn hình ảnh Few-shot Learning, phương pháp phân tích N-way K-shot được triển khai để kiểm thử khả năng nhận dạng trên dữ liệu chưa từng xuất hiện. Độ chính xác tìm kiếm được đo lường bằng độ đo Top-K@Recall (với K từ 1 đến 5).
  • Kỹ thuật lập chỉ mục véc-tơ và tìm kiếm: Tích hợp công cụ tìm kiếm toàn văn của MongoDB cho văn bản và cơ sở dữ liệu véc-tơ Milvus (kết hợp thư viện Faiss) nhằm tối ưu hóa việc so khớp véc-tơ đặc trưng hình ảnh nhiều chiều trong không gian Euclidean và Cosine.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình huấn luyện và kiểm thử thực nghiệm trên hệ thống đã ghi nhận những kết quả nổi bật:

  1. Hiệu năng vượt trội của mô hình xử lý ngôn ngữ tự nhiên: Mô hình Rasa NLU đạt độ chính xác phân loại ý định (Intent Accuracy) và trích xuất thực thể (Entity Accuracy) lên đến 99%. Khả năng nhận diện chính xác các thực thể như loại trang phục, màu sắc và thuộc tính chi tiết cho phép hệ thống hiểu đúng yêu cầu của người dùng mà không bị nhầm lẫn giữa các cấu trúc ngữ nghĩa phức tạp.
  2. Nâng cao độ chính xác truy vấn hình ảnh với dữ liệu mẫu nhỏ: Mô hình Few-shot Learning được tinh chỉnh cho thấy sự vượt trội trong việc tổng quát hóa đặc trưng sản phẩm thời trang. Trên cùng tập dữ liệu thử nghiệm, phương pháp đề xuất đạt độ bao phủ Top-5@Recall ở mức 56%, cải thiện rõ rệt so với mô hình cơ sở MMFashion ban đầu khi chỉ học trên một số lượng rất ít ảnh cho mỗi lớp sản phẩm mới.
  3. Tối ưu hóa kiến trúc vi dịch vụ và độ trễ phản hồi: Việc kết hợp cơ sở dữ liệu Milvus và MongoDB giúp tối ưu hóa luồng dữ liệu. Kết quả đo đạc cho thấy thời gian phản hồi trung bình của toàn bộ hệ thống đạt mức dưới 3 giây cho mỗi truy vấn đa phương thức (gồm cả ảnh và văn bản), đảm bảo khả năng chịu tải ổn định khi phục vụ đồng thời 100 phiên tương tác của khách hàng.
  4. Năng lực xử lý truy vấn kết hợp linh hoạt: Hệ thống giải quyết thành công 4 kịch bản tương tác phức tạp, bao gồm kiểm tra tồn kho, gợi ý 5 sản phẩm tương đồng về màu sắc từ ảnh gửi, tìm sản phẩm tương tự dựa trên ảnh và gợi ý sản phẩm tương tự có điều chỉnh thuộc tính (ví dụ: tìm mẫu áo sơ mi tương tự nhưng đổi sang thiết kế cộc tay).

Thảo luận kết quả

Các kết quả thực nghiệm chỉ ra rằng việc áp dụng mạng tích chập sâu thông thường theo phương thức huấn luyện từ đầu (train from scratch) trên tập dữ liệu thời trang nhỏ dễ dẫn đến hiện tượng quá khớp (Overfitting). Tuy nhiên, khi kết hợp phương pháp học trích xuất đặc trưng với các mô hình Metric-based Meta-Learning, mô hình có khả năng tạo ra không gian biểu diễn nhúng (Embedding space) phân tách rõ ràng giữa các danh mục trang phục khác nhau.

Thông qua ma trận nhầm lẫn (Confusion Matrix) được phân tích trong luận văn, các lớp thuộc tính có sự tương phản cao (như màu sắc, độ dài trang phục) đạt tỷ lệ nhận dạng chính xác trên 95%, trong khi một số thuộc tính có độ biến thiên thấp (như họa tiết viền, chi tiết cúc áo) có độ nhạy thấp hơn, rơi vào khoảng 80% đến 85%. Đồ thị phân bố độ trễ (Latency Distribution Chart) cho thấy phần lớn thời gian phản hồi tập trung vào bước trích xuất đặc trưng hình ảnh sâu (chiếm khoảng 60% tổng thời gian), trong khi bước truy vấn véc-tơ trên Milvus chỉ tiêu tốn dưới 200 mili-giây. Điều này khẳng định việc phân tách kiến trúc thành các vi dịch vụ độc lập là quyết định kỹ thuật đúng đắn giúp hệ thống vận hành mượt mà trong môi trường thực tế.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu và thực nghiệm, luận văn đưa ra 4 khuyến nghị then chốt nhằm hoàn thiện và nhân rộng hệ thống:

  • Mở rộng quy mô bộ dữ liệu thời trang chuyên biệt: Đội ngũ kỹ sư dữ liệu cần tiến hành thu thập và chuẩn hóa thêm ít nhất 50,000 hình ảnh sản phẩm thời trang đa dạng về góc chụp, ánh sáng và bối cảnh sử dụng thực tế. Thời hạn hoàn thành dự kiến trong Quý 2/2024, nhằm tăng chỉ số Top-5@Recall của mô hình Few-shot Learning lên mức mục tiêu trên 70%.
  • Tối ưu hóa hạ tầng véc-tơ và nén mô hình học sâu: Nhóm kỹ sư hạ tầng và AI cần áp dụng các kỹ thuật lượng hóa mô hình (Model Quantization) và tối ưu hóa cấu hình phân mảnh chỉ mục trong cơ sở dữ liệu Milvus. Mục tiêu là cắt giảm thời gian xử lý trích xuất đặc trưng hình ảnh, đưa độ trễ toàn hệ thống từ 3 giây xuống dưới 1.5 giây, hoàn thành vào Quý 3/2024.
  • Tích hợp đa kênh truyền thông xã hội và thương mại điện tử: Đội ngũ phát triển phần mềm cần xây dựng các cổng kết nối API chuẩn hóa để nhúng chatbot vào các nền tảng phổ biến tại Việt Nam như Zalo, Facebook Messenger và Telegram. Kế hoạch triển khai hoàn tất trong Quý 4/2024 để phục vụ trực tiếp cho các doanh nghiệp bán lẻ.
  • Nghiên cứu ứng dụng các mô hình thị giác - ngôn ngữ quy mô lớn: Nhóm nghiên cứu R&D nên tiếp tục thử nghiệm các kiến trúc đa phương thức hiện đại (Vision-Language Transformers) kết hợp cơ chế học thích ứng tham số hiệu quả (Parameter-Efficient Fine-Tuning) trong năm 2025, nhằm nâng cao khả năng thấu hiểu câu hỏi ngôn ngữ tự nhiên phức tạp từ phía khách hàng.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và thực tiễn phong phú, phù hợp cho 4 nhóm đối tượng chính:

  • Học viên cao học và nhà nghiên cứu Khoa học Máy tính: Cung cấp nguồn tài liệu toàn diện về cơ chế hoạt động của Few-shot Learning, Meta-Learning (MAML, Prototypical Networks, Matching Networks) và phương pháp giải quyết bài toán thị giác máy tính khi thiếu hụt dữ liệu huấn luyện.
  • Kỹ sư phát triển Trí tuệ nhân tạo và Xử lý ngôn ngữ tự nhiên: Cung cấp quy trình chi tiết về xây dựng pipeline Rasa NLU, thiết kế quy tắc hội thoại Rasa Core, và kỹ thuật cá nhân hóa mô hình chatbot theo từng cửa hàng riêng biệt đạt độ chính xác 99%.
  • Kiến trúc sư hệ thống phần mềm: Nắm bắt cách thức xây dựng hệ thống vi dịch vụ đa tầng, kết nối đồng thời giữa cơ sở dữ liệu quan hệ, cơ sở dữ liệu tài liệu MongoDB và cơ sở dữ liệu véc-tơ Milvus phục vụ tìm kiếm tương đồng thời gian thực với độ trễ thấp.
  • Chủ doanh nghiệp bán lẻ và quản lý sàn thương mại điện tử: Tham khảo mô hình ứng dụng chuyển đổi số nhằm tự động hóa quy trình chăm sóc khách hàng, nâng cao năng lực cạnh tranh và cắt giảm chi phí vận hành trực ban trực tuyến 24/7.

Câu hỏi thường gặp

Tại sao Few-shot Learning là giải pháp tối ưu cho truy vấn hình ảnh thời trang?

Trong ngành thời trang, số lượng mẫu mã mới thay đổi liên tục nhưng mỗi mẫu chỉ có từ 1 đến 5 ảnh chụp quảng cáo. Các mô hình học sâu truyền thống đòi hỏi hàng nghìn mẫu để huấn luyện lại, gây tốn kém tài nguyên. Few-shot Learning giúp hệ thống học cách so khớp đặc trưng tổng quát, từ đó nhận diện sản phẩm mới chính xác mà không cần đào tạo lại toàn bộ mạng.

Khung làm việc Rasa đóng vai trò gì và đạt hiệu năng ra sao?

Rasa đóng vai trò là bộ não xử lý ngôn ngữ tự nhiên và điều phối luồng hội thoại. Thông qua các bộ trích xuất đặc trưng và phân loại ý định, mô hình đạt độ chính xác phân loại 99%. Rasa Core sử dụng các chính sách đối thoại để chọn hành động trả lời phù hợp dựa trên ngữ cảnh và nhu cầu cụ thể của từng người mua hàng.

Hệ thống xử lý truy vấn kết hợp giữa ảnh và thuộc tính văn bản như thế nào?

Hệ thống sử dụng cơ chế xử lý song song: hình ảnh đầu vào được trích xuất véc-tơ đặc trưng thông qua mô hình CNN, trong khi yêu cầu văn bản (ví dụ: "áo màu vàng nhưng tay ngắn") được Rasa NLU phân tích thành các thẻ thuộc tính. Sau đó, hệ thống thực hiện phép lọc kết hợp giữa tìm kiếm véc-tơ tương đồng trên Milvus và truy vấn thuộc tính trên MongoDB để trả về 5 kết quả tối ưu.

Cơ sở dữ liệu véc-tơ Milvus giúp giải quyết bài toán hiệu năng như thế nào?

Milvus cung cấp khả năng lập chỉ mục và tìm kiếm láng giềng gần nhất (ANN) trên không gian véc-tơ nhiều chiều ở tốc độ cao. Thay vì tính toán khoảng cách tuần tự trên toàn bộ kho ảnh gây tắc nghẽn, Milvus giúp giảm thời gian truy vấn véc-tơ xuống dưới 200 mili-giây, góp phần duy trì độ trễ tổng thể dưới 3 giây.

Hệ thống có thể triển khai thực tế trên những nền tảng nào?

Kiến trúc hệ thống được thiết kế theo dạng API mở dựa trên vi dịch vụ, cho phép dễ dàng tích hợp vào giao diện website thương mại điện tử độc lập hoặc kết nối trực tiếp với các ứng dụng nhắn tin phổ biến như Facebook Messenger, Zalo và Telegram để phục vụ khách hàng trên thiết bị di động.

Kết luận

Luận văn đã hoàn thành toàn diện các mục tiêu nghiên cứu với những đóng góp khoa học và thực tiễn rõ rệt:

  • Xây dựng thành công mô hình Few-shot Learning chuyên biệt cho lĩnh vực thời trang, đạt độ chính xác Top-5@Recall 56% trên tập dữ liệu mẫu hạn chế.
  • Phát triển mô hình hội thoại Rasa có khả năng cá nhân hóa theo từng cửa hàng với độ chính xác phân loại ý định và thực thể đạt 99%.
  • Đóng góp bộ dữ liệu thực tế gồm gần 10,000 hình ảnh thời trang từ sàn thương mại điện tử Shopee và bộ dữ liệu đánh giá song ngữ đầu vào đa phương thức.
  • Hiện thực hóa kiến trúc vi dịch vụ kết hợp Milvus và MongoDB, đảm bảo độ trễ toàn hệ thống dưới 3 giây và chịu tải tốt với 100 người dùng đồng thời.
  • Thiết lập giải pháp toàn diện cho phép giải quyết 4 kịch bản tư vấn mua sắm trực quan, xóa bỏ rào cản tương tác giữa người mua và nhà bán lẻ trực tuyến.

Trong giai đoạn 2024 - 2025, định hướng phát triển tiếp theo của đề tài là mở rộng tập dữ liệu lên trên 50,000 mẫu và nghiên cứu ứng dụng các kiến trúc Vision-Language Transformers tiên tiến. Độc giả quan tâm đến ứng dụng AI trong thương mại điện tử có thể áp dụng ngay kiến trúc này để nâng cấp hệ thống trợ lý ảo bán hàng tự động cho doanh nghiệp.