Giới thiệu dự án

Thương mại điện tử (E-Commerce) đã trở thành trụ cột quan trọng của nền kinh tế số toàn cầu. Theo báo cáo của Insider Intelligence, có tới 88% người dùng Internet từng tương tác với chatbot vào năm 2022 và chi tiêu bán lẻ thông qua các kênh đối thoại tự động dự kiến đạt 142 tỷ USD vào năm 2024. Đồng thời, nghiên cứu từ Juniper Research chỉ ra rằng 47% người tiêu dùng sẵn sàng hoàn tất giao dịch mua sắm trực tiếp qua chatbot. Mặc dù thị trường tăng trưởng mạnh mẽ, các hệ thống bán lẻ trực tuyến hiện nay—đặc biệt trong các ngành hàng đặc thù như giày dép và thời trang—đang đối mặt với nhiều rào cản kỹ thuật và trải nghiệm người dùng:

  • Nút thắt chăm sóc khách hàng: Việc phụ thuộc vào nhân sự trực ca khiến doanh nghiệp tốn kém chi phí vận hành, đồng thời không thể duy trì phản hồi tức thì 24/7. Khách hàng thường rời bỏ giỏ hàng nếu phải chờ đợi tư vấn ngoài giờ làm việc.
  • Quy trình mua hàng phức tạp: Người dùng phải trải qua quá trình tìm kiếm, chọn lọc size/màu, chuyển hướng qua nhiều trang giao diện để hoàn tất thêm sản phẩm vào giỏ hàng.
  • Hạn chế của công cụ tìm kiếm truyền thống: Tìm kiếm dựa trên từ khóa (Lexical Search) thường thất bại khi khách hàng chỉ có hình ảnh mẫu giày yêu thích nhưng không biết tên chính xác hoặc mã hiệu sản phẩm (SKU).

Đồ án khóa luận tốt nghiệp "Nghiên cứu, tích hợp phương pháp tìm kiếm tiên tiến, chăm sóc khách hàng tự động vào hệ thống thương mại điện tử" do sinh viên Lê Thị Thanh Nhi và Dương Duy Trường thực hiện dưới sự hướng dẫn của ThS. Trần Hồng Nghi và ThS. Trần Thị Dung tại Trường Đại học Công nghệ Thông tin (UIT - ĐHQG TP.HCM) đã giải quyết triệt để các vấn đề trên.

+-----------------------------------------------------------------------------------+
|                                 HỆ THỐNG E-COMMERCE TÍCH HỢP                       |
|  +---------------------------+  +--------------------------+  +----------------+  |
|  | Multi-Head Self-Attention |  | Convolutional Extractor  |  | Voice Pipeline |  |
|  | PhoBERT (VN) / BERT (EN)  |  | VGG-16 Neural Network    |  | TTS / STT      |  |
|  +-------------+-------------+  +------------+-------------+  +--------+-------+  |
|                |                             |                         |          |
|                +-----------------------------+-------------------------+          |
|                                              |                                    |
|                                     +--------v--------+                           |
|                                     | Real-time Engine|                           |
|                                     | WebSocket Server|                           |
|                                     +--------+--------+                           |
|                                              |                                    |
|                                   +----------v----------+                         |
|                                   |  WooCommerce Engine |                         |
|                                   | Auto-Cart & Checkout|                         |
|                                   +---------------------+                         |
+-----------------------------------------------------------------------------------+

Mục tiêu nghiên cứu cụ thể

  1. Nghiên cứu & Tối ưu hóa mô hình NLU: Ứng dụng kiến trúc Transformers, tinh chỉnh (fine-tune) mô hình PhoBERT cho tiếng Việt và BERT cho tiếng Anh nhằm nhận diện chính xác ý định (Intent Recognition) và trích xuất thực thể (Named Entity Recognition - NER).
  2. Xây dựng bộ dữ liệu chuyên ngành: Thu thập, tiền xử lý và chuẩn hóa tập dữ liệu chuyên sâu cho domain giày dép, áp dụng kỹ thuật cân bằng dữ liệu để tăng độ chính xác phân loại.
  3. Triển khai tìm kiếm thị giác (Visual Search): Ứng dụng mạng nơ-ron tích chập (CNN - Convolutional Neural Networks) với kiến trúc VGG-16 nhằm trích xuất đặc trưng hình ảnh và gợi ý sản phẩm tương đồng.
  4. Tích hợp đa phương thức (Multimodal Interaction): Ứng dụng công nghệ Speech-to-Text (STT) và Text-to-Speech (TTS) hỗ trợ giao tiếp qua giọng nói.
  5. Tự động hóa hành vi giỏ hàng: Tích hợp trực tiếp engine AI với nền tảng thương mại điện tử WordPress/WooCommerce để xử lý thêm sản phẩm vào giỏ hàng và tiến hành thanh toán tự động theo thời gian thực.

Phạm vi và giới hạn đề tài

  • Phạm vi: Tập trung vào miền bán lẻ giày dép; hỗ trợ xử lý ngôn ngữ tự nhiên song ngữ (Anh - Việt); xử lý trích xuất ảnh trên tập sản phẩm nội bộ của cửa hàng.
  • Giới hạn: Tốc độ phản hồi phụ thuộc vào năng lực phần cứng GPU phục vụ suy luận; tập dữ liệu giới hạn trong các danh mục giày phổ biến.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Chatbot dựa trên quy tắc (Rule-based) Chatbot tích hợp LLM thương mại Giải pháp đề xuất (PhoBERT/BERT + VGG-16)
Cơ chế xử lý Khớp mẫu từ khóa tĩnh (Pattern matching) API bên thứ ba (OpenAI GPT) Mô hình Deep Learning cục bộ (Fine-tuned Transformer)
Độ chính xác ngữ cảnh Rất thấp, dễ lỗi khi sai cú pháp Cao, nhưng dễ bị ảo giác (hallucination) Rất cao trong miền hẹp (Domain-specific NER/Intent)
Tìm kiếm bằng hình ảnh Không hỗ trợ Phụ thuộc chi phí API Vision cao Mạng VGG-16 trích xuất vector đặc trưng chuyên biệt
Bảo mật & Độ trễ dữ liệu Xử lý nội bộ, trễ thấp Gửi dữ liệu ra bên ngoài, trễ mạng Xử lý hoàn toàn On-premise/Private Server qua WebSocket
Chi phí vận hành Thấp Rất cao theo số lượng token Cố định, tối ưu chi phí cho SME

Phân tích yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have (Bắt buộc): Phân loại ý định khách hàng bằng PhoBERT/BERT; Nhận diện thực thể (tên giày, màu sắc, kích cỡ size); Tìm kiếm sản phẩm tương tự bằng ảnh sử dụng VGG-16; Đồng bộ giỏ hàng WooCommerce qua WebSocket.
  • Should Have (Nên có): Tương tác giọng nói hai chiều (STT/TTS); Cân bằng dữ liệu huấn luyện bằng RandomOverSampler và SMOTE.
  • Could Have (Có thể có): Gợi ý sản phẩm dựa trên lịch sử xem; Lưu trữ phiên hội thoại dài hạn.
  • Won't Have (Chưa thực hiện): Tích hợp thử giày ảo thực tế tăng cường (AR 3D fitting).

Thiết kế hệ thống

Kiến trúc tổng thể được xây dựng theo mô hình phân tầng hướng nhiệm vụ (Task-oriented Dialogue Systems - TODs), kết nối giữa tầng giao diện người dùng, máy chủ điều phối thời gian thực và các mô-đun AI chuyên sâu.

Ngăn xếp công nghệ (Technology Stack)

  • Deep Learning & NLP Framework: Python 3.10, PyTorch 2.1.0, HuggingFace Transformers 4.35.0, vinai/phobert-base, bert-base-uncased.
  • Computer Vision Framework: Torchvision 0.16.0 (VGG-16), OpenCV 4.8.0, Scikit-Learn 1.3.0.
  • Data Preprocessing: Imbalanced-learn 0.11.0 (SMOTE, RandomOverSampler).
  • Real-time & Backend: Python WebSockets 11.0, FastAPI / Flask 3.0.
  • E-Commerce Platform: WordPress 6.4.x, WooCommerce 8.2.x, PHP 8.1, MySQL 8.0, jQuery, Bootstrap 5.

Thiết kế Endpoint API và Luồng dữ liệu

[POST] /api/v1/search/image
Request:  { "image_base64": "data:image/jpeg;base64,..." }
Response: { 
  "status": "success", 
  "matches": [
    { "product_id": 1042, "name": "MLB Chunky Liner", "similarity": 0.942, "price": 2450000 },
    { "product_id": 1088, "name": "MLB Big Ball Chunky", "similarity": 0.887, "price": 2150000 }
  ]
}

[WS] /ws/chat
Client Message: { "type": "text", "payload": "Thêm cho tôi đôi MLB Big Ball size 41 vào giỏ" }
Server Action:  { "action": "ADD_TO_CART", "product_id": 1088, "attributes": {"size": 41}, "reply": "Đã thêm MLB Big Ball (Size 41) vào giỏ hàng của bạn!" }

Phương pháp luận (Methodology)

Dự án áp dụng quy trình phát triển lặp nhanh theo mô hình Agile Scrum gồm 4 sprint kéo dài từ 01/03/2024 đến 24/06/2024:

  • Sprint 1 (01/03 - 25/03): Khảo sát tài liệu, thu thập dataset giày dép, gán nhãn dữ liệu intent/NER, xây dựng giao diện WordPress nền tảng.
  • Sprint 2 (26/03 - 20/04): Xây dựng baseline BERT/PhoBERT, huấn luyện mạng VGG-16 trích xuất đặc trưng ảnh.
  • Sprint 3 (21/04 - 20/05): Tinh chỉnh siêu tham số (Hyperparameter Tuning), giải quyết bài toán Overfitting, tối ưu hóa WebSocket server.
  • Sprint 4 (21/05 - 24/06): Tích hợp toàn diện vào WooCommerce, kiểm thử chấp nhận người dùng (UAT), đóng gói triển khai.

Implementation và kết quả

Quy trình phát triển (Development Process)

1. Cơ chế tính toán Multi-Head Attention trong NLU

Mô hình sử dụng cơ chế tự chú ý (Self-Attention) tính toán trọng số chú ý giữa các từ trong truy vấn dựa trên công thức:

$$\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$$

Trong đó $Q$ (Query), $K$ (Key), $V$ (Value) là các ma trận phép chiếu từ không gian nhúng của token, $d_k$ là kích thước chiều của vector key.

import torch
import torch.nn as nn
from transformers import AutoModelForSequenceClassification, AutoTokenizer

class ECommerceIntentClassifier(nn.Module):
    def __init__(self, model_name: str, num_labels: int):
        super(ECommerceIntentClassifier, self).__init__()
        self.tokenizer = AutoTokenizer.from_pretrained(model_name)
        self.encoder = AutoModelForSequenceClassification.from_pretrained(
            model_name, 
            num_labels=num_labels
        )

    def forward(self, input_ids, attention_mask):
        outputs = self.encoder(input_ids=input_ids, attention_mask=attention_mask)
        return outputs.logits

2. Trích xuất đặc trưng hình ảnh bằng VGG-16

Kiến trúc VGG-16 bao gồm 13 lớp tích chập (Convolutional Layers) kết hợp hàm kích hoạt ReLU, các lớp Max Pooling xen kẽ và các lớp kết nối đầy đủ (Fully Connected Layers). Để tạo vector đặc trưng cho việc tìm kiếm ảnh, lớp phân loại cuối cùng (Softmax Layer) được loại bỏ, giữ lại vector đặc trưng 4096 chiều tại lớp fc2:

import torchvision.models as models
import torchvision.transforms as transforms
from PIL import Image
import torch
import numpy as np

class VisualSearchEngine:
    def __init__(self):
        # Tải mô hình VGG-16 đã tiền huấn luyện trên ImageNet
        vgg16 = models.vgg16(weights=models.VGG16_Weights.DEFAULT)
        # Tách bỏ lớp phân loại 1000 nhãn, giữ lại bộ trích xuất đặc trưng
        self.feature_extractor = torch.nn.Sequential(*list(vgg16.classifier.children())[:-1])
        vgg16.eval()
        self.model = vgg16
        
        self.transform = transforms.Compose([
            transforms.Resize((224, 224)),
            transforms.ToTensor(),
            transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
        ])

    def extract_features(self, image_path: str) -> np.ndarray:
        img = Image.open(image_path).convert('RGB')
        tensor = self.transform(img).unsqueeze(0)
        with torch.no_grad():
            x = self.model.features(tensor)
            x = self.model.avgpool(x)
            x = torch.flatten(x, 1)
            features = self.feature_extractor(x)
        return features.cpu().numpy().flatten()

    def cosine_similarity(self, vec_a: np.ndarray, vec_b: np.ndarray) -> float:
        return float(np.dot(vec_a, vec_b) / (np.linalg.norm(vec_a) * np.linalg.norm(vec_b)))

3. Xử lý mất cân bằng dữ liệu

Trong tập dữ liệu hội thoại tiếng Việt tự xây dựng, các nhãn như support_request và handle_request có số lượng mẫu chênh lệch. Kỹ thuật RandomOverSampler và SMOTE (Synthetic Minority Over-sampling Technique) được áp dụng để cân bằng mẫu trước khi đưa vào tokenization:

from imblearn.over_sampling import RandomOverSampler
import pandas as pd

def balance_training_data(df: pd.DataFrame, text_col: str, label_col: str):
    ros = RandomOverSampler(random_state=42)
    X_resampled, y_resampled = ros.fit_resample(df[[text_col]], df[label_col])
    return pd.DataFrame({text_col: X_resampled[text_col], label_col: y_resampled})

Thử nghiệm và đánh giá kết quả

Quá trình tinh chỉnh mô hình PhoBERT và BERT được tiến hành đánh giá trên nhiều mức tốc độ học (Learning Rate - $\eta$).

Tốc độ học ($\eta$) Số lượng Epochs Training Loss Validation Loss Đánh giá hiện tượng Trạng thái mô hình
$\eta = 5\times 10^{-5}$ 10 0.042 0.892 Overfitting xuất hiện từ Epoch 4 Loại bỏ
$\eta = 3\times 10^{-5}$ 10 0.065 0.421 Độ chính xác cao nhưng loss dao động Chấp nhận có điều kiện
$\mathbf{\eta = 2\times 10^{-5}}$ 10 0.081 0.154 Loss hội tụ mượt mà, tổng quát hóa tốt Lựa chọn triển khai (Optimal)
$\eta = 1\times 10^{-5}$ 10 0.312 0.356 Underfitting, tốc độ học chậm Loại bỏ

Hiệu suất chi tiết theo từng nhãn tác vụ (với $\eta = 2\times 10^{-5}$)

               precision    recall  f1-score   support

support_request     0.94      0.92      0.93       120
 handle_request     0.96      0.95      0.95       145
     buy_intent     0.98      0.97      0.98       110
product_inquiry     0.93      0.94      0.93       130

       accuracy                         0.95       505
      macro avg     0.95      0.95      0.95       505
   weighted avg     0.95      0.95      0.95       505

Đánh giá tính năng tìm kiếm bằng hình ảnh (VGG-16)

  • Top-1 Accuracy: 82.4% (Ảnh trả về chính xác tuyệt đối mẫu giày).
  • Top-5 Accuracy: 91.6% (Sản phẩm mục tiêu nằm trong danh sách 5 gợi ý đầu tiên).
  • Thời gian trích xuất & đối sánh trung bình: 142ms trên CPU Intel Core i7 / 28ms trên GPU NVIDIA RTX 3060.

Đổi mới và đóng góp

  1. Hệ thống tương tác đa chiều hợp nhất: Khác với các website thương mại điện tử thông thường chỉ sử dụng một kênh tìm kiếm gõ chữ, hệ thống kết hợp đồng thời Văn bản (PhoBERT/BERT) + Giọng nói (STT/TTS) + Thị giác máy tính (VGG-16) tạo nên trải nghiệm mua sắm không gián đoạn.
  2. Cơ chế thực thi tác vụ giỏ hàng tự động: Không dừng lại ở việc phản hồi thông tin tĩnh, hệ thống có khả năng chuyển đổi ý định người dùng ("Lấy cho tôi đôi này size 42") thành lệnh thực thi hệ thống (Actionable Dispatch), trực tiếp gọi WooCommerce Hook để cập nhật cơ sở dữ liệu giỏ hàng mà không cần người dùng thao tác bấm nút.
  3. Tối ưu hóa tài nguyên cho doanh nghiệp vừa và nhỏ (SMEs): Kiến trúc tách biệt module AI phục vụ qua WebSocket giúp website bán hàng WordPress không bị quá tải CPU/RAM, đảm bảo thời gian phản hồi dưới 200ms.
So sánh hiệu quả vận hành trước và sau khi tích hợp hệ thống:

Thời gian tìm & thêm giỏ hàng:  [======== 180s (Truyền thống) ========]
                                [== 5s (Chatbot AI) ==]  (Giảm 97.2%)

Tỷ lệ giải quyết yêu cầu tự động: [=== 20% (Rule-based) ===]
                                 [================ 95% (PhoBERT Engine) ================]

Ứng dụng thực tế và triển khai

Tình huống sử dụng thực tế (Real-world Use Cases)

  • Tình huống 1 - Tìm kiếm từ hình ảnh mạng xã hội: Khách hàng thấy một bức ảnh giày trên Instagram, chụp màn hình và tải trực tiếp vào khung chat. Mô hình VGG-16 trích xuất vector đặc trưng, so khớp với kho ảnh WooCommerce và trả về link sản phẩm kèm giá bán và kích thước sẵn có trong 0.5 giây.
  • Tình huống 2 - Mua sắm rảnh tay qua giọng nói: Người dùng đang lái xe hoặc bận tay có thể nhấn giữ nút micro, nói câu lệnh: "Tìm cho tôi giày thể thao nam màu trắng giá dưới 2 triệu". Hệ thống chuyển đổi âm thanh sang văn bản, phân tích thực thể lọc ra danh mục sản phẩm tương ứng và phản hồi lại bằng giọng đọc tự nhiên.

Yêu cầu triển khai hạ tầng

version: '3.8'
services:
  ecommerce-web:
    image: wordpress:6.4-php8.1-apache
    environment:
      WORDPRESS_DB_HOST: db:3306
      WORDPRESS_DB_NAME: ucom_shoes
    ports:
      - "80:80"
      - "443:443"
  
  ai-inference-engine:
    image: pytorch/pytorch:2.1.0-cuda11.8-cudnn8-runtime
    deploy:
      resources:
        reservations:
          devices:
            - capabilities: [gpu]
    environment:
      MODEL_PATH: "/models/phobert_shoes_v1"
      VGG_WEIGHTS: "/models/vgg16_fe.pth"
    ports:
      - "8765:8765"

Phân tích hiệu quả kinh tế (ROI)

  • Chi phí nhân sự: Cắt giảm 70% chi phí thuê nhân sự trực ca đêm và giờ cao điểm.
  • Tỷ lệ chuyển đổi (Conversion Rate): Tăng 25% nhờ giảm thiểu tỷ lệ thoát trang khi khách hàng tìm kiếm nhanh sản phẩm qua ảnh.
  • Thời gian hoàn vốn (Payback Period): Ước tính từ 4 đến 6 tháng đối với một cửa hàng trực tuyến quy mô trung bình (khoảng 1.000 đơn hàng/tháng).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Tài nguyên phần cứng: Mô hình VGG-16 và PhoBERT yêu cầu dung lượng bộ nhớ GPU đáng kể để duy trì suy luận đồng thời cho hàng trăm kết nối WebSocket cùng lúc.
  • Độ phủ dữ liệu: Bộ từ điển thực thể (NER) mới chỉ bao phủ các thương hiệu giày nổi tiếng (Nike, Adidas, MLB, Converse); cần thêm dữ liệu huấn luyện mở rộng cho phụ kiện đi kèm (tất, dây giày, hộp bảo quản).

Hướng phát triển trong tương lai

  1. Chuyển đổi sang Vision Transformer (ViT) / CLIP: Thay thế VGG-16 bằng mô hình CLIP (Contrastive Language-Image Pre-training) của OpenAI để cho phép tìm kiếm chéo phương thức (nhập mô tả văn bản tìm ảnh và ngược lại mà không cần gắn nhãn thủ công).
  2. Tích hợp Retrieval-Augmented Generation (RAG): Kết hợp PhoBERT với mô hình sinh ngôn ngữ lớn để trả lời linh hoạt các câu hỏi về chính sách bảo hành phức tạp mà không sợ bị ảo giác dữ liệu.
  3. Tối ưu hóa mô hình bằng TensorRT / ONNX Runtime: Nén mô hình (Quantization INT8) giúp tăng tốc độ suy luận gấp 3 lần và giảm 60% mức tiêu thụ VRAM.

Đối tượng hưởng lợi

+------------------------------------------------------------------------------------+
|                               ĐỐI TƯỢNG HƯỞNG LỢI                                  |
+--------------------+---------------------------------------------------------------+
| Sinh viên CNTT     | Tài liệu tham khảo toàn diện về Fine-tuning PhoBERT & CNN.    |
| Lập trình viên     | Mã nguồn mẫu tích hợp WebSocket giữa Python AI và WordPress.  |
| Doanh nghiệp SMEs  | Giải pháp tự động hóa CSKH & bán hàng với chi phí bản quyền 0đ|
| Nhà nghiên cứu NLP | Dữ liệu thực nghiệm về siêu tham số huấn luyện tiếng Việt.   |
+--------------------+---------------------------------------------------------------+
  • Sinh viên & Học viên chuyên ngành: Nắm bắt được quy trình thực chiến từ nghiên cứu lý thuyết Transformer/CNN đến triển khai sản phẩm ứng dụng hoàn chỉnh.
  • Lập trình viên Web/AI: Cung cấp mẫu kiến trúc chuẩn (Architectural Pattern) để kết nối hệ sinh thái PHP/WordPress với Python Deep Learning Engine.
  • Doanh nghiệp bán lẻ: Nâng cao năng lực cạnh tranh số, tối ưu hóa chi phí vận hành và mở rộng khả năng tiếp cận khách hàng đa kênh.

Câu hỏi thường gặp

1. Yêu cầu cấu hình tối thiểu để triển khai hệ thống là gì?

Máy chủ cần tối thiểu 4 CPU Cores, 16GB RAM, và khuyến nghị trang bị 1 GPU NVIDIA (tối thiểu 6GB VRAM như RTX 2060/3060 hoặc T4 trên Cloud) để đảm bảo độ trễ suy luận mô hình BERT và VGG-16 dưới 200ms.

2. Hệ thống xử lý thế nào khi có hàng nghìn người dùng nhắn tin cùng lúc?

Kiến trúc sử dụng Python Async WebSocket kết hợp hàng đợi tác vụ (Message Queue như Redis/Celery) giúp phân phối tải truy vấn đến các Worker suy luận, ngăn chặn tình trạng nghẽn kết nối trên máy chủ WordPress chính.

3. Có thể tích hợp hệ thống này vào Laravel, React, hay Shopify không?

Hoàn toàn được. Module AI hoạt động độc lập và giao tiếp thông qua giao thức chuẩn WebSocket/REST API JSON, do đó có thể nhúng vào bất kỳ nền tảng Frontend/Backend nào.

4. Chi phí bảo trì và cập nhật mô hình định kỳ như thế nào?

Hệ thống sử dụng các thư viện mã nguồn mở hoàn toàn miễn phí giấy phép (PyTorch, WordPress, WooCommerce). Chi phí duy nhất là tiền thuê máy chủ/GPU (khoảng 30 - 60 USD/tháng trên các nền tảng đám mây như RunPod, AWS EC2, GCP).

5. Dữ liệu huấn luyện tiếng Việt cần bao nhiêu mẫu để đạt độ chính xác trên 90%?

Nhờ vào kỹ thuật học chuyển giao (Transfer Learning) từ mô hình tiền huấn luyện PhoBERT-base, chỉ cần khoảng 1.500 - 3.000 câu hội thoại mẫu đã qua cân bằng dữ liệu (Oversampling) là có thể đạt F1-Score vượt mốc 93%.

Kết luận

Khóa luận tốt nghiệp "Nghiên cứu, tích hợp phương pháp tìm kiếm tiên tiến, chăm sóc khách hàng tự động vào hệ thống thương mại điện tử" của nhóm tác giả Lê Thị Thanh Nhi và Dương Duy Trường đã chứng minh tính khả thi và hiệu quả vượt trội của việc kết hợp các kỹ thuật trí tuệ nhân tạo tiên tiến vào nền tảng bán lẻ trực tuyến. Bằng việc kết hợp sức mạnh xử lý ngữ cảnh của PhoBERT/BERT, khả năng trích xuất đặc trưng hình ảnh của VGG-16 và kiến trúc điều phối thời gian thực qua WebSocket, đề tài đã giải quyết thành công bài toán tự động hóa quy trình tư vấn và tối ưu hóa trải nghiệm tìm kiếm sản phẩm.

Hệ thống không chỉ dừng lại ở mô hình lý thuyết mà đã được hiện thực hóa thành một giải pháp phần mềm hoàn chỉnh, sẵn sàng chuyển giao và ứng dụng thực tiễn cho các doanh nghiệp thương mại điện tử trong kỷ nguyên chuyển đổi số.