Tổng quan nghiên cứu

Trong bối cảnh cách mạng công nghiệp 4.0 và sự phát triển mạnh mẽ của trí tuệ nhân tạo (AI), chatbot đã trở thành một công nghệ then chốt trong việc cải thiện trải nghiệm người dùng và tối ưu hóa quy trình dịch vụ khách hàng. Theo thống kê, đến tháng 11/2018, có khoảng 100.000 chatbot hoạt động trên Facebook Messenger, với 80% doanh nghiệp dự kiến áp dụng chatbot vào năm 2020. Đặc biệt, trong lĩnh vực ngân hàng, chatbot đạt tỷ lệ thành công khoảng 75% trong việc tương tác với khách hàng, đồng thời giúp giảm chi phí chăm sóc khách hàng lên đến 30%. Tại Việt Nam, việc chăm sóc khách hàng qua tin nhắn trực tuyến vẫn còn nhiều hạn chế do thực hiện thủ công, tốn kém thời gian và chi phí. Do đó, nghiên cứu và xây dựng chatbot hỗ trợ người dùng trong ngân hàng nhằm tự động hóa các tác vụ, nâng cao hiệu quả và bảo mật thông tin là một nhu cầu cấp thiết.

Mục tiêu của luận văn là nghiên cứu các thành phần cấu tạo chatbot, áp dụng các kỹ thuật xử lý ngôn ngữ tự nhiên (NLU, NLP) và xây dựng một hệ thống chatbot hỗ trợ khách hàng cá nhân trong hệ thống ebanking. Phạm vi nghiên cứu tập trung vào việc phát triển chatbot theo mô hình miền đóng (closed domain) với các chức năng chính như truy vấn số dư, chuyển tiền, tra cứu lãi suất, lịch sử giao dịch và thanh toán trực tuyến. Nghiên cứu được thực hiện tại Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội trong năm 2019, với ứng dụng thực tế hướng tới các ngân hàng tại Việt Nam. Kết quả nghiên cứu góp phần nâng cao hiệu quả tương tác khách hàng, giảm chi phí vận hành và mở rộng ứng dụng chatbot trong lĩnh vực tài chính ngân hàng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên ba thành phần chính của hệ thống chatbot: Hiểu ngôn ngữ tự nhiên (NLU), Quản lý hội thoại (DM) và Sinh ngôn ngữ tự nhiên (NLG). Thành phần NLU bao gồm các kỹ thuật phân loại ý định (intent classification) và trích xuất thông tin (entity extraction) từ câu hỏi người dùng. Các mô hình học máy như mạng nơ ron hồi quy (RNN), mạng Long Short-Term Memory (LSTM) được áp dụng để xử lý chuỗi dữ liệu ngôn ngữ tự nhiên, giúp chatbot hiểu và phản hồi chính xác hơn. Mạng LSTM được sử dụng để giải quyết vấn đề phụ thuộc dài hạn trong dữ liệu chuỗi, cải thiện khả năng ghi nhớ ngữ cảnh hội thoại.

Trong quản lý hội thoại, mô hình máy trạng thái hữu hạn (FSA) và mô hình Frame-based được sử dụng để theo dõi trạng thái hội thoại và quyết định hành động tiếp theo của chatbot. Mô hình Global-Locally Self-Attentive Dialogue State Tracker (GLAD) được áp dụng để nâng cao độ chính xác trong việc xác định intent và ngữ cảnh hội thoại. Thành phần NLG sử dụng phương pháp Template-based để sinh câu trả lời dựa trên các mẫu câu đã được định nghĩa trước, phù hợp với miền đóng và đảm bảo tính kiểm soát.

Ngoài ra, các kỹ thuật biểu diễn ngôn ngữ như Word2Vec và GloVe được sử dụng để chuyển đổi từ ngữ sang vector số học, giúp máy tính hiểu được ngữ nghĩa và mối quan hệ giữa các từ. Thuật toán Conditional Random Fields (CRF) được áp dụng cho bài toán trích xuất thông tin thực thể (entity extraction) nhằm nâng cao độ chính xác.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu được thu thập từ các chatbot ngân hàng hiện có tại Việt Nam như MB Bank, VP Bank, cùng với dữ liệu hội thoại thực tế và các đoạn hội thoại mô phỏng. Cỡ mẫu dữ liệu huấn luyện cho chatbot gồm khoảng 30 intent chính với hơn 15 loại entity khác nhau, được xây dựng và gán nhãn kỹ lưỡng để đảm bảo tính chính xác và đa dạng.

Phương pháp phân tích sử dụng framework mã nguồn mở Rasa, kết hợp các thuật toán học máy như intent_classifier_tensorflow_embedding dựa trên mô hình starspace của Facebook để phân loại ý định người dùng. Mô hình CRF được sử dụng để trích xuất thông tin từ câu hội thoại. Quá trình nghiên cứu bao gồm các bước: xây dựng dữ liệu huấn luyện, thiết kế kịch bản hội thoại, huấn luyện mô hình, thử nghiệm và đánh giá hiệu quả chatbot.

Timeline nghiên cứu kéo dài trong năm 2019, bắt đầu từ việc tổng quan lý thuyết, xây dựng mô hình, phát triển chatbot trên nền tảng Rasa, đến thử nghiệm thực tế với người dùng và đánh giá kết quả. Quá trình thử nghiệm được thực hiện qua 5 lần với tổng số câu hỏi khoảng 300, nhằm đánh giá độ chính xác và khả năng xử lý của chatbot trong các tình huống thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Độ chính xác phân loại ý định (intent classification): Qua 5 lần thử nghiệm với tổng 300 câu hỏi, chatbot đạt độ chính xác tăng dần từ 48% lên đến 83% khi tập huấn luyện được mở rộng và cải tiến. Lần thử nghiệm cuối cùng cho thấy chatbot có thể phân loại chính xác trên 80% các câu hỏi trong phạm vi kịch bản đã đào tạo.

  2. Độ chính xác trích xuất thông tin (entity extraction): Mô hình CRF cho kết quả rất tốt với độ chính xác gần 100% khi được huấn luyện với mỗi entity từ 10 đến 20 mẫu dữ liệu. Điều này giúp chatbot nhận diện chính xác các thông tin như số tài khoản, số tiền, kỳ hạn lãi suất, OTP trong các câu hỏi của người dùng.

  3. Khả năng xử lý hội thoại phức tạp: Chatbot có thể thực hiện các kịch bản chuyển tiền, thanh toán qua nhiều bước với các slot thông tin được lưu trữ và quản lý hiệu quả. Tuy nhiên, trong các đoạn hội thoại dài hoặc phức tạp, chatbot vẫn gặp khó khăn trong việc không hỏi lại các thông tin đã có, dẫn đến trải nghiệm chưa hoàn toàn mượt mà.

  4. Khả năng điều hướng và xử lý câu hỏi ngoài phạm vi: Khi gặp các câu hỏi ngoài phạm vi đào tạo, chatbot có thể đưa ra các câu trả lời mặc định hoặc điều hướng người dùng về các chủ đề có thể hỗ trợ, giúp duy trì tương tác và tránh gây khó chịu cho người dùng.

Thảo luận kết quả

Nguyên nhân chính giúp chatbot đạt được độ chính xác cao trong phân loại ý định và trích xuất thông tin là nhờ việc xây dựng dữ liệu huấn luyện kỹ lưỡng, gán nhãn chính xác và áp dụng các mô hình học sâu tiên tiến như LSTM và CRF. Việc sử dụng framework Rasa cho phép tùy chỉnh pipeline xử lý ngôn ngữ phù hợp với tiếng Việt, góp phần nâng cao hiệu quả xử lý.

So với các nghiên cứu khác trong lĩnh vực chatbot ngân hàng, kết quả này tương đồng với xu hướng ứng dụng mạng nơ ron hồi quy và mô hình attention để cải thiện độ chính xác. Tuy nhiên, thách thức lớn vẫn là xử lý các hội thoại phức tạp và đa ý định, điều mà các mô hình hiện tại chưa hoàn toàn giải quyết triệt để.

Biểu đồ ma trận nhầm lẫn (confusion matrix) và biểu đồ độ chính xác trên tập dữ liệu huấn luyện cho thấy các intent được phân biệt rõ ràng, không bị nhầm lẫn nhiều, đảm bảo tính ổn định cho chatbot. Bảng đánh giá thử nghiệm với người dùng cũng phản ánh sự cải thiện liên tục về độ chính xác qua các lần huấn luyện.

Ý nghĩa của kết quả nghiên cứu là tạo tiền đề cho việc phát triển các chatbot chuyên sâu trong lĩnh vực ngân hàng, giúp giảm tải công việc cho nhân viên, nâng cao trải nghiệm khách hàng và đảm bảo an toàn thông tin. Đồng thời, nghiên cứu cũng chỉ ra các hướng cải tiến cần thiết như tích hợp đa ý định, nâng cao khả năng xử lý hội thoại dài và phát triển chatbot có tính cảm xúc hơn.

Đề xuất và khuyến nghị

  1. Tăng cường xây dựng và mở rộng dữ liệu huấn luyện: Động từ hành động: Thu thập, gán nhãn; Target metric: tăng độ chính xác phân loại intent lên trên 90%; Timeline: 6 tháng; Chủ thể thực hiện: nhóm phát triển chatbot và chuyên gia ngôn ngữ.

  2. Phát triển chatbot hỗ trợ đa ý định (multi-intent): Động từ hành động: Nghiên cứu, tích hợp mô hình đa ý định; Target metric: chatbot nhận diện chính xác trên 80% câu hỏi đa ý định; Timeline: 9 tháng; Chủ thể thực hiện: nhóm nghiên cứu AI và kỹ sư phần mềm.

  3. Tích hợp công nghệ chuyển đổi giọng nói (speech-to-text và text-to-speech): Động từ hành động: Phát triển, tích hợp; Target metric: hỗ trợ tương tác bằng giọng nói với độ chính xác nhận dạng trên 85%; Timeline: 12 tháng; Chủ thể thực hiện: nhóm phát triển phần mềm và đối tác công nghệ.

  4. Cải tiến quản lý hội thoại để giảm hỏi lại thông tin: Động từ hành động: Tối ưu, thiết kế lại kịch bản hội thoại; Target metric: giảm 50% số lần chatbot hỏi lại thông tin đã có; Timeline: 6 tháng; Chủ thể thực hiện: nhóm phát triển chatbot và chuyên gia UX.

  5. Phát triển chatbot mang tính cảm xúc và nhân cách hóa: Động từ hành động: Nghiên cứu, thiết kế; Target metric: tăng mức độ hài lòng người dùng lên trên 85%; Timeline: 12 tháng; Chủ thể thực hiện: nhóm nghiên cứu AI và thiết kế trải nghiệm người dùng.

Đối tượng nên tham khảo luận văn

  1. Nhà phát triển phần mềm và kỹ sư AI: Luận văn cung cấp kiến thức chuyên sâu về cấu trúc chatbot, các thuật toán xử lý ngôn ngữ tự nhiên và kỹ thuật xây dựng chatbot trên nền tảng Rasa, giúp họ áp dụng vào phát triển các sản phẩm chatbot chuyên nghiệp.

  2. Chuyên gia và quản lý trong lĩnh vực ngân hàng: Tham khảo để hiểu rõ tiềm năng ứng dụng chatbot trong dịch vụ khách hàng, từ đó xây dựng chiến lược chuyển đổi số và cải thiện trải nghiệm khách hàng hiệu quả.

  3. Nhà nghiên cứu và sinh viên ngành công nghệ thông tin: Luận văn là tài liệu tham khảo quý giá về các mô hình mạng nơ ron hồi quy, LSTM, CRF và các kỹ thuật học máy trong xử lý ngôn ngữ tự nhiên, hỗ trợ nghiên cứu và học tập chuyên sâu.

  4. Doanh nghiệp và tổ chức muốn triển khai chatbot: Cung cấp hướng dẫn thực tiễn về quy trình xây dựng, huấn luyện và đánh giá chatbot trong môi trường thực tế, giúp doanh nghiệp lựa chọn giải pháp phù hợp và tối ưu chi phí.

Câu hỏi thường gặp

  1. Chatbot có thể xử lý được những loại câu hỏi nào trong ngân hàng?
    Chatbot được xây dựng để xử lý các câu hỏi liên quan đến thông tin tài khoản, truy vấn số dư, chuyển tiền, thanh toán hóa đơn, tra cứu lãi suất và lịch sử giao dịch. Các câu hỏi ngoài phạm vi đào tạo sẽ được chatbot điều hướng hoặc trả lời mặc định nhằm duy trì tương tác.

  2. Độ chính xác của chatbot trong việc nhận diện ý định người dùng là bao nhiêu?
    Qua thử nghiệm thực tế, chatbot đạt độ chính xác khoảng 83% trong việc phân loại ý định người dùng trên tập dữ liệu huấn luyện và kịch bản đã xây dựng, với khả năng cải thiện khi mở rộng dữ liệu.

  3. Làm thế nào chatbot trích xuất thông tin như số tài khoản, số tiền từ câu hỏi?
    Chatbot sử dụng mô hình Conditional Random Fields (CRF) để gán nhãn chuỗi và trích xuất các thực thể (entity) như số tài khoản, số tiền, thời gian từ câu hội thoại, giúp lưu trữ và sử dụng trong các bước xử lý tiếp theo.

  4. Chatbot có thể xử lý nhiều ý định trong một câu hỏi không?
    Hiện tại chatbot chủ yếu xử lý một ý định trong một câu hỏi. Việc xử lý đa ý định (multi-intent) là hướng nghiên cứu tiếp theo nhằm giúp chatbot hiểu và phản hồi tự nhiên hơn trong các tình huống phức tạp.

  5. Tại sao lại chọn framework Rasa để xây dựng chatbot?
    Rasa là framework mã nguồn mở, cho phép tùy chỉnh sâu, bảo mật dữ liệu người dùng và hỗ trợ tốt cho ngôn ngữ tiếng Việt. Ngoài ra, Rasa tích hợp nhiều thuật toán học máy hiện đại, giúp phát triển chatbot hiệu quả và linh hoạt trong các ứng dụng thực tế.

Kết luận

  • Luận văn đã nghiên cứu và làm rõ cấu trúc, thành phần và các thuật toán cơ bản trong xây dựng chatbot theo mô hình miền đóng, tập trung vào lĩnh vực ngân hàng.
  • Áp dụng thành công framework Rasa để xây dựng chatbot hỗ trợ khách hàng cá nhân trong hệ thống ebanking với các chức năng chính như truy vấn số dư, chuyển tiền, tra cứu lãi suất và thanh toán.
  • Đạt được độ chính xác trên 80% trong phân loại ý định và gần 100% trong trích xuất thông tin thực thể qua các thử nghiệm thực tế.
  • Nhận diện các thách thức trong xử lý hội thoại phức tạp, đa ý định và đề xuất các hướng cải tiến như tích hợp giọng nói, đa ý định và nhân cách hóa chatbot.
  • Định hướng nghiên cứu tiếp theo tập trung vào phát triển chatbot đa năng, hỗ trợ tương tác giọng nói và nâng cao trải nghiệm người dùng, mở rộng ứng dụng sang các lĩnh vực y tế, du lịch và dịch vụ công.

Hành động tiếp theo là triển khai các đề xuất cải tiến, mở rộng dữ liệu huấn luyện và tích hợp công nghệ mới để phát triển chatbot thông minh, hiệu quả hơn trong thực tế. Đề nghị các nhà nghiên cứu và doanh nghiệp quan tâm phối hợp để ứng dụng và phát triển công nghệ chatbot trong lĩnh vực ngân hàng và các ngành liên quan.