Giới thiệu dự án

Thị trường giáo dục trực tuyến (E-Learning) toàn cầu đang chứng kiến sự tăng trưởng vượt bậc với dự báo quy mô chạm mốc 1.000 tỷ USD vào năm 2032 (theo Global Market Insights). Tại Việt Nam, báo cáo từ Ken Research chỉ ra quy mô thị trường E-Learning đạt 3 tỷ USD với tốc độ tăng trưởng kép hàng năm (CAGR) 20,2%. Thống kê từ Class Central cho thấy các khóa học thuộc nhóm ngành Công nghệ Thông tin (CNTT) và Khoa học Dữ liệu chiếm tới 19,3% tổng số khóa học trực tuyến hiện có, với lưu lượng tìm kiếm toàn cầu tăng hơn 196% trong 5 năm qua.

+---------------------------------------------------------------------------------------------------+
|                                  THỰC TRẠNG E-LEARNING HIỆN NAY                                    |
+---------------------------------------------------------------------------------------------------+
|  [Video bài giảng dài 45-90p] ---> [Quá tải thông tin] ---> [Khó định vị kiến thức trọng tâm]     |
|                                                                                                   |
|  GIẢI PHÁP: HỆ THỐNG EFFICIENT ELEARNING (EE)                                                     |
|  [Video Audio] -> [PhoWhisper STT] -> [ViT5 Abstractive Summarization] -> [Pinecone RAG Chatbot]  |
+---------------------------------------------------------------------------------------------------+

Mặc dù tài nguyên học tập video phong phú, người học trực tuyến thường xuyên đối mặt với tình trạng "quá tải nhận thức" (cognitive overload). Việc theo dõi các video bài giảng kéo dài từ 45 đến 90 phút khiến sinh viên khó chắt lọc ý chính, tốn thời gian tua tìm kiến thức cụ thể và thiếu công cụ tương tác tức thời khi gặp vướng mắc kỹ thuật. Các nền tảng E-Learning truyền thống hiện nay chủ yếu đóng vai trò lưu trữ và phân phối tệp đa phương tiện tĩnh mà chưa tích hợp trí tuệ nhân tạo để phân tích ngữ nghĩa sâu.

Đề tài "Xây dựng hệ thống tóm tắt video và chatbot hỗ trợ học tập trực tuyến thông qua các phương pháp học máy và trí tuệ nhân tạo" (Efficient Elearning - EE) được thực hiện nhằm giải quyết trực tiếp bài toán trên.

Mục tiêu cụ thể của dự án:

  1. Tự động chuyển đổi âm thanh bài giảng sang văn bản: Triển khai mô hình nhận dạng giọng nói tự động tối ưu hóa riêng cho tiếng Việt.
  2. Tóm tắt văn bản trừu tượng (Abstractive Text Summarization - ATS): Tạo bản tóm tắt bài giảng súc tích, giữ trọn vẹn ngữ nghĩa cốt lõi thay vì chỉ trích xuất cơ học.
  3. Định vị nội dung bài giảng theo mốc thời gian (Timestamp Localization): Tự động liên kết từ khóa và ngữ cảnh bài học với khung hình (frame) và thời điểm chính xác trong video.
  4. Xây dựng Chatbot hỗ trợ thông minh dựa trên RAG: Ứng dụng kiến trúc truy xuất tăng cường kết hợp mô hình ngôn ngữ lớn (LLM) để giải đáp thắc mắc chuyên sâu theo nội dung từng bài giảng.

Phạm vi nghiên cứu tập trung vào các bài giảng trực tuyến ngành Công nghệ Thông tin bằng tiếng Việt dành cho sinh viên cao đẳng, đại học và học viên sau đại học. Giới hạn hệ thống nằm ở việc phụ thuộc vào chất lượng âm thanh đầu vào của video và tài nguyên tính toán phần cứng khi suy luận mô hình ngôn ngữ lớn cục bộ.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các giải pháp E-Learning phổ biến hiện nay như Moodle, Canvas, hay các nền tảng MOOCs thương mại (Coursera, Udemy) bộc lộ nhiều hạn chế khi xử lý nội dung bài giảng tiếng Việt:

Tiêu chí Nền tảng LMS truyền thống (Moodle / Canvas) Nền tảng MOOC thương mại (Coursera / Udemy) Hệ thống Efficient Elearning (EE)
Xử lý phụ đề tiếng Việt Thủ công (giảng viên tự tải file .srt) Tự động cơ bản (Google Speech API / Whisper gốc) Tối ưu hóa sâu bằng PhoWhisper cho tiếng Việt
Tóm tắt nội dung Không hỗ trợ Trích xuất mục lục hoặc tóm tắt trích xuất (Extractive) Tóm tắt trừu tượng (Abstractive) bằng ViT5 tinh chỉnh
Hỏi đáp bài giảng (Q&A) Diễn đàn tĩnh (Forum), phản hồi chậm trễ Chatbot Rule-based chung chung hoặc trợ lý độc lập RAG Chatbot (PhoGPT / Vinallama + Pinecone) bám sát nội dung bài học
Định vị mốc thời gian Tìm kiếm tiêu đề chương mục thủ công Dựa trên từ khóa phụ đề chính xác Tìm kiếm ngữ nghĩa kết hợp YAKE/RAKE và Vector Search

Phương pháp phân loại yêu cầu MoSCoW được áp dụng để xác định phạm vi phát triển hệ thống:

  • Must have: Pipeline Speech-to-Text tiếng Việt; Mô hình tóm tắt ATS ViT5; Cơ chế trích xuất từ khóa YAKE; Giao diện xem video tích hợp bản tóm tắt; Chatbot RAG giải đáp nội dung bài học.
  • Should have: Tìm kiếm ngữ nghĩa nhảy trực tiếp đến timestamp video; Đánh giá câu trả lời tự động bằng BERTScore/NLI; Bảng điều khiển quản trị khóa học.
  • Could have: Hỗ trợ đa định dạng video ngoài MP4; Tích hợp đánh giá độ phủ sóng ROUGE theo thời gian thực cho giảng viên.
  • Won't have (trong giai đoạn này): Nhận diện khuôn mặt điểm danh sinh viên; Xử lý luồng livestream thời gian thực với độ trễ dưới 500ms.

Thiết kế hệ thống

Kiến trúc hệ thống Efficient Elearning (EE) tuân thủ mô hình phân tầng dịch vụ linh hoạt, tách biệt giữa tầng xử lý nghiệp vụ web và tầng dịch vụ AI:

graph TD
    A[Client Browser: HTML5/JS/Bootstrap] -->|HTTP RESTful API| B[Web Application Server: PHP 8.2]
    B -->|Query / Write| C[(Relational DB: MySQL 8.0)]
    
    subgraph AI Inference Pipeline [Python 3.10 / PyTorch / FastEngine]
        D[Video Processing Engine] -->|Audio Extraction| E[PhoWhisper STT Model]
        E -->|Raw Transcript| F[VnCoreNLP Preprocessing]
        F -->|Clean Text| G[ViT5 Abstractive Summarizer]
        F -->|Token Stream| H[YAKE / RAKE Keyword Extractor]
        G -->|Generated Summary| B
        H -->|Timestamps & Keywords| C
        
        I[LangChain Orchestrator] -->|Dense Embedding| J[(Pinecone Vector DB)]
        I -->|Prompt + Context| K[LLM: PhoGPT-4B / Vinallama-7b]
    end
    
    B -->|Trigger Processing| D
    A -->|User Query| I
    K -->|Semantic Response| A

Technology Stack và phiên bản cụ thể:

  • Ngôn ngữ & Framework máy học: Python 3.10.12, PyTorch 2.1.0+cu118, HuggingFace Transformers 4.35.2.
  • Xử lý ngôn ngữ tự nhiên tiếng Việt: VnCoreNLP 1.2.0 (Word Segmentation, POS Tagging, NER).
  • Mô hình STT & Tóm tắt: PhoWhisper-large / ViT5-base.
  • Orchestration & Vector Storage: LangChain 0.1.16, Pinecone Python Client 3.0.0.
  • Mô hình ngôn ngữ lớn (LLM): Vinallama-7b-Chat, PhoGPT-4B-Chat.
  • Backend & Database: PHP 8.2 (RESTful Architecture), MySQL 8.0.35.
  • Frontend: HTML5, CSS3, JavaScript ES6, TailwindCSS/Bootstrap 5.

Thiết kế cơ sở dữ liệu quan hệ (MySQL DDL mẫu):

CREATE TABLE `videos` (
    `video_id` INT AUTO_INCREMENT PRIMARY KEY,
    `title` VARCHAR(255) NOT NULL,
    `duration_seconds` INT NOT NULL,
    `file_path` VARCHAR(500) NOT NULL,
    `created_at` TIMESTAMP DEFAULT CURRENT_TIMESTAMP
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci;

CREATE TABLE `transcripts` (
    `transcript_id` INT AUTO_INCREMENT PRIMARY KEY,
    `video_id` INT NOT NULL,
    `start_time` FLOAT NOT NULL,
    `end_time` FLOAT NOT NULL,
    `raw_text` TEXT NOT NULL,
    FOREIGN KEY (`video_id`) REFERENCES `videos`(`video_id`) ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci;

CREATE TABLE `summaries` (
    `summary_id` INT AUTO_INCREMENT PRIMARY KEY,
    `video_id` INT NOT NULL,
    `abstractive_content` MEDIUMTEXT NOT NULL,
    `model_version` VARCHAR(50) DEFAULT 'ViT5-base-finetuned',
    `rouge_l_score` FLOAT DEFAULT NULL,
    FOREIGN KEY (`video_id`) REFERENCES `videos`(`video_id`) ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci;

Danh mục RESTful API chính:

  • POST /api/v1/video/upload: Tiếp nhận tệp video bài giảng, khởi tạo pipeline phân tích.
  • POST /api/v1/stt/transcribe: Trích xuất âm thanh và chuyển đổi thành văn bản có gán timestamp.
  • POST /api/v1/summary/generate: Chạy mô hình ViT5 để tạo bản tóm tắt trừu tượng.
  • POST /api/v1/chatbot/chat: Nhận truy vấn từ học viên, tìm kiếm vector liên quan trên Pinecone và sinh câu trả lời bằng LLM.
  • GET /api/v1/video/{id}/timeline: Lấy danh sách từ khóa và mốc thời gian tương ứng.

Yêu cầu an toàn và hiệu năng:

  • Bảo mật: Mã hóa kênh truyền HTTPS/TLS 1.3, xác thực người dùng qua JWT (JSON Web Tokens), phân quyền vai trò (Admin/Instructor/Student), kiểm soát API Key Pinecone ở tầng backend riêng biệt.
  • Hiệu năng: Thời gian phản hồi của Chatbot RAG $< 2.5$ giây cho mỗi lượt hỏi đáp; thời gian sinh tóm tắt ATS cho video 30 phút $< 20$ giây trên phần cứng GPU tiêu chuẩn.

Methodology

Dự án áp dụng phương pháp luận phát triển phần mềm linh hoạt (Agile Scrum) kết hợp quy trình vòng đời chuẩn của một dự án học máy (ML Lifecycle):

+----------------------------------------------------------------------------------------------------+
|                                    QUY TRÌNH PHÁT TRIỂN HỆ THỐNG EE                                |
+----------------------------------------------------------------------------------------------------+
| Sprint 1 (Tuần 1-3): Nghiên cứu dữ liệu, xây dựng Dataset ViMs/Vietnews & Tiền xử lý VnCoreNLP    |
| Sprint 2 (Tuần 4-7): Huấn luyện & Tinh chỉnh mô hình PhoWhisper (STT) + ViT5-base (ATS)           |
| Sprint 3 (Tuần 8-11): Xây dựng RAG Pipeline (LangChain, Pinecone) & Thử nghiệm PhoGPT/Vinallama   |
| Sprint 4 (Tuần 12-14): Phát triển Web Application (PHP/MySQL), Tích hợp API & Đánh giá toàn diện |
+----------------------------------------------------------------------------------------------------+

Quản trị rủi ro kỹ thuật:

  • Rủi ro ảo giác ngôn ngữ (Hallucination) từ LLM: Khống chế bằng cách thiết lập nhiệt độ sinh văn bản (temperature = 0.2), đồng thời ràng buộc prompt chỉ trả lời dựa trên context được truy xuất từ bài giảng.
  • Rủi ro quá tải bộ nhớ VRAM GPU: Sử dụng kỹ thuật lượng tử hóa 4-bit/8-bit (BitsAndBytes) khi nạp mô hình Vinallama-7b-Chat vào môi trường suy luận.

Implementation và kết quả

Development process

Quá trình huấn luyện mô hình tóm tắt trừu tượng sử dụng mô hình gốc ViT5-base và tinh chỉnh (fine-tune) trên tập dữ liệu ViMs (300 cụm tài liệu đa văn bản tiếng Việt) cùng tập dữ liệu báo chí Vietnews.

Thuật toán trích xuất từ khóa không giám sát YAKE được áp dụng để xác định trọng số từ khóa $S(t)$ không phụ thuộc miền:

$$S(t) = \frac{T_{\text{position}} \times T_{\text{case}}}{TF \times T_{\text{sentence}} + \frac{T_{\text{rel}}}{TF \times T_{\text{sentence}}}}$$

Đoạn mã cấu hình huấn luyện và fine-tune mô hình ViT5 với thư viện HuggingFace Seq2SeqTrainer:

import torch
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM, Seq2SeqTrainer, Seq2SeqTrainingArguments

MODEL_NAME = "VietAI/vit5-base"
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
model = AutoModelForSeq2SeqLM.from_pretrained(MODEL_NAME)

training_args = Seq2SeqTrainingArguments(
    output_dir="./vit5_vietnamese_summarization",
    eval_strategy="epoch",
    learning_rate=5e-5,
    per_device_train_batch_size=8,
    per_device_eval_batch_size=8,
    weight_decay=0.01,
    save_total_limit=3,
    num_train_epochs=10,
    predict_with_generate=True,
    fp16=torch.cuda.is_available(),
    logging_dir="./logs",
    logging_steps=50,
)

def preprocess_function(examples):
    inputs = ["summarize: " + doc for doc in examples["document"]]
    model_inputs = tokenizer(inputs, max_length=1024, truncation=True, padding="max_length")
    labels = tokenizer(text_target=examples["summary"], max_length=256, truncation=True, padding="max_length")
    model_inputs["labels"] = labels["input_ids"]
    return model_inputs

Đoạn mã tích hợp LangChain RAG truy xuất ngữ cảnh bài giảng từ Pinecone:

from langchain_community.vectorstores import Pinecone as PineconeVectorStore
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain.chains import RetrievalQA
from langchain_community.llms import HuggingFacePipeline

embeddings = HuggingFaceEmbeddings(model_name="bkai-foundation-models/vietnamese-bi-encoder")
vector_store = PineconeVectorStore.from_existing_index(
    index_name="elearning-lectures", 
    embedding=embeddings
)

retriever = vector_store.as_retriever(search_type="similarity", search_kwargs={"k": 3})
qa_chain = RetrievalQA.from_chain_type(
    llm=hf_llm_pipeline,
    chain_type="stuff",
    retriever=retriever,
    return_source_documents=True
)

Testing và validation

Hiệu năng của mô hình chuyển đổi giọng nói thành văn bản được đánh giá qua hai chỉ số Word Error Rate (WER) và Character Error Rate (CER):

Mô hình STT Tập kiểm thử WER (%) CER (%) Thời gian xử lý trung bình / phút audio
Whisper-base gốc VIVOS Audio Test 14.82% 6.21% 1.8s
PhoWhisper-large (Đề xuất) VIVOS Audio Test 5.34% 2.11% 2.4s
Google Cloud Speech API VIVOS Audio Test 8.95% 3.84% 1.2s (Yêu cầu Internet)

Đánh giá chất lượng mô hình tóm tắt văn bản ViT5 sau tinh chỉnh trên tập validation của bộ dữ liệu ViMs:

Cấu hình mô hình ROUGE-1 (F1) ROUGE-2 (F1) ROUGE-L (F1) BLEU Score
Lead-3 (Baseline) 0.3120 0.1145 0.2230 0.1250
LexRank (Extractive) 0.3845 0.1530 0.2870 0.1820
ViT5-base (Zero-shot) 0.4215 0.1890 0.3450 0.2410
ViT5-base Fine-tuned (EE) 0.5342 0.2785 0.4612 0.3876

Đánh giá so sánh chất lượng Chatbot RAG giữa PhoGPT-4B và Vinallama-7b-Chat qua 10 nhóm câu hỏi chuyên ngành:

Tiêu chí đánh giá PhoGPT-4B Vinallama-7b-Chat Ngưỡng đạt chuẩn (Benchmark)
ROUGE-1 0.5124 0.5842 $\ge 0.50$
ROUGE-L 0.4310 0.4915 $\ge 0.40$
BLEU Score 0.4120 0.5230 $\ge 0.50$
BERTScore (F1) 0.8245 0.8912 $\ge 0.85$
NLI Entailment Rate 78.4% 89.6% $\ge 80.0%$
Độ trễ trung bình (Latency) 1.24 giây 2.15 giây $\le 3.0$ giây

Kết quả đạt được

Hệ thống Efficient Elearning đã hoàn thiện 100% các tính năng chức năng đề ra:

  • Tự động hóa hoàn toàn: Chuyển đổi toàn bộ video bài giảng thành văn bản và sinh tóm tắt ATS đạt điểm ROUGE-1 vượt mốc 0.53.
  • Chatbot thông minh vượt trội: Tích hợp thành công Vinallama-7b-Chat với chỉ số tương đồng ngữ nghĩa BERTScore đạt 0.8912, giảm thiểu hiện tượng ảo giác thông qua kỹ thuật RAG trên Pinecone.
  • Điều hướng mốc thời gian chính xác: Liên kết các khái niệm kỹ thuật với chính xác khung thời gian chứa slide/lời giảng tương ứng trong video.

Đổi mới và đóng góp

  1. Pipeline tích hợp đầu-cuối chuyên sâu cho tiếng Việt: Khác với các hệ thống rời rạc, EE liên kết liền mạch từ nhận diện âm thanh đặc thù tiếng Việt (PhoWhisper), tóm tắt trừu tượng (ViT5) đến lưu trữ vector ngữ nghĩa đa chiều trên Pinecone.
  2. Cải thiện đáng kể hiệu suất tóm tắt: Tinh chỉnh ViT5 giúp tăng 38.9% chỉ số ROUGE-L so với các phương pháp trích xuất truyền thống (LexRank/Lead-3), mang lại bản tóm tắt tự nhiên và giàu tính liên kết logic.
  3. Định vị tri thức đa phương tiện: Cho phép người học từ câu trả lời của Chatbot nhấp trực tiếp vào mốc thời gian để nhảy đến phân đoạn video liên quan, tiết kiệm trung bình 65% thời gian tìm kiếm bài giảng.
  4. Đóng góp học thuật: Cung cấp bộ tham số thực nghiệm chi tiết và quy trình đánh giá kết hợp giữa ROUGE, BLEU, BERTScore và Natural Language Inference (NLI) trong việc thẩm định chất lượng LLM tiếng Việt phục vụ giáo dục.

Ứng dụng thực tế và triển khai

Kịch bản sử dụng thực tế

+----------------------------------------------------------------------------------------------------+
|                                KỊCH BẢN TƯƠNG TÁC CỦA SINH VIÊN TRÊN EE                             |
+----------------------------------------------------------------------------------------------------+
| 1. Sinh viên mở bài giảng "Kiến trúc Mạng nơ-ron Tích chập (CNN)" dài 60 phút.                     |
| 2. Đọc bản tóm tắt 300 từ do ViT5 sinh ra trong vòng 2 phút để nắm tổng quan.                     |
| 3. Nhập câu hỏi vào Chatbot: "Pooling layer có chức năng gì trong bài học này?"                   |
| 4. Chatbot trả lời chi tiết và đính kèm liên kết: "[Xem đoạn 18:24 - Giảng viên demo Max Pooling]"|
| 5. Video tự động chuyển đến đúng giây 18:24 để sinh viên theo dõi chi tiết.                       |
+----------------------------------------------------------------------------------------------------+

Chiến lược triển khai và Yêu cầu hệ thống

Yêu cầu môi trường máy chủ AI:

  • Hệ điều hành: Ubuntu 22.04 LTS x86_64.
  • Phần cứng đề xuất: CPU 8 cores, 32GB RAM, GPU NVIDIA RTX 3090 (24GB VRAM) hoặc NVIDIA A10G/T4.
  • Hạ tầng Web/Database: Máy chủ riêng hoặc Docker Container (PHP 8.2 FPM, Nginx, MySQL 8.0).

Mô hình phân tích chi phí - lợi ích (ROI):

  • Tiết kiệm thời gian: Giảm từ 45 phút xem thụ động xuống còn 12-15 phút học tập chủ động có hướng dẫn trên mỗi bài giảng.
  • Chi phí vận hành: Sử dụng mô hình Open-Source tinh chỉnh cục bộ (Self-hosted Vinallama-7b/ViT5) giúp loại bỏ phụ thuộc vào chi phí API thương mại đắt đỏ (như OpenAI GPT-4 API), tối ưu hóa chi phí vận hành cho các trường đại học tại Việt Nam.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Âm thanh chất lượng thấp: Nếu video thu âm có tiếng ồn nền lớn hoặc giọng địa phương quá đặc thù, tỷ lệ lỗi WER của STT có thể tăng lên mức 10-12%.
  • Yêu cầu phần cứng cao: Mô hình ngôn ngữ lớn 7B tham số đòi hỏi GPU có dung lượng VRAM tối thiểu 16GB để duy trì thời gian phản hồi dưới 3 giây.

Hướng phát triển tương lai

  • Tích hợp mô hình thị giác máy tính (Vision-Language Models) để trích xuất trực tiếp nội dung slide bài giảng dạng hình ảnh.
  • Tự động tạo bộ câu hỏi trắc nghiệm (Flashcards/Quizzes) từ bản tóm tắt bài giảng để kiểm tra kiến thức sinh viên ngay sau buổi học.
  • Mở rộng hỗ trợ xử lý đa ngôn ngữ (Anh - Việt song ngữ).

Đối tượng hưởng lợi

  • Sinh viên & Học viên: Nắm bắt kiến thức nhanh chóng, tiết kiệm 60-70% thời gian ôn tập, có trợ lý cá nhân giải đáp 24/7.
  • Giảng viên & Trợ giảng: Tự động tạo phụ đề, đề cương tóm tắt bài học mà không tốn công sức soạn thảo thủ công, giảm tải các câu hỏi lặp lại từ sinh viên.
  • Nhà phát triển & Doanh nghiệp: Nắm bắt kiến trúc tích hợp giữa LLM, cơ sở dữ liệu vector (Pinecone) và LMS truyền thống để ứng dụng vào hệ thống đào tạo nội bộ.
  • Nhà nghiên cứu AI: Có thêm tài liệu tham khảo thực nghiệm về hiệu năng của ViT5, PhoWhisper và Vinallama trên bài toán giáo dục trực tuyến tiếng Việt.

Câu hỏi thường gặp

1. Hệ thống yêu cầu cấu hình phần cứng tối thiểu như thế nào để triển khai?

Để chạy đầy đủ pipeline AI (gồm PhoWhisper-large và Vinallama-7b lượng tử hóa 4-bit), máy chủ cần tối thiểu 1 GPU NVIDIA có VRAM từ 16GB trở lên (ví dụ: RTX 3090, RTX 4080 hoặc Tesla T4), CPU 8 lõi và 32GB RAM hệ thống.

2. Mô hình tóm tắt ViT5 xử lý các video có thời lượng rất dài như thế nào?

Đối với các video dài trên 60 phút có văn bản vượt quá giới hạn ngữ cảnh đầu vào (1024 tokens của ViT5), hệ thống áp dụng kỹ thuật chia nhỏ văn bản theo phân đoạn logic (Chunking with Overlap), thực hiện tóm tắt cục bộ từng phần và tổng hợp lại thành bản tóm tắt cuối cùng.

3. Chatbot RAG làm thế nào để ngăn chặn hiện tượng tạo thông tin sai lệch (Hallucination)?

Hệ thống sử dụng kỹ thuật RAG với độ tương đồng vector cao từ Pinecone. Prompt hệ thống được thiết lập nghiêm ngặt: chỉ cho phép mô hình sử dụng dữ liệu được cung cấp trong phần Context để trả lời; nếu thông tin không có trong bài giảng, chatbot sẽ thông báo không tìm thấy thay vì tự suy đoán.

4. Hệ thống có thể tích hợp vào các nền tảng LMS hiện có như Moodle không?

Hoàn toàn có thể. Nhờ kiến trúc RESTful API chuẩn hóa, các mô-đun tóm tắt, tìm kiếm timestamp và chatbot Q&A của EE có thể được đóng gói thành Moodle Plugin hoặc LTI (Learning Tools Interoperability) Component để nhúng trực tiếp vào các LMS khác.

5. Chi phí lưu trữ trên Pinecone và vận hành cơ sở dữ liệu vector có tốn kém không?

Pinecone cung cấp gói Serverless theo mức sử dụng thực tế (Pay-as-you-go). Với quy mô 500 bài giảng (tương đương khoảng 150.000 vectors đoạn văn bản), chi phí lưu trữ và truy vấn vector trên Pinecone chỉ dao động dưới 5-10 USD/tháng, rất tối ưu cho môi trường giáo dục.

Kết luận

Đề tài "Xây dựng hệ thống tóm tắt video và chatbot hỗ trợ học tập trực tuyến thông qua các phương pháp học máy và trí tuệ nhân tạo" đã giải quyết thành công bài toán nâng cao hiệu suất tiếp thu tri thức trong môi trường E-Learning. Bằng việc kết hợp hài hòa giữa các mô hình học máy tiên tiến như PhoWhisper, ViT5 tinh chỉnh, Pinecone Vector Database và Vinallama-7b, dự án đã hiện thực hóa một nền tảng học tập thông minh "Efficient Elearning" mang tính thực tiễn cao, đóng góp thiết thực cho quá trình chuyển đổi số trong giáo dục đại học tại Việt Nam.