Xây Dựng HỆ THỐNG CHATBOT VỀ THỜI TRANG DỰA TRÊN FEW-SHOT LEARNING VÀ RASA

Luận văn thạc sĩ về xây dựng chatbot thời trang sử dụng Few-shot Learning và Rasa. Tìm hiểu cách ứng dụng AI để nâng cao trải nghiệm mua sắm trực tuyến.

• Tác giả: Phạm Nguyễn Xuân Nguyên
• Người hướng dẫn: PGS.TS Quản Thành Thơ
• Trường học: Trường Đại học Bách Khoa - ĐHQG-HCM
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Xây dựng Hệ thống Chatbot về Thời trang dựa trên Few-shot Learning và Rasa
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• Lời cảm ơn
• Tóm tắt luận văn
• Abstract of Dissertation
• Lời cam đoan
• Danh sách hình vẽ
• Danh sách bảng
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Đặt vấn đề
• 1.2. Mục tiêu đề tài
• 1.3. Giới hạn của đề tài
• 1.4. Đóng góp của luận văn
• 2. CHƯƠNG 2: KIẾN THỨC NỀN TẢNG
• 2.1. Định nghĩa về Chatbot
• 2.2. Kiến thức về RASA
• 2.2.1. Giới thiệu chung
• 2.2.2. Kiến trúc của RASA
• 2.2.3. Quy trình xử lý của RASA
• 2.2.4. Đánh giá mô hình
• 2.3. Mạng nơ-ron tích chập - Convolution Neural Network - CNN
• 2.3.2. Các công thức toán học
• 2.3.3. Khả năng của mạng CNN
• 2.3.4. Một số hàm kích hoạt (activation function) phi tuyến
• 2.3.5. Huấn luyện CNN
• 2.4. Transfer Learning vs Meta Learning vs Few-shot Learning
• 2.4.1. Khái niệm Transfer Learning
• 2.4.2. Khái niệm Meta Learning
• 2.4.3. Khái niệm Few-shot Learning
• 2.4.4. Cách phân biệt Transfer Learning, Meta Learning và Few-shot Learning
• 2.5. Khoảng cách Euclidean
• 2.6. Khoảng cách Manhattan
• 2.7. Khoảng cách cosine
• 2.8. Cải thiện tốc độ tính toán với Faiss
• 2.11. Công nghệ sử dụng được sử dụng
• 2.12. Hiểu về công cụ tìm kiếm toàn văn của MongoDB
• 2.12.1. Một số ví dụ
• 2.12.2. Các loại tìm kiếm toàn văn
• 2.12.3. Quá trình lập chỉ mục tìm kiếm toàn văn
• 2.12.4. Những cân nhắc trước khi sử dụng tìm kiếm toàn văn
• 2.12.5. Kiến trúc phức tạp
• 2.13. Hiểu về công cụ tìm kiếm véc-tơ của Milvus
• 2.13.1. Tổng quan kiến trúc của Milvus
• 2.13.2. Các lớp hoạt động
• 3. CHƯƠNG 3: CÔNG TRÌNH LIÊN QUAN
• 3.1. Hệ thống Chatbot dựa trên framework Rasa
• 3.2. Mô hình truy vấn hình ảnh thời trang
• 3.2.1. Phương thức truy vấn đơn văn bản
• 3.2.2. Phương thức truy vấn đơn hình ảnh
• 3.2.3. Các phương pháp Few-shot Learning hiện nay
• 3.2.4. Các phương pháp phân cụm màu của một tấm ảnh
• 4. CHƯƠNG 4: MÔ HÌNH, KIẾN TRÚC ĐỀ XUẤT CHO BÀI TOÁN CHATBOT THỜI TRANG
• 4.1. Mô hình Rasa
• 4.1.1. Tập dữ liệu sử dụng
• 4.1.2. Định nghĩa ý định, thực thể trong mô hình Rasa
• 4.1.3. Đường ống (pipeline) trong mô hình Rasa
• 4.1.4. Chính sách kiểm soát đầu ra trong mô hình Rasa
• 4.1.5. Kết quả mô hình Rasa
• 4.1.6. Kiến trúc cho phép cá nhân hoá từng cửa hàng
• 4.2. Phương pháp Few-shot Learning
• 4.2.1. Tập dữ liệu sử dụng
• 4.2.2. Chọn N-way K-shot
• 4.2.3. Kiến trúc mô hình
• 4.2.4. Phương pháp đánh giá
• 4.2.5. Kết quả các phương pháp
• 4.3. Kiến trúc hệ thống hoàn chỉnh
• 4.3.1. Mô hình pretrained được sử dụng
• 4.3.2. Bộ dữ liệu nhằm đánh giá chất lượng dự đoán của hệ thống
• 4.3.3. Phương pháp đánh giá
• 4.3.4. Kiến trúc hệ thống tổng quan
• 4.3.5. Luồng xử lý dữ liệu
• 4.3.6. Đánh giá hệ thống ứng dụng Chatbot
• 4.3.7. Thiết kế Cơ sở dữ liệu
• 4.3.8. Giao diện hệ thống
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết quả đạt được
• 5.2. Hạn chế tồn đọng
• 5.3. Hướng phát triển

Tóm tắt

I. Chatbot Thời Trang Tổng Quan và Tiềm Năng Ứng Dụng

Ngày nay, chatbot là một ứng dụng phổ biến trong nhiều lĩnh vực, đặc biệt là thời trang. Việc tối ưu hóa trải nghiệm cá nhân của khách hàng và chi phí luôn được chú trọng. Đại dịch COVID-19 thúc đẩy mua sắm trực tuyến, làm giảm số lượng người thích mua trực tiếp. Theo NielsenIQ (2021), mặt hàng được ưa chuộng nhất trên kênh trực tuyến là Non-grocery item, bao gồm thời trang. Các công ty thời trang hàng đầu sử dụng Trí tuệ Nhân tạo (AI) để hỗ trợ nhận dạng, thiết kế, tiếp thị và hỗ trợ khách hàng. Chatbot cho thương mại điện tử thời trang mang đến trải nghiệm hấp dẫn và cá nhân hóa. Ví dụ: Victoria’s Secret, Luis Vuitton hay Burberry sử dụng chatbot để cung cấp thông tin sản phẩm và gợi ý. Tuy nhiên, hệ thống chatbot đơn giản dựa trên các mẫu câu trả lời có sẵn không đáp ứng được nhu cầu đa dạng của khách hàng. ChatGPT đã giúp ích cho cuộc sống, nhưng chưa tối ưu hóa cho từng người. Luận văn "Xây dựng hệ thống Chatbot về Thời trang dựa trên Few-Shot Learning và Rasa" nhằm giải quyết vấn đề này, cung cấp trợ lý ảo cho khách hàng và chủ cửa hàng.

1.1. Tầm quan trọng của Chatbot trong ngành Thời Trang Hiện Đại

Chatbot thời trang mang lại sự trợ giúp thân thiện, nhanh chóng, chi tiết và chính xác hơn so với một số nhân viên. Ngành hàng may mặc kỳ vọng chatbot sẽ vượt qua mong đợi của khách hàng với sự hài lòng ngay lập tức. Chatbot có thể cung cấp thông tin sản phẩm, gợi ý sản phẩm dựa trên sở thích của khách hàng. Tuy nhiên, số lượng câu hỏi của khách hàng cần giải đáp vô cùng nhiều và phức tạp theo Survey Sparrow. Các câu hỏi thường tập trung vào mặt sản phẩm, đòi hỏi sự liên kết nhiều thông tin để hệ thống có thể truy vấn và đưa ra câu trả lời đúng đắn nhất.

1.2. Bài toán đặt ra Chatbot cần đáp ứng nhu cầu gì

Đề tài hướng đến việc nghiên cứu và xây dựng hệ thống chatbot về thời trang nhằm giải quyết hai nhu cầu chính cho khách hàng và chủ cửa tiệm. Khách hàng cần thông tin cơ bản về cửa hàng và thông tin về các loại mặt hàng có sẵn. Chủ cửa tiệm cần một trợ lý ảo cá nhân hóa thông tin cơ bản của cửa hàng và truy vấn thông tin về các ảnh của các mặt hàng đang có với số lượng ảnh mẫu ít ỏi của từng loại mặt hàng. Để giải quyết được các nhu cầu trên, cần nắm vững lý thuyết về mô hình học sâu, huấn luyện được chúng, nắm vững các lý thuyết và sử dụng được các cách huấn luyện của các mô hình học sâu như học chuyển giao (Transfer Learning), học để học (Meta Learning), học từ số lượng vô cùng ít (Few-Shot Learning).

II. Thách Thức Xây Dựng Chatbot Thời Trang Hiệu Quả Hiện Nay

Xây dựng chatbot thời trang hiệu quả đối mặt với nhiều thách thức. Chatbot cần hiểu ngôn ngữ tự nhiên phức tạp của người dùng, đặc biệt là trong lĩnh vực thời trang với nhiều thuật ngữ chuyên ngành. Việc thu thập và xử lý dữ liệu huấn luyện lớn là một khó khăn, đặc biệt là khi muốn cá nhân hóa chatbot cho từng cửa hàng. Few-shot learning là một giải pháp, nhưng đòi hỏi kỹ thuật cao để đạt được độ chính xác mong muốn. Hiệu suất chatbot cần được đảm bảo, với thời gian phản hồi nhanh và khả năng xử lý nhiều yêu cầu đồng thời. Khả năng tích hợp với các nền tảng khác như mạng xã hội, website cũng là một yếu tố quan trọng. Đánh giá và cải thiện chatbot liên tục là cần thiết để đáp ứng nhu cầu thay đổi của người dùng và thị trường.

2.1. Giới hạn về phạm vi nghiên cứu và khách thể nghiên cứu

Trong phạm vi một Luận văn Thạc sĩ, đề tài giới hạn về phạm vi nghiên cứu vào cách học từ số lượng vô cùng ít (Few-Shot Learning) với các phương pháp dựa trên chỉ số đánh giá (metric-based) và học từ việc khởi tạo trọng số (learning the intialization). Nghiên cứu về xây dựng chatbot chỉ dựa trên mô hình Rasa. Khách thể nghiên cứu là những khách hàng có thói quen mua sắm online và những chủ cửa hàng muốn tối ưu chi phí nhân viên trực website bằng ứng dụng Chatbot.

2.2. Đối tượng nghiên cứu và kịch bản cho Chatbot giải quyết

Các hình ảnh mẫu của các mặt hàng mua sắm trực tuyến chỉ bao gồm một phần nửa trên hoặc một phần nửa dưới hoặc toàn phần của một bộ quần áo đầy đủ cho một cá thể con người có thể mặc được. Các câu hỏi được đặt ra trong Chatbot bao gồm các câu hỏi về các thông tin cơ bản của cửa hàng như địa điểm, thời gian, cách thức liên hệ và các câu hỏi về việc tồn tại một loại mặt hàng nào đó hoặc về việc trợ giúp tư vấn các loại mặt hàng phù hợp với các đặc điểm nhu cầu của khác hàng. Các kịch bản cho Chatbot giải quyết (a) Trả lời câu hỏi còn hàng không của một mặt hàng trong cửa tiệm. (b) Gợi ý các mặt hàng có đặc điểm giống với một đặc điểm từ ảnh được gửi từ khách hàng. (c) Gợi ý các mặt hàng giống với ảnh được gửi từ khách hàng.

III. Phương Pháp Few Shot Learning và Rasa Giải Pháp

Few-shot learning cho phép chatbot học từ dữ liệu hạn chế, phù hợp với lĩnh vực thời trang thay đổi liên tục. Rasa là một framework mã nguồn mở mạnh mẽ để xây dựng mô hình đối thoại. Kết hợp hai phương pháp này, chatbot có thể hiểu ý định của người dùng, trích xuất thông tin và đưa ra phản hồi phù hợp. Luận văn tập trung vào xây dựng mô hình Rasa để phân tích ý định (intent recognition) và thực thể (entity recognition), đồng thời phát triển mô hình few-shot learning để trích xuất đặc trưng từ hình ảnh thời trang. Hệ thống liên kết các mô hình và công cụ hỗ trợ để tăng tốc độ trả lời. Kết quả cho thấy độ chính xác cao trong phân tích ý định và khả năng trích xuất đặc trưng tốt từ hình ảnh.

3.1. Few Shot Learning Học từ dữ liệu ít ỏi trong Thời Trang

Few-Shot Learning là một nhánh của học máy cho phép mô hình học các khái niệm mới chỉ với một số ít ví dụ huấn luyện. Điều này đặc biệt quan trọng trong lĩnh vực thời trang, nơi các xu hướng và sản phẩm liên tục thay đổi. Bằng cách sử dụng Few-Shot Learning, chatbot thời trang có thể nhanh chóng thích ứng với các sản phẩm mới và phong cách mới mà không cần lượng lớn dữ liệu huấn luyện. Các phương pháp học dựa trên chỉ số đánh giá (metric-based) và học từ việc khởi tạo trọng số (learning the intialization) được nghiên cứu.

3.2. Rasa Framework Nền tảng xây dựng Chatbot linh hoạt

Rasa là một framework mã nguồn mở để xây dựng chatbot với khả năng xử lý ngôn ngữ tự nhiên (NLP) mạnh mẽ. Rasa cho phép xây dựng các mô hình đối thoại phức tạp, hiểu ý định của người dùng, trích xuất thực thể và đưa ra phản hồi phù hợp. Rasa cũng hỗ trợ tích hợp với nhiều kênh giao tiếp khác nhau, như Facebook Messenger, Telegram, và website. Đặc biệt, khả năng xây dựng mô hình tối ưu hóa cho từng cửa hàng là một điểm mạnh của Rasa.

3.3. Kiến trúc hệ thống hoàn chỉnh Rasa và Few Shot Learning phối hợp

Hệ thống kết hợp mô hình Rasa để phân tích ý định và thực thể của người dùng với mô hình Few-Shot Learning để trích xuất đặc trưng từ hình ảnh thời trang. Mô hình pretrained được sử dụng. Tập dữ liệu nhằm đánh giá chất lượng dự đoán của hệ thống. Phương pháp đánh giá được sử dụng. Kiến trúc hệ thống tổng quan được trình bày. Luồng xử lý dữ liệu được mô tả. Đánh giá hệ thống ứng dụng chatbot được thực hiện. Thiết kế Cơ sở dữ liệu được trình bày.

IV. Kết Quả và Đánh Giá Hiệu Suất Chatbot Thời Trang

Luận văn đạt được kết quả đáng khích lệ trong việc xây dựng chatbot thời trang sử dụng few-shot learning và Rasa. Mô hình Few-shot learning đạt độ chính xác Top-5@Recall là 56% trong trích xuất đặc trưng. Mô hình Rasa đạt độ chính xác 99% trong phân tích ý định và thực thể. Hệ thống liên kết các mô hình giúp giảm độ trễ xuống 3 giây. Chatbot có thể trả lời các câu hỏi cơ bản, gợi ý sản phẩm dựa trên hình ảnh và thông tin người dùng. Hệ thống có khả năng tích hợp vào các ứng dụng tin nhắn phổ biến. Tuy nhiên, vẫn còn hạn chế về khả năng xử lý các câu hỏi phức tạp và sự đa dạng của dữ liệu huấn luyện. Các kết quả này cho thấy tiềm năng của chatbot thời trang trong việc cải thiện trải nghiệm mua sắm và tối ưu hóa chi phí.

4.1. Đánh giá mô hình Rasa Độ chính xác trong phân loại ý định và thực thể

Mô hình Rasa được đánh giá dựa trên độ chính xác trong phân loại ý định và thực thể. Kết quả cho thấy mô hình đạt độ chính xác cao (99%) trong việc phân loại ý định và thực thể, cho thấy khả năng hiểu được yêu cầu của khách hàng một cách chính xác nhất. Confusion matrix cho bài toán phân loại ý định và thực thể được sử dụng để đánh giá chi tiết hơn. Histogram cho bài toán phân loại thực thể cũng được sử dụng.

4.2. Kết quả Few Shot Learning Khả năng trích xuất đặc trưng từ ảnh

Mô hình Few-Shot Learning được đánh giá dựa trên khả năng trích xuất đặc trưng từ ảnh. Kết quả cho thấy mô hình đạt được độ chính xác Top-5@Recall là 56%, cho thấy khả năng trích xuất đặc trưng tổng quát từ hình ảnh thời trang. Bảng kết quả bài toán Few-shot Learning và Top-K@Recall bài toán Few-shot Learning được sử dụng để trình bày chi tiết kết quả.

4.3. Đánh giá hệ thống Chatbot Độ trễ và khả năng tích hợp

Hệ thống Chatbot được đánh giá dựa trên độ trễ và khả năng tích hợp. Kết quả cho thấy hệ thống có độ trễ thấp (3 giây), đảm bảo thời gian trả lời nhanh chóng cho người dùng. Hệ thống cũng có khả năng tích hợp vào các ứng dụng tin nhắn phổ biến như Messenger, Telegram, và Zalo. Bảng kết quả độ trễ hệ thống Chatbot được sử dụng để trình bày chi tiết kết quả.

V. Ứng Dụng Thực Tế và Tiềm Năng Phát Triển Chatbot Thời Trang

Ứng dụng thực tế của chatbot thời trang rất đa dạng. Chatbot có thể hỗ trợ khách hàng tìm kiếm sản phẩm, tư vấn phong cách, giải đáp thắc mắc và xử lý đơn hàng. Chatbot cũng có thể giúp doanh nghiệp tăng doanh số, giảm chi phí và nâng cao trải nghiệm khách hàng. Tiềm năng phát triển của chatbot thời trang là rất lớn. Chatbot có thể được cá nhân hóa hơn nữa để đáp ứng nhu cầu riêng của từng khách hàng. Chatbot có thể tích hợp với các công nghệ mới như thực tế ảo, thực tế tăng cường để tạo ra trải nghiệm mua sắm độc đáo. Nghiên cứu và phát triển các thuật toán few-shot learning mới sẽ giúp cải thiện độ chính xác và hiệu quả của chatbot.

5.1. Tiềm năng ứng dụng trong Thương mại điện tử Thời Trang

Chatbot có thể được sử dụng trong thương mại điện tử thời trang để hỗ trợ khách hàng tìm kiếm sản phẩm, tư vấn phong cách, giải đáp thắc mắc và xử lý đơn hàng. Chatbot cũng có thể giúp doanh nghiệp tăng doanh số, giảm chi phí và nâng cao trải nghiệm khách hàng. Chatbot có thể được tích hợp với các công nghệ mới như thực tế ảo (VR) và thực tế tăng cường (AR) để tạo ra trải nghiệm mua sắm độc đáo.

5.2. Các hướng phát triển tiếp theo cho mô hình Few Shot Learning

Nghiên cứu và phát triển các thuật toán few-shot learning mới sẽ giúp cải thiện độ chính xác và hiệu quả của chatbot. Các hướng phát triển tiềm năng bao gồm: (1) Phát triển các mô hình học sâu có khả năng học từ dữ liệu ít ỏi một cách hiệu quả hơn. (2) Sử dụng các kỹ thuật meta-learning để cải thiện khả năng thích ứng của mô hình với các tác vụ mới. (3) Kết hợp few-shot learning với các phương pháp học tăng cường để tạo ra chatbot có khả năng tự học hỏi và cải thiện hiệu suất theo thời gian.

VI. Kết Luận Tương Lai Của Chatbot Thời Trang Với Few Shot

Luận văn đã trình bày một phương pháp hiệu quả để xây dựng chatbot thời trang sử dụng few-shot learning và Rasa. Kết quả nghiên cứu cho thấy tiềm năng của chatbot trong việc cải thiện trải nghiệm mua sắm và tối ưu hóa chi phí. Few-shot learning là một giải pháp hứa hẹn cho bài toán dữ liệu hạn chế trong lĩnh vực thời trang. Rasa cung cấp một nền tảng linh hoạt để xây dựng các mô hình đối thoại phức tạp. Trong tương lai, chatbot thời trang sẽ ngày càng trở nên thông minh và cá nhân hóa hơn, mang lại lợi ích cho cả khách hàng và doanh nghiệp. Cần tiếp tục nghiên cứu và phát triển các thuật toán mới để khai thác tối đa tiềm năng của chatbot trong lĩnh vực này.

6.1. Tổng kết đóng góp của luận văn và hạn chế còn tồn đọng

Luận văn đã đóng góp vào việc nghiên cứu và phát triển chatbot thời trang bằng cách đề xuất một phương pháp hiệu quả để xây dựng chatbot sử dụng few-shot learning và Rasa. Tuy nhiên, vẫn còn một số hạn chế cần được giải quyết trong tương lai. (1) Khả năng xử lý các câu hỏi phức tạp của người dùng còn hạn chế. (2) Sự đa dạng của dữ liệu huấn luyện cần được cải thiện.

6.2. Hướng phát triển và nghiên cứu tiếp theo

Trong tương lai, chatbot thời trang sẽ ngày càng trở nên thông minh và cá nhân hóa hơn, mang lại lợi ích cho cả khách hàng và doanh nghiệp. Cần tiếp tục nghiên cứu và phát triển các thuật toán mới để khai thác tối đa tiềm năng của chatbot trong lĩnh vực này. Các hướng nghiên cứu tiềm năng bao gồm: (1) Phát triển các mô hình học sâu có khả năng hiểu ngôn ngữ tự nhiên tốt hơn. (2) Sử dụng các kỹ thuật meta-learning để cải thiện khả năng thích ứng của mô hình với các tác vụ mới. (3) Kết hợp few-shot learning với các phương pháp học tăng cường để tạo ra chatbot có khả năng tự học hỏi và cải thiện hiệu suất theo thời gian.

Nội dung chính

Tổng quan nghiên cứu

Thương mại điện tử ngành thời trang đang chứng kiến sự chuyển dịch mạnh mẽ sau đại dịch khi hành vi tiêu dùng trực tuyến tăng trưởng đột phá. Theo báo cáo của NielsenIQ vào năm 2021, nhóm hàng phi bách hóa như thời trang, dệt may và thủ công mỹ nghệ chiếm tỷ trọng mua sắm trực tuyến vượt trội và là mặt hàng xuất khẩu hàng đầu của Việt Nam. Tuy nhiên, các cửa hàng bán lẻ trực tuyến đang đối mặt với bài toán tối ưu chi phí vận hành và nâng cao trải nghiệm khách hàng khi khối lượng câu hỏi tư vấn sản phẩm ngày càng phức tạp. Các hệ thống chatbot truyền thống dựa trên tập luật cố định không thể xử lý linh hoạt nhu cầu tìm kiếm trang phục bằng hình ảnh, đặc biệt khi mỗi mẫu sản phẩm mới chỉ có số lượng ảnh mẫu rất ít ỏi.

Nhằm giải quyết triệt để vấn đề này, luận văn thạc sĩ chuyên ngành Khoa học Máy tính của tác giả Phạm Nguyễn Xuân Nguyên, thực hiện dưới sự hướng dẫn khoa học của Phó Giáo sư Tiến sĩ Quản Thành Thơ tại Trường Đại học Bách Khoa - Đại học Quốc gia Thành phố Hồ Chí Minh trong giai đoạn từ ngày 20/06/2023 đến ngày 23/01/2024, đã đề xuất giải pháp xây dựng hệ thống chatbot thời trang thông minh. Đề tài tập trung kết hợp giữa kỹ thuật học từ số lượng dữ liệu ít và khung làm việc Rasa để xử lý đồng thời ngôn ngữ tự nhiên và truy vấn hình ảnh đa phương thức. Kết quả thực nghiệm cho thấy mô hình trích xuất đặc trưng đạt độ chính xác Top-5@Recall là 56%, mô hình nhận diện ý định và thực thể đạt độ chính xác 99%, toàn bộ hệ thống duy trì độ trễ phản hồi chỉ 3 giây và chịu tải ổn định cho 100 người dùng 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 mạng nơ-ron tích chập sâu kết hợp với các trường phái học máy tiên tiến gồm học chuyển giao, học siêu nhanh và học từ số lượng dữ liệu cực ít. Trong thị giác máy tính, các kiến trúc mạng tích chập tiêu biểu như VGG16 với 16 tầng trọng số cùng độ chính xác Top-5 trên ImageNet đạt 92.7%, ResNet với các khối kết nối tắt giúp khắc phục hiện tượng triệt tiêu đạo hàm, và DenseNet với cơ chế tái sử dụng đặc trưng liên tầng được khảo sát kỹ lưỡng để làm mạng trích xuất đặc trưng gốc.

Bên cạnh đó, khung lý thuyết học từ số lượng dữ liệu ít đóng vai trò hạt nhân, đặc biệt là phương pháp dựa trên độ đo khoảng cách và phương pháp tối ưu khởi tạo trọng số. Hai mô hình đại diện là Prototypical Networks với cơ chế tính khoảng cách Euclidean đến vector nguyên mẫu trung tâm của từng lớp, và Matching Networks ứng dụng cơ chế chú ý dựa trên độ tương đồng Cosine. Để quản lý luồng hội thoại và thấu hiểu ngữ cảnh, nghiên cứu ứng dụng kiến trúc Rasa gồm hai phân hệ chính: Rasa NLU chịu trách nhiệm phân loại ý định cùng trích xuất thực thể, kết hợp với Rasa Core để điều hướng hành động thông qua các chính sách xác suất và học sâu. Không gian vector nhúng được tối ưu hóa tốc độ tìm kiếm láng giềng gần nhất thông qua các giải thuật phân vùng vector của Milvus và Faiss.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thực nghiệm kết hợp định lượng với nguồn dữ liệu đa dạng nhằm đảm bảo tính tổng quát và khả năng ứng dụng thực tế. Dữ liệu huấn luyện hình ảnh được trích xuất từ bộ dữ liệu học thuật mmfashion chuẩn quốc tế kết hợp cùng tập dữ liệu thực tế gồm gần 10,000 hình ảnh thời trang được thu thập từ sàn thương mại điện tử Shopee do Công ty Cổ phần Trương Minh Thịnh cung cấp. Không gian dữ liệu bao gồm 50 danh mục trang phục may mặc, 26 thuộc tính kiểu dáng chi tiết và 9 nhóm màu sắc chủ đạo.

Phương pháp chọn mẫu trong bài toán học từ dữ liệu ít được thiết lập theo cấu hình N-way K-shot, trong đó tập dữ liệu được phân chia thành tập hỗ trợ chứa từ 1 đến 5 ảnh mẫu cho mỗi phân lớp và tập truy vấn để đánh giá khả năng suy luận. Rationale của việc lựa chọn phương pháp phân tích dựa trên độ đo là nhằm tối ưu hóa khoảng cách không gian nhúng giữa các sản phẩm tương đồng mà không đòi hỏi phải tái huấn luyện toàn bộ mạng nơ-ron khi cửa hàng cập nhật mẫu áo quần mới. Quá trình nghiên cứu và thực nghiệm hệ thống diễn ra liên tục trong 7 tháng từ tháng 06/2023 đến tháng 01/2024, tích hợp cơ sở dữ liệu phi quan hệ MongoDB để tìm kiếm toàn văn và Milvus để truy vấn vector nhiều chiều.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã chứng minh tính hiệu quả vượt trội của hệ thống đề xuất qua các chỉ số định lượng cụ thể:

Thứ nhất, phân hệ xử lý ngôn ngữ tự nhiên Rasa NLU đạt độ chính xác phân loại tổng thể lên tới 99% đối với cả nhiệm vụ nhận diện ý định của người mua hàng và trích xuất các thực thể thời trang như loại trang phục, màu sắc và thuộc tính chi tiết.

Thứ hai, mô hình trích xuất đặc trưng hình ảnh dựa trên Few-shot Learning đạt chỉ số Top-5@Recall là 56% trên tập dữ liệu kiểm thử thời trang, vượt trội hơn so với mô hình cơ sở mmfashion khi chỉ sử dụng lượng ảnh mẫu hỗ trợ vô cùng ít ỏi từ 1 đến 5 ảnh cho mỗi lớp sản phẩm.

Thứ ba, hệ thống tích hợp hoàn chỉnh đạt hiệu năng vận hành cao với độ trễ phản hồi trung bình chỉ 3 giây cho mỗi chu trình xử lý đa phương thức từ tiếp nhận văn bản, phân tích ngữ nghĩa, truy vấn vector hình ảnh đến phản hồi kết quả trực quan.

Thứ tư, kiến trúc vi dịch vụ đề xuất chứng minh khả năng chịu tải vững chắc khi phục vụ đồng thời 100 phiên hội thoại của khách hàng cùng một thời điểm mà không xảy ra hiện tượng nghẽn cổ chai hay suy giảm độ chính xác xử lý.

Thảo luận kết quả

Hiệu suất vượt trội của mô hình bắt nguồn từ việc kết hợp thành công cơ chế gom cụm không gian nhúng của Prototypical Networks với khả năng trích xuất đặc trưng sâu. Khi biểu diễn qua biểu đồ phân phối khoảng cách và ma trận nhầm lẫn, các vector đặc trưng của cùng một loại trang phục có xu hướng hội tụ chặt chẽ quanh điểm nguyên mẫu, giúp phân biệt rõ ràng giữa các nhóm sản phẩm có thuộc tính tương đồng cao như áo sơ mi ngắn tay và áo sơ mi dài tay.

So với các nghiên cứu chatbot thương mại điện tử truyền thống chỉ dừng lại ở các câu hỏi dạng văn bản, việc bổ sung năng lực truy vấn hình ảnh đa phương thức cho phép hệ thống giải quyết trọn vẹn 4 kịch bản tương tác phức tạp của khách hàng: kiểm tra tình trạng tồn kho, tìm sản phẩm giống ảnh mẫu, tìm sản phẩm có cùng màu sắc hoặc tìm trang phục tương tự nhưng có sự thay đổi về thuộc tính như thay đổi độ dài tay áo. Đồ thị đường cong Top-K@Recall trên các bảng thực nghiệm phản ánh rõ nét sự tăng trưởng vượt bậc từ Top-1 đến Top-5, khẳng định khả năng đề xuất danh mục 5 sản phẩm gợi ý sát với nhu cầu thực tế của người dùng nhất.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu, 4 khuyến nghị hành động cụ thể được đề xuất nhằm hoàn thiện và nhân rộng hệ thống:

Thứ nhất, tối ưu hóa thuật toán lập chỉ mục vector để rút ngắn thời gian phản hồi của hệ thống từ 3 giây xuống dưới 1.5 giây trên mỗi truy vấn đa phương thức. Nhóm kỹ sư trí tuệ nhân tạo cần thực hiện việc tinh chỉnh chỉ số tìm kiếm trong Milvus và tích hợp kỹ thuật lượng tử hóa vector trong giai đoạn 6 tháng đầu năm 2024.

Thứ hai, mở rộng quy mô tập dữ liệu hình ảnh thời trang tiếng Việt từ 10,000 ảnh hiện tại lên 50,000 ảnh thực tế và bổ sung danh mục từ 26 thuộc tính lên 50 thuộc tính kiểu dáng chi tiết. Đội ngũ phát triển dữ liệu cần phối hợp với các sàn thương mại điện tử để hoàn thành quá trình thu thập và chuẩn hóa nhãn dữ liệu trong vòng 9 tháng.

Thứ ba, triển khai tích hợp đa kênh thông qua cổng giao tiếp lập trình ứng dụng kết nối trực tiếp với 3 nền tảng nhắn tin phổ biến nhất hiện nay gồm Facebook Messenger, Zalo và Telegram. Bộ phận kỹ thuật phần mềm cần hoàn thiện các webhook kết nối nhằm tăng tỷ lệ tương tác và chuyển đổi đơn hàng thêm 25% trong quý 3 năm 2024.

Thứ tư, chuẩn hóa quy trình đóng gói mô hình Rasa cá nhân hóa cho từng cửa hàng bán lẻ thời trang riêng biệt. Ban quản trị hệ thống cần cung cấp giao diện quản lý kho ảnh trực quan, cho phép chủ tiệm tự động cấu hình bộ nhận diện sản phẩm với số lượng dưới 5 ảnh mẫu, giúp tiết kiệm 60% chi phí nhân sự trực website trong vòng 12 tháng tới.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và ứng dụng thực tiễn sâu sắc cho 4 nhóm đối tượng chính:

Nhóm thứ nhất là các kỹ sư phát triển phần mềm và chuyên gia trí tuệ nhân tạo chuyên về xử lý ngôn ngữ tự nhiên. Luận văn cung cấp hướng dẫn chi tiết về cách cấu hình đường ống xử lý Rasa NLU, thiết lập chính sách hội thoại Rasa Core và xây dựng hệ thống vi dịch vụ chịu tải 100 người dùng.

Nhóm thứ hai là các nhà nghiên cứu thị giác máy tính quan tâm đến học từ số lượng dữ liệu ít và học siêu nhanh. Tài liệu mang đến cái nhìn sâu sắc về việc triển khai thực tế các mô hình Prototypical Networks, Matching Networks kết hợp với công cụ tìm kiếm vector Milvus để giải quyết bài toán thiếu hụt dữ liệu gán nhãn.

Nhóm thứ ba là các nhà quản lý doanh nghiệp, chủ cửa hàng thời trang và đơn vị vận hành sàn thương mại điện tử. Luận văn là tài liệu tham khảo giá trị để xây dựng chiến lược chuyển đổi số, tự động hóa quy trình tư vấn bán hàng 24/7 và nâng cao trải nghiệm khách hàng với chi phí đầu tư tối ưu.

Nhóm thứ tư là các học viên cao học, giảng viên và sinh viên ngành Khoa học Máy tính. Công trình là hình mẫu chuẩn mực về phương pháp nghiên cứu thực nghiệm, quy trình xử lý dữ liệu đa phương thức và kỹ thuật viết báo cáo học thuật chuyên sâu.

Câu hỏi thường gặp

Câu hỏi 1: Phương pháp Few-shot Learning giải quyết khó khăn gì cho bài toán chatbot thời trang? Trả lời: Trong ngành thời trang, các mẫu mã quần áo mới liên tục ra mắt nhưng mỗi mẫu chỉ có từ 1 đến 5 hình ảnh chụp thực tế. Kỹ thuật Few-shot Learning giúp mô hình học cách trích xuất vector đặc trưng tổng quát và nhận diện chính xác sản phẩm mới mà không cần huấn luyện lại toàn bộ mạng nơ-ron với hàng nghìn ảnh mẫu.

Câu hỏi 2: Mô hình Rasa NLU đạt độ chính xác 99% nhờ vào cơ chế xử lý nào? Trả lời: Độ chính xác 99% đạt được nhờ quy trình xử lý tối ưu kết hợp bộ tách từ chuyên biệt, bảng tra cứu thực thể và các chính sách điều hướng hội thoại linh hoạt. Hệ thống phân loại chuẩn xác ý định người dùng và bóc tách hoàn hảo các thực thể phức tạp gồm 50 loại trang phục, 26 thuộc tính kiểu dáng và 9 màu sắc.

Câu hỏi 3: Làm thế nào để hệ thống duy trì độ trễ phản hồi 3 giây khi chịu tải 100 người dùng? Trả lời: Hệ thống áp dụng kiến trúc vi dịch vụ phân tán, kết hợp cơ sở dữ liệu MongoDB để tìm kiếm toàn văn và công cụ Milvus để truy vấn vector nhiều chiều bằng giải thuật Faiss. Việc tính toán khoảng cách vector được tối ưu hóa trên bộ nhớ giúp giảm thiểu nghẽn cổ chai và duy trì thời gian phản hồi dưới 3 giây.

Câu hỏi 4: Nguồn dữ liệu huấn luyện và đánh giá của đề tài được thu thập từ đâu? Trả lời: Dữ liệu nghiên cứu gồm bộ dữ liệu học thuật mmfashion chuẩn quốc tế kết hợp cùng 10,000 hình ảnh thực tế thu thập từ Shopee do Công ty Cổ phần Trương Minh Thịnh tài trợ. Ngoài ra, tác giả xây dựng một tập dữ liệu thử nghiệm tiếng Việt gồm các cặp câu hỏi văn bản và hình ảnh để đánh giá toàn diện hệ thống.

Câu hỏi 5: Chatbot phản hồi như thế nào khi người mua gửi ảnh kèm yêu cầu đổi thuộc tính trang phục? Trả lời: Khi người dùng gửi ảnh áo dài tay kèm yêu cầu tìm áo tương tự nhưng tay ngắn, Rasa NLU sẽ bóc tách thực thể biến đổi, kết hợp cùng vector đặc trưng của ảnh gốc để truy vấn trong cơ sở dữ liệu Milvus và trả về danh sách 5 sản phẩm phù hợp nhất kèm thông tin chi tiết.

Kết luận

Luận văn đã hoàn thành xuất sắc các mục tiêu nghiên cứu với những đóng góp thực tiễn nổi bật sau:

• Xây dựng thành công mô hình Few-shot Learning trích xuất đặc trưng hình ảnh thời trang đạt độ chính xác Top-5@Recall 56% từ tập dữ liệu mẫu cực kỳ giới hạn.
• Thiết kế hệ thống Rasa NLU phân loại ý định và trích xuất thực thể đạt độ chính xác 99% trên 50 loại trang phục, 26 thuộc tính và 9 màu sắc.
• Đề xuất kiến trúc vi dịch vụ tích hợp Milvus và MongoDB giúp toàn hệ thống đạt độ trễ phản hồi 3 giây và chịu tải ổn định 100 phiên truy cập đồng thời.
• Đóng góp bộ dữ liệu thực nghiệm 10,000 ảnh thời trang từ Shopee và bộ dữ liệu đánh giá tương tác đa phương thức văn bản kết hợp hình ảnh bằng tiếng Việt.
• Định hình lộ trình nâng cấp hệ thống sang môi trường đa nền tảng mạng xã hội và tối ưu hóa thời gian phản hồi dưới 1.5 giây trong giai đoạn 2024-2025.

Hệ thống chatbot thời trang đề xuất mở ra tiềm năng ứng dụng to lớn cho các doanh nghiệp bán lẻ trực tuyến, giúp tự động hóa chăm sóc khách hàng và gia tăng doanh số. Độc giả, nhà nghiên cứu và doanh nghiệp quan tâm có thể khai thác các giải pháp kiến trúc và mô hình từ luận văn để triển khai vào các bài toán thương mại điện tử thực tế.

Trích đoạn nội dung tài liệu

Chương 1, Giới thiệu đề tài: Trình bày tổng quan về đề tài, lý do thực hiện đề tài và ý nghĩa thực tiễn của bài toán, cũng như giới hạn và phạm vi của đề tài. Cuối cùng là nhiệm vụ và cấu trúc của luận văn. − Chương 2, Cơ sở lý thuyết: Tổng hợp những vấn đề học thuật liên quan nhất sẽ áp dụng để giải quyết bài toán, tập trung chủ yếu vào nội dung của học sâu, từ các kiến trúc về Rasa, Mạng nơ-ron tích chập, các phương pháp Few-shot Learn- ing trong cách học tổng quát (transductive learning), cụ thể là mô hình Model- agnostic Meta-Learning (MAML), Prototype Network, Matching Network và một số kiến thức liên quan đến xây dựng, đo đạc hệ thống. − Chương 3, Các công trình nghiên cứu liên quan: Trình bày một cách tổng quát về những nghiên cứu liên quan đã và đang được thực hiện, cũng như xu hướng chung hiện nay trong việc giải quyết bài toán.

Phần này cũng đưa ra những bàn luận và đánh giá cho các phương pháp kể trên vì đó là cơ sở quan trọng cho những nghiên cứu của em trong quá trình thực hiện luận văn. − Chương 4, Mô hình, kiến trúc hệ thống đề xuất: Giới thiệu mô hình cơ sở cho bài toán Few-shot Learning trong lĩnh vực thời trang. Đồng thời đưa ra phương pháp giúp việc tạo ra các mô hình Rasa cá nhân hoá cho từng cửa hàng hay kiến trúc hệ thống phục vụ cho ứng dụng Chatbot giúp đảm bảo độ trễ mỗi API trong vòng 3 giây. Cuối cùng, trình bày các bước tiến hành thí nghiệm trên những tập dữ liệu khác nhau và đánh giá kết quả của những cải tiến so với mô hình cơ sở.

8 − Chương 5, Kết luận: Tổng hợp các kết quả đạt được trong quá trình thực hiện luận văn từ bước nghiên cứu và xây dựng giả thuyết đến triển khai thực nghiệm. Phần này cũng trình bày những hạn chế và vấn đề tồn đọng, cuối cùng đề xuất các giải pháp cải tiến trong tương lai. Mục lục, Danh sách hình vẽ, Danh sách bảng được cung cấp ở đầu luận văn. Tài liệu tham khảo sẽ được trình bày ở cuối luận văn.

9 CHƯƠNG 2 Cơ sở lý thuyết Tóm tắt: Tổng hợp những vấn đề học thuật liên quan nhất sẽ áp dụng để giải quyết bài toán, tập trung chủ yếu vào nội dung của học sâu, từ các kiến trúc về Rasa, Mạng nơ-ron tích chập, các phương pháp Few-shot Learning trong cách học tổng quát (transductive learning), cụ thể là mô hình Model-agnostic Meta-Learning (MAML), Prototype Network, Matching Network và một số kiến thức liên quan đến xây dựng, đo đạc hệ thống.1 Định nghĩa về Chatbot Chatbot [5] là một trợ lý ảo không thể thiếu trong bất kỳ lĩnh vực nào thường xuyên giao tiếp với khách hàng. Chatbot có thể được tích hợp trong nhiều hệ thống khác nhau, từ đó, tiết kiệm rất nhiều thời gian bằng cách cho phép khách hàng yêu cầu hỗ trợ nhận được phản hồi ngay lập tức 24/7 mà không cần đợi nhân viên hỗ trợ kết nối. Về phía người dùng, họ sẽ không phải đối phó với thư rác, các cuộc trò chuyện không cần thiết hay các cuộc gọi điện thoại xâm phạm mà chỉ có nhận những thông tin hữu ích. Có thể chia bài toán Chatbot thành các nhóm liên quan dựa trên các mục đích (purpose), nơi được sử dụng (location), loại giao diện (type of interface), số lượng khách hàng sử dụng (number of users), hình thức truy cập (form of access), chức năng (functionality), giải thuật (algorithm).

Dựa trên mục đích sử dụng, có thể chatbot thành 2 loại chính: chatbot với các chủ đề rộng hoặc với chủ đề đặc thù [5]. Chatbot với các chủ đề rộng được dùng để trò chuyện với người dùng về nhiều chủ đề trừu tượng với không mục đích 10 Hình 2.1: Phân loại của Chatbot [5] rõ ràng nào. Còn chatbot với chủ đề đặc thù sẽ tập trung vào các thông tin xoay quanh đến chủ đề đó. Nếu phân tích chatbot dựa trên tiêu chí nơi được sử dụng có thể dễ dàng chia chatbot thành 3 loại [5].

2 loại đầu tiên, chatbot đóng vai trò là bên thứ ba. Tức, chatbot được nhúng thẳng trên website của một riêng một tổ chức hay cá nhân để trả lời câu hỏi hoặc thực hiện các yêu cầu riêng hoặc chatbot được nhúng vào các ứng dụng tin nhắn như Messenger, Telegram, Slack,. Loại cuối cùng là chatbot được thiết kế riêng trên một ứng dụng đặc thù nào đó. Tiêu chí phân loại thứ ba được nhắc đến là loại giao diện của chatbot [5].

Lúc này, chatbot được phân thành 5 loại chính. Đó là loại mà người dùng phản hồi với chatbot dưới dạng nút bấm chọn. Đó còn là loại mà người dùng phản hồi với dạng đoạn tin nhắn. Hay thậm chí chatbot có cả sự kết hợp cả hai loại vừa đề cập.

Loại tiếp theo là chatbot giao tiếp thông qua giọng nói, tin nhắn giọng nói được chuyển thành văn bản để phân tích và tạo phản hồi âm thanh. Cuối cùng là loại chạy thời gian thực là những loại chatbot được kết nối với các hệ thống bên ngoài, lấy thông tin động để tiếp tục trò chuyện hoặc thực hiện hành động. Loại thứ ba này cần hỗ trợ các lệnh, phân tích lệnh từ tin nhắn người dùng và hiểu ngữ cảnh của cuộc trò chuyện. Nếu xét trên tiêu chí số lượng người dùng [5], chúng ta có thể chia chatbot làm 11 2 loại chính.

Một là chatbot cá nhân, hai là chatbot dành cho doanh nghiệp. Chatbot cá nhân có thể chia làm 2 loại nhỏ hơn, đó chính là loại cá nhân nhưng không sử dụng các thông tin hỗ trợ như tin nhắn cũ hay lịch sử tương tác và loại cá nhân nhưng có sử dụng. Chatbot doanh nghiệp là những chatbot được thiết kế để có thể tương tác với khách hàng mà không cần sự hỗ trợ của các nhân viên thuộc doanh nghiệp đó. Tiếp theo, tiêu chí hình thức truy cập cũng có thể chia chatbot làm 3 loại [5].

Chatbot được sử dụng trong các nhóm trò chuyện, các thành viên trong nhóm sẽ tương tác với nhóm. Hay chatbot được gọi bằng việc sử dụng ký tự @ và chatbot sẽ tương tác sau đó. Loại cuối cùng là những chatbot mà người dùng đăng ký vào đó và chatbot sẽ có nhiệm vụ gửi các bản tin, tin tức đến với người đã đăng ký. Năm tiêu chí phân loại đầu tiên dựa theo các đặc điểm, bối cảnh bên ngoài.

Hai tiêu chí tiếp theo sẽ dựa trên đặc trưng riêng của chatbot. Một trong hai tiêu chí đó là dựa trên giải thuật [5]. Dự trên tiêu chí giải thuật, chatbot có thể được chia làm 3 loại chính: chatbot đơn giản, chatbot thông minh và chatbot lai giữa 2 loại đầu tiên. Chatbot đơn giản là những loại chatbot dựa trên các tập luật cho trước, một cấu trúc tập luật đưa ra các quyết định dựa theo cấu trúc cây, mỗi câu trả lời sẽ ứng với từng từ khoá mà chatbot nhận thấy được trong câu hỏi.

Chatbot loại này thường tránh các câu hỏi phức tạp và có thể sử dụng các nút bấm để lựa chọn các câu hỏi tiếp theo cho chatbot một cách phù hợp. Mặc dù hạn chế về chức năng nhưng nó sẽ hữu ích trong những tình huống cụ thể mà người thiết kế tạo ra. Loại chatbot thứ hai là chatbot thông minh hay các chatbot dựa trên mô hình mạng lưới Nơ-ron (Neural Network) để hiểu được ý nghĩa của cuộc hội thoại. Người thiết kế cần huấn luyện các mẫu có sẵn và số lượng các mẫu cần rất lớn để có thể học tốt được.

Cốt lõi của chatbot thông minh dựa trên các mô hình Xử lý Ngôn ngữ Tự nhiên (NLP - Natural Language Processing, NLU - Natural Language Understanding và NLG - Natural Language Generation). − NLP là khả năng xử lý của mô hình với những gì được nói, hiểu ý nghĩa của nó, xác định hành động đáp lại và trả lời bằng ngôn ngữ dễ hiểu đối với người dùng, bằng cách chuyển đổi văn bản máy tính thành dữ liệu có cấu trúc. − NLU là xương sống của bất kỳ chatbot nào và về cơ bản là một phần của quy trình NLP. Nó chịu trách nhiệm về khả năng của mô hình trong việc chọn 12 cách tốt nhất để xử lý đầu dưới dạng phi cấu trúc và biến nó thành một cấu trúc có thể học.

NLU cực kỳ quan trọng đối với dữ liệu không thể đoán trước như chữ viết tắt, từ sửa đổi và từ sai chính tả, tiếng lóng, ngôn ngữ khó hiểu, phép ẩn dụ mà con người có thể hiểu và máy không thể hiểu được. − NLG là quá trình mô hình chuyển đổi dữ liệu có cấu trúc thành văn bản. Về bản chất, đây là việc tạo ra một văn bản để giao tiếp với người dùng. Chatbot có thể thu thập thông tin về người dùng, theo dõi hành động của họ và sau đó, nếu cần, phân tích thói quen của họ.

Được thu thập trong quá trình đối thoại, dữ liệu người dùng cho phép bạn cá nhân hóa các ưu đãi khác nhau. Tiêu chí cuối cùng được sử dụng đó là về chức năng [5]. Với tiêu chí này, chatbot có thể được chia làm 4 loại khác nhau. Loại chatbot thông tin được dùng để phân phối các tin tức, mã giảm giá hoặc sự kiện được định trước.

Hay loại chatbot câu hỏi và trả lời, tức người thiết kế đã định nghĩa trước từng câu trả lời ứng với từng câu hỏi đơn giản khác nhau, từ đó, giảm tải cho các hệ thống bởi những câu việc đơn giản, tối ưu chi phí nhân viên và chỉ khi người dùng gặp các câu hỏi phức tạp mới cần những quản lý liên quan. Còn đó là loại chatbot hỗ trợ nhằm tạo ra các dữ liệu từ những phản hồi của người dùng với mục đích hỗ trợ người dùng trong việc đưa ra các quyết định quan trọng khác. Loại chatbot cuối cùng là chatbot chức năng theo từng hành động cụ thể mà có tính lặp đi lặp lại cao. Như vậy, có thể thấy rằng hệ thống chatbot tồn tại ở hầu hết các sản phẩm dịch vụ gồm hai bên tham gia: nhà thiết kế và người sử dụng.

Cách thức triển khai và mục tiêu đề xuất của các hệ thống là vô cùng đa dạng và không hoàn toàn giống nhau, tùy thuộc vào lĩnh vực và loại sản phẩm là gì. Để có thể tạo ra một hệ thống chatbot hoàn chỉnh, hệ thống đó đòi hỏi cần có sự kết hợp của nhiều các loại chatbot khác nhau mà đã được đề cập ở trên. Đó cũng chính là thách thức được đặc ra khi người thiết kế chatbot cần phải vận dụng từng đặc điểm của từng loại mà tạo ra một hệ thống toàn diện và có tính ứng dụng cao.2 Kiến thức về RASA 2.