Đề án thạc sĩ xây dựng AI Agent tư vấn cấu hình và vận hành SAP EWM bằng RAG - ĐH Ngân hàng TP.HCM

Hướng dẫn xây dựng AI Agent hỗ trợ tư vấn cấu hình và vận hành SAP EWM bằng công nghệ RAG. Giải pháp tối ưu hóa quản lý kho vận thông minh.

• Tác giả: Nguyễn Thế Ngân
• Người hướng dẫn: PGS. Nguyễn Thanh Hiên
• Trường học: Trường Đại học Ngân hàng Thành phố Hồ Chí Minh
• Chuyên ngành: Hệ thống thông tin quản lý
• Đề tài: Xây dựng tác nhân AI (AI Agent) hỗ trợ tư vấn cấu hình và vận hành SAP EWM sử dụng RAG
• Loại tài liệu: Đề án tốt nghiệp thạc sĩ
• Năm xuất bản: 2026
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan về tác nhân AI hỗ trợ SAP EWM sử dụng kỹ thuật RAG

Hệ thống SAP EWM đóng vai trò trung tâm trong quản trị chuỗi cung ứng hiện đại. Nền tảng này quản lý dòng hàng hóa phức tạp và tối ưu hóa diện tích kho bãi. Doanh nghiệp cần nhiều thời gian để cấu hình các luồng nghiệp vụ chuyên sâu. Sự xuất hiện của trí tuệ nhân tạo tạo ra bước ngoặt lớn cho hoạt động tư vấn kỹ thuật. Tác nhân AI kết hợp mô hình ngôn ngữ lớn mở ra phương thức hỗ trợ tự động hóa thông minh. Kỹ thuật RAG đóng vai trò cầu nối dữ liệu quan trọng. RAG cho phép hệ thống tra cứu tài liệu chuyên môn trước khi tạo câu trả lời. Giải pháp này giúp chuyên viên kỹ thuật giải quyết bài toán nghiệp vụ nhanh chóng. Tác nhân AI giảm thiểu thời gian tra cứu cẩm nang hướng dẫn dài hàng nghìn trang. Năng suất lao động của đội ngũ triển khai được cải thiện rõ rệt. Nền tảng đảm bảo tính nhất quán trong các quyết định thiết lập tham số hệ thống. Việc ứng dụng AI vào SAP EWM đang trở thành xu thế tất yếu của các doanh nghiệp logistics toàn cầu.

1.1. Vai trò của hệ thống SAP EWM trong quản lý chuỗi cung ứng

SAP EWM là giải pháp quản lý kho hàng mở rộng dành cho các trung tâm phân phối lớn. Hệ thống kiểm soát chính xác vị trí lưu trữ, quy trình nhập xuất và chiến lược phân bổ hàng hóa. Doanh nghiệp sử dụng SAP EWM để đồng bộ hóa hoạt động vận tải với quản lý kho bãi. Kiến trúc phần mềm chứa hàng nghìn bảng dữ liệu và tham số cấu hình phức tạp. Chuyên viên tư vấn phải nắm vững cấu trúc tổ chức kho và các quy tắc nghiệp vụ nghiêm ngặt. Việc làm chủ hệ thống đòi hỏi quá trình đào tạo chuyên sâu và tích lũy kinh nghiệm thực tế lâu dài. Mọi sai sót nhỏ trong thiết lập đều có thể làm gián đoạn chuỗi cung ứng toàn diện.

1.2. Khái niệm tác nhân AI và công nghệ RAG trong doanh nghiệp

Tác nhân AI là chương trình phần mềm tự hành có khả năng nhận thức ngữ cảnh và thực hiện nhiệm vụ phức tạp. Công nghệ này sử dụng mô hình ngôn ngữ lớn làm bộ não xử lý trung tâm. Tuy nhiên, các mô hình nền tảng thường thiếu tri thức nghiệp vụ chuyên biệt. Kỹ thuật RAG giải quyết triệt để vấn đề này bằng cơ chế truy xuất tài liệu ngoài. Hệ thống tìm kiếm các đoạn văn bản liên quan từ cơ sở tri thức trước khi sinh phản hồi. Mô hình vừa duy trì khả năng hiểu ngôn ngữ tự nhiên, vừa đảm bảo tính chuẩn xác cho các nội dung chuyên ngành doanh nghiệp.

II. Thách thức trong tư vấn cấu hình SAP EWM và hạn chế của LLM thuần

Quá trình triển khai SAP EWM đối mặt với nhiều rào cản kỹ thuật phức tạp. Tài liệu hướng dẫn hệ thống có quy mô đồ sộ và phân tán ở nhiều nguồn khác nhau. Đội ngũ tư vấn mất nhiều thời gian tra cứu tài liệu khi xảy ra sự cố vận hành. Sự thiếu hụt nhân sự am hiểu sâu về SAP EWM gia tăng chi phí cho doanh nghiệp. Việc áp dụng mô hình ngôn ngữ lớn thuần túy gặp phải nhiều giới hạn cố hữu. Mô hình ngôn ngữ thường bị ngắt kiến thức tại một thời điểm cố định trong quá khứ. Các cập nhật tính năng mới của SAP không được cập nhật kịp thời vào trọng số mô hình. Hiện tượng ảo giác thông tin tạo ra những câu trả lời sai lệch nghiêm trọng. LLM thuần túy không thể phân biệt chính xác quy trình chuẩn của SAP với quy trình đặc thù của từng doanh nghiệp. Điều này dẫn đến nguy cơ sai cấu hình và làm đình trệ hoạt động kho bãi thực tế.

2.1. Độ phức tạp trong cấu hình và xử lý sự cố kho bãi SAP EWM

Cấu hình SAP EWM đòi hỏi sự tích hợp chặt chẽ giữa nhiều phân hệ chức năng. Mỗi kho hàng sở hữu cấu trúc vật lý, khu vực lưu trữ và quy tắc vận chuyển riêng biệt. Khi hệ thống phát sinh lỗi, chuyên viên phải kiểm tra hàng loạt nhật ký giao dịch và thông số liên quan. Tài liệu giải quyết sự cố thường nằm rải rác trong các ghi chú SAP Notes hoặc cẩm nang nội bộ. Việc tra cứu thủ công gây lãng phí thời gian và làm tăng thời gian chết của kho bãi. Sự thiếu đồng bộ trong tài liệu hóa cũng cản trở quá trình chuyển giao kiến thức cho nhân sự mới.

2.2. Hạn chế về ảo giác và ngắt quãng kiến thức của mô hình LLM

Mô hình ngôn ngữ lớn truyền thống được huấn luyện trên dữ liệu tổng quát trên internet. Do đó, mô hình thiếu tri thức sâu về các quy định kỹ thuật đặc thù của phần mềm ERP. Hiện tượng ảo giác khiến mô hình tự tạo ra các mã giao dịch hoặc hàm lập trình không tồn tại trong SAP. Điểm ngắt kiến thức ngăn cản mô hình cập nhật các bản vá lỗi và hướng dẫn kỹ thuật mới nhất. Doanh nghiệp không thể tin cậy hoàn toàn vào phản hồi từ các mô hình tổng quát. Nhu cầu bổ sung cơ chế kiểm chứng thông tin chính xác trở nên vô cùng cấp thiết.

III. Giải pháp xây dựng tác nhân AI tư vấn SAP EWM bằng kỹ thuật RAG

Kiến trúc RAG cung cấp giải pháp toàn diện cho bài toán tư vấn kỹ thuật SAP EWM. Quy trình bắt đầu từ việc chuẩn hóa kho dữ liệu chuyên ngành từ các tài liệu chuẩn, bài viết chuyên gia và cẩm nang nội bộ. Văn bản được chia nhỏ thành các phân đoạn với độ dài phù hợp nhằm giữ trọn vẹn ngữ nghĩa. Mô hình nhúng đa ngôn ngữ chuyển đổi các phân đoạn văn bản thành vector đặc trưng nhiều chiều. Cơ sở dữ liệu vector FAISS thực hiện việc lập chỉ mục và lưu trữ để phục vụ tra cứu tốc độ cao. Khi người dùng đặt câu hỏi, hệ thống tính toán độ tương đồng và truy xuất các đoạn tài liệu liên quan nhất. Lời nhắc ngữ cảnh kèm dữ liệu trích xuất được chuyển tới mô hình ngôn ngữ lớn để tổng hợp câu trả lời. Tác nhân AI cung cấp giải pháp kèm trích dẫn nguồn tài liệu cụ thể. Cơ chế này loại bỏ triệt để ảo giác thông tin và nâng cao độ tin cậy của câu trả lời kỹ thuật.

3.1. Quy trình xử lý dữ liệu và tạo cơ sở tri thức vector FAISS

Quy trình xử lý dữ liệu bắt đầu bằng việc thu thập tài liệu định dạng PDF, DOCX và Markdown. Hệ thống phân đoạn văn bản thành các khối nhỏ với kích thước 500 ký tự và độ chồng lấp 50 ký tự. Kỹ thuật này giúp bảo tồn tính liền mạch của các chỉ dẫn kỹ thuật phức tạp. Mô hình paraphrase-multilingual-MiniLM-L12-v2 tiến hành vector hóa từng phân đoạn thành không gian 384 chiều. Cơ sở dữ liệu FAISS với chỉ mục IndexFlatL2 lưu trữ các vector để tìm kiếm độ tương đồng chính xác. Hệ thống tối ưu hóa tốc độ truy vấn ngay cả khi kho tri thức mở rộng.

3.2. Cơ chế truy xuất thông tin và tổng hợp câu trả lời chuẩn xác

Khi tiếp nhận câu hỏi từ chuyên viên, hệ thống mã hóa truy vấn thành vector tương ứng. Thuật toán tìm kiếm lân cận gần nhất lọc ra các đoạn văn bản có độ tương đồng cao nhất từ FAISS. Tác nhân AI ghép các đoạn trích dẫn này vào mẫu câu nhắc chuyên biệt. Mô hình ngôn ngữ lớn phân tích ngữ cảnh và sinh câu trả lời bám sát tài liệu gốc. Câu trả lời luôn kèm theo đường dẫn trích dẫn và tài liệu tham khảo rõ ràng. Phương pháp này giúp người dùng dễ dàng kiểm tra chéo và áp dụng trực tiếp vào cấu hình thực tế.

IV. Kết luận và triển vọng ứng dụng tác nhân AI trong vận hành SAP EWM

Tác nhân AI kết hợp RAG tạo nên bước đột phá trong tư vấn và vận hành hệ thống SAP EWM. Giải pháp khắc phục hoàn toàn nhược điểm ảo giác của các mô hình ngôn ngữ truyền thống. Doanh nghiệp tiết kiệm đáng kể thời gian tra cứu tài liệu và chuẩn hóa quy trình đào tạo nhân lực. Đội ngũ kỹ thuật nhận được sự hỗ trợ tức thì với độ chính xác cao trong quá trình cấu hình. Cơ sở tri thức dễ dàng cập nhật mà không cần đào tạo lại toàn bộ mô hình nền tảng. Trong tương lai, hệ thống có thể kết nối trực tiếp với giao diện lập trình của SAP để tự động hóa các thao tác kiểm tra lỗi. Sự kết hợp giữa trí tuệ nhân tạo và hệ thống quản trị kho hàng thúc đẩy tiến trình chuyển đổi số toàn diện. Doanh nghiệp tối ưu hóa hiệu suất vận hành chuỗi cung ứng và giảm thiểu rủi ro gián đoạn hoạt động kinh doanh.

4.1. Lợi ích thực tiễn trong tối ưu hóa chi phí và hiệu suất kho

Ứng dụng tác nhân AI giúp doanh nghiệp rút ngắn thời gian xử lý sự cố trong kho bãi. Chuyên viên vận hành nhanh chóng xác định nguyên nhân lỗi thông qua các chỉ dẫn từng bước rõ ràng. Chi phí thuê chuyên gia tư vấn bên ngoài được cắt giảm đáng kể nhờ khai thác tốt kho tri thức nội bộ. Hiệu suất luân chuyển hàng hóa được duy trì liên tục, tránh gián đoạn các luồng nhập xuất. Nền tảng đóng vai trò như trợ lý ảo thường trực, giúp nâng cao năng lực chuyên môn cho toàn bộ đội ngũ kỹ thuật doanh nghiệp.

4.2. Định hướng phát triển và khả năng mở rộng hệ thống tương lai

Hệ thống mở ra tiềm năng tích hợp sâu hơn với môi trường thực thi của SAP. Tác nhân AI có thể được cấp quyền đọc trực tiếp các bản ghi hệ thống để chẩn đoán lỗi tự động. Việc mở rộng cơ sở tri thức sang các phân hệ SAP TM hay SAP S/4HANA sẽ tạo ra hệ sinh thái hỗ trợ toàn diện. Doanh nghiệp có thể bổ sung cơ chế học tăng cường dựa trên phản hồi của người dùng để liên tục cải thiện chất lượng câu trả lời. Đây là nền tảng vững chắc cho việc xây dựng doanh nghiệp tự hành thông minh.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên chuyển đổi số chuỗi cung ứng, hệ thống Quản lý Kho mở rộng (SAP Extended Warehouse Management - SAP EWM) đóng vai trò then chốt tại các tập đoàn đa quốc gia nhờ khả năng điều phối đồng thời hàng trăm kho hàng và hàng nghìn vị trí lưu trữ phức tạp. Tuy nhiên, theo khảo sát thực tế tại các trung tâm phân phối, thời gian đào tạo một nhân viên kho đạt năng suất tiêu chuẩn kéo dài từ 2 đến 4 tuần, trong khi chuyên viên tư vấn cấu hình cần từ 6 đến 12 tháng để làm chủ toàn bộ quy trình. Rào cản lớn nhất nằm ở khối lượng tài liệu kỹ thuật khổng lồ, phân mảnh trên nhiều cổng thông tin và chủ yếu được biên soạn bằng tiếng Anh chuyên ngành, dẫn đến thời gian xử lý sự cố hỗ trợ cấp độ 1 thường bị kéo dài từ nhiều giờ đến nhiều ngày.

Nghiên cứu tập trung giải quyết bài toán tối ưu hóa quy trình tra cứu tri thức và hỗ trợ vận hành SAP EWM bằng cách xây dựng một Tác nhân Trí tuệ Nhân tạo (AI Agent) tích hợp kỹ thuật Tạo sinh tăng cường truy xuất (Retrieval-Augmented Generation - RAG). Mục tiêu cụ thể của đề tài là xây dựng thành công bản mẫu trợ lý ảo có khả năng tự động phản hồi các truy vấn nghiệp vụ bằng tiếng Việt với thời gian phản hồi trung bình dưới 10 giây và đạt độ chính xác trên 85%.

Phạm vi nghiên cứu được thực hiện trong khuôn khổ chương trình đào tạo Thạc sĩ Hệ thống Thông tin Quản lý tại Trường Đại học Ngân hàng TP. Hồ Chí Minh giai đoạn 2024–2026, kết hợp dữ liệu thực nghiệm và khảo sát nghiệp vụ tại Công ty Zuellig Pharma Việt Nam. Đề tài mang ý nghĩa thực tiễn sâu sắc khi giúp doanh nghiệp cắt giảm hơn 60% thời gian chờ đợi hỗ trợ kỹ thuật, tối ưu hóa chi phí vận hành hạ tầng chỉ còn khoảng 30 đến 50 USD mỗi tháng và tạo tiền đề vững chắc cho việc tự động hóa hỗ trợ người dùng ERP.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng phương pháp luận Vòng đời Phát triển Hệ thống (Systems Development Life Cycle - SDLC) gồm 7 giai đoạn kinh điển được đúc kết bởi Kenneth E. Kendall và Julie E. Kendall, giúp kiểm soát chặt chẽ từ khâu xác định nhu cầu, phân tích nghiệp vụ, thiết kế kiến trúc cho đến triển khai và kiểm thử.

Về mặt công nghệ AI, đề tài ứng dụng kiến trúc RAG theo đề xuất của Lewis và cộng sự nhằm khắc phục triệt để ba giới hạn cố hữu của Mô hình Ngôn ngữ Lớn (LLM) thuần túy: hiện tượng ảo giác thông tin, giới hạn tri thức đóng băng theo thời gian và sự thiếu hụt dữ liệu chuyên ngành đặc thù. Cơ chế điều phối tác nhân dựa trên khung ReAct (Reasoning and Acting) của Yao và cộng sự, kết hợp công cụ LangGraph để quản lý luồng trạng thái có cấu trúc (StateGraph).

Các khái niệm nền tảng bao gồm: không gian vector nhúng ngữ nghĩa đa ngôn ngữ 384 chiều, khoảng cách Euclid (L2) trong cơ sở dữ liệu vector FAISS, cơ chế viết lại truy vấn (Query Rewriting) và giao thức suy luận đa lớp ULTRATHINK giúp định hình tư duy mô hình GPT-4o-mini trước khi sinh văn bản phản hồi.

Phương pháp nghiên cứu

Nguồn dữ liệu của đề án được hợp nhất từ 3 phân tầng tri thức: tài liệu tiêu chuẩn chính thức của SAP (SAP Help Portal, Knowledge Base Articles - KBA), tài liệu kinh nghiệm thực hành tốt nhất từ chuyên gia tư vấn (Consultant Best Practices), và các quy trình vận hành chuẩn (SOP) đặc thù của doanh nghiệp. Dữ liệu văn bản thô được xử lý qua pipeline phân đoạn với kích thước 500 ký tự và độ chồng lấp 50 ký tự nhằm bảo toàn ngữ cảnh liền mạch.

Về phương pháp phân tích và đánh giá, nghiên cứu thiết lập bộ kiểm thử chuẩn gồm 36 câu hỏi nghiệp vụ phân bổ đều qua 7 nhóm tiêu chí chuyên sâu (từ cấu hình nhập/xuất kho POSC đến xử lý mã lỗi giao dịch). Cỡ mẫu 36 câu hỏi được chọn theo phương pháp chọn mẫu phân tầng có chủ đích (Purposive Stratified Sampling), bao phủ đầy đủ các tác vụ của 3 nhóm người dùng: nhân viên kho, chuyên viên IT Helpdesk và chuyên gia tư vấn triển khai.

Lý do lựa chọn phương pháp đánh giá lai (Hybrid Evaluation) là nhằm đảm bảo tính khách quan tuyệt đối: kết hợp đo lường định lượng tự động bằng khung RAGAS (LLM-as-a-judge) với đánh giá định tính qua thẩm định mù (Blind Review) trên thang đo Likert bởi đội ngũ chuyên gia SAP EWM có trên 5 năm kinh nghiệm. Tiến độ nghiên cứu được hoàn thành nghiêm ngặt trong 14 tuần, bao gồm 3 tuần thu thập dữ liệu, 3 tuần xây dựng cơ sở dữ liệu vector, 3 tuần phát triển RAG, 3 tuần hoàn thiện luồng tác nhân LangGraph và 2 tuần tích hợp giao diện Telegram Bot cùng triển khai thực nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình kiểm thử thực nghiệm trên hệ thống Tác nhân AI hỗ trợ SAP EWM đã ghi nhận những kết quả định lượng và định tính vượt trội so với các chỉ tiêu ban đầu:

Thứ nhất, theo khung đánh giá tự động RAGAS với mô hình giám sát độc lập, hệ thống đạt chỉ số Tính trung thực (Faithfulness) là 0,814 (tương đương 81,4%) và Độ liên quan của câu trả lời (Answer Relevance) đạt 0,908 (tương đương 90,8%). Điều này chứng minh tác nhân AI đã neo chặt câu trả lời vào dữ liệu ngữ cảnh được truy xuất, giảm thiểu tối đa hiện tượng bịa đặt thông tin kỹ thuật.

Thứ hai, thời gian phản hồi trung bình của hệ thống đạt 5,5 giây cho mỗi truy vấn phức tạp, nhanh hơn 45% so với ngưỡng yêu cầu tối đa 10 giây đặt ra ban đầu. Khi so sánh với mô hình Zero-shot LLM thông thường, tốc độ xử lý của pipeline LangGraph kết hợp FAISS vẫn duy trì độ ổn định cao ngay cả với các câu hỏi đa tầng ngữ cảnh.

Thứ ba, kết quả thẩm định mù định tính từ các chuyên gia SAP EWM ghi nhận điểm số hài lòng trung bình đạt mức 3,8 trên thang điểm 5,0. Đặc biệt, tiêu chí trích dẫn nguồn minh bạch (đính kèm chính xác tên tài liệu và số trang tham chiếu) đạt tỷ lệ hài lòng trên 92%, giúp người dùng kiểm chứng ngay lập tức trên hệ thống SAP thực tế.

Thứ tư, hệ thống thể hiện khả năng lọc nhiễu xuất sắc khi thiết lập ngưỡng tương đồng ngữ nghĩa 0,7, từ chối chính xác 100% các câu hỏi nằm ngoài phạm vi tri thức SAP EWM một cách lịch sự, không gây hiểu nhầm cho người vận hành.

Thảo luận kết quả

Khi biểu diễn dữ liệu thời gian phản hồi qua biểu đồ phân phối độ trễ, luồng xử lý tuần tự (Rewrite -> Retrieve -> Generate) thể hiện tính ổn định vượt trội so với các kiến trúc thử nghiệm có chứa vòng lặp phản hồi phức tạp. Bảng tổng hợp đối sánh giữa các giải pháp công nghệ cho thấy việc sử dụng mô hình nhúng cục bộ paraphrase-multilingual-MiniLM-L12-v2 giúp triệt tiêu chi phí gọi API nhúng ngoài, đồng thời giữ mức tiêu thụ bộ nhớ RAM của FAISS dưới 512 MB trên máy chủ ảo VPS tiêu chuẩn.

Nguyên nhân chính giúp hệ thống đạt độ chính xác cao là nhờ sự kết hợp giữa bước viết lại truy vấn (Query Rewriting) và giao thức tư duy ULTRATHINK. Kỹ thuật viết lại câu hỏi đã bổ sung các từ viết tắt chuyên ngành (như POSC, WOCR, T-code /SCWM/MON) trước khi truy xuất, giúp nâng cao độ phủ ngữ cảnh (Context Recall) lên hơn 25% so với phương pháp tìm kiếm từ khóa BM25 truyền thống.

So với các nghiên cứu RAG doanh nghiệp trước đây vốn phụ thuộc vào mô hình nhúng thương mại đắt đỏ, đề án đã chứng minh rằng một cấu hình mã nguồn mở tối ưu hoàn toàn có thể đạt hiệu năng tương đương, giúp doanh nghiệp tiết kiệm hàng nghìn USD chi phí bản quyền hàng năm mà vẫn bảo mật tuyệt đối dữ liệu nội bộ.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm của đề án, 4 nhóm giải pháp chiến lược được đề xuất nhằm tối ưu hóa và ứng dụng rộng rãi công nghệ AI Agent trong doanh nghiệp:

Thứ nhất, nâng cấp tầng truy xuất thông tin bằng cách tích hợp mô hình xếp hạng lại (Cross-Encoder Reranker) như BAAI/bge-reranker-v2 trong vòng 6 tháng tới. Mục tiêu của giải pháp này là lọc từ 20 đoạn văn bản trích xuất ban đầu xuống còn 5 đoạn tối ưu nhất, giúp tăng chỉ số Context Precision lên mức trên 90% và giảm thiểu độ dài ngữ cảnh gửi đến mô hình ngôn ngữ lớn. Chủ thể thực hiện là đội ngũ kỹ sư AI phối hợp cùng chuyên viên giải pháp dữ liệu.

Thứ hai, tự động hóa quy trình làm giàu cơ sở tri thức (Automated Ingestion Pipeline) định kỳ hàng tuần. Doanh nghiệp cần xây dựng công cụ quét tự động các tài liệu SAP Notes, KBA mới và quy trình SOP sửa đổi từ cổng SharePoint nội bộ, thực hiện phân đoạn và cập nhật chỉ mục vector FAISS mà không làm gián đoạn hệ thống đang vận hành. Thời gian triển khai dự kiến trong 3 tháng, do phòng IT và Quản trị hệ thống ERP chủ trì.

Thứ ba, chuyển đổi kiến trúc luồng xử lý từ tuần tự sang RAG hiệu chỉnh (Corrective RAG - CRAG) trước quý 4/2026. Giải pháp này bổ sung nút đánh giá chất lượng tài liệu trích xuất theo thời gian thực; nếu độ tin cậy dưới ngưỡng 0,7, hệ thống sẽ tự động kích hoạt truy vấn bổ sung hoặc chuyển hướng cuộc gọi hỗ trợ sang chuyên viên trực ca.

Thứ tư, mở rộng phạm vi áp dụng bản mẫu Proof of Concept (PoC) sang các phân hệ ERP cốt lõi khác như Quản lý Vật tư (SAP MM), Bán hàng & Phân phối (SAP SD) và Tài chính Kế toán (SAP FICO) trong giai đoạn 2026–2027. Ban Lãnh đạo Chuyển đổi số doanh nghiệp cần đóng vai trò điều phối chính để chuẩn hóa kho dữ liệu liên phòng ban.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và ứng dụng thực tiễn cao, là tài liệu tham khảo đắc lực cho 4 nhóm đối tượng:

1. Học viên cao học và Nhà nghiên cứu chuyên ngành Hệ thống Thông tin Quản lý (MIS), Khoa học Dữ liệu: Tài liệu cung cấp bức tranh toàn diện về phương pháp luận SDLC kết hợp công nghệ AI Agent hiện đại, đi kèm khung đánh giá RAGAS chi tiết làm cơ sở phát triển các đề tài nghiên cứu liên quan đến AI ứng dụng trong doanh nghiệp.
2. Chuyên viên tư vấn và Kỹ sư giải pháp SAP ERP: Luận văn đóng vai trò như một cẩm nang kỹ thuật chuyên sâu về cấu trúc quy trình, tài liệu cấu hình IMG và mã lỗi vận hành thực tế trong phân hệ SAP EWM, giúp rút ngắn thời gian tra cứu và xử lý sự cố tại các dự án triển khai.
3. Đội ngũ Kỹ sư Trí tuệ Nhân tạo (AI Engineers) và Phát triển Phần mềm: Cung cấp chi tiết thiết kế kiến trúc phân tầng, mã nguồn mẫu về StateGraph với LangGraph, kỹ thuật quản lý bộ nhớ vector bằng FAISS và kinh nghiệm tối ưu hóa System Prompt đa lớp cho giao diện Telegram Bot.
4. Giám đốc Công nghệ (CTO), Trưởng phòng Chuyển đổi số và Quản lý Kho vận (Supply Chain Managers): Nghiên cứu cung cấp bài toán kinh tế - kỹ thuật rõ ràng, chứng minh tính khả thi khi triển khai giải pháp trợ lý ảo AI nội bộ với chi phí vận hành thấp, bảo mật cao và hiệu quả hoàn vốn nhanh chóng.

Câu hỏi thường gặp

1. Hệ thống AI Agent xử lý rào cản ngôn ngữ giữa tài liệu tiếng Anh và truy vấn tiếng Việt như thế nào?
Hệ thống sử dụng mô hình nhúng đa ngôn ngữ paraphrase-multilingual-MiniLM-L12-v2 ánh xạ câu hỏi tiếng Việt và tài liệu tiếng Anh vào cùng không gian vector 384 chiều. Sau đó, GPT-4o-mini thực hiện tổng hợp ngữ cảnh và phản hồi bằng tiếng Việt tự nhiên, nhưng vẫn giữ nguyên vẹn các thuật ngữ kỹ thuật chuẩn mực của SAP.

2. Kỹ thuật RAG vượt trội hơn phương pháp Fine-tuning (tinh chỉnh mô hình) trong bài toán này ở điểm nào?
RAG vượt trội hoàn toàn ở ba khía cạnh: chi phí vận hành cực thấp (khoảng 30–50 USD/tháng so với hàng nghìn USD duy trì máy chủ GPU huấn luyện), khả năng cập nhật tài liệu tức thì chỉ bằng cách nạp file vào kho vector, và khả năng trích dẫn chính xác số trang tài liệu để người dùng kiểm chứng.

3. Thời gian phản hồi 5,5 giây có đáp ứng tốt yêu cầu hỗ trợ vận hành kho theo thời gian thực không?
Có. Trong môi trường trung tâm phân phối, thời gian 5,5 giây là mức lý tưởng cho các câu hỏi tra cứu cấu hình và giải thích mã lỗi phức tạp. Hệ thống còn tích hợp chỉ báo trạng thái đang xử lý (typing indicator) trên Telegram Bot, giúp người dùng duy trì trải nghiệm tương tác liên tục và mượt mà.

4. Làm thế nào hệ thống kiểm soát và triệt tiêu hiện tượng ảo giác (hallucination) của mô hình AI?
Hệ thống kiểm soát ảo giác qua 3 lớp phòng vệ: thiết lập ngưỡng tương đồng vector 0,7 để loại bỏ dữ liệu rác, áp dụng giao thức tư duy ULTRATHINK buộc mô hình chỉ suy luận dựa trên bằng chứng trích xuất, và cài đặt luật phủ định từ chối trả lời nếu ngữ cảnh không chứa thông tin cần thiết.

5. Kiến trúc của đề án có thể mở rộng tích hợp trực tiếp vào hệ thống SAP đang chạy thực tế không?
Hoàn toàn khả thi. Mặc dù đề tài giới hạn ở bản mẫu ngoại tuyến để đảm bảo an toàn dữ liệu, kiến trúc phân tầng qua FastAPI cho phép dễ dàng tích hợp thêm các cổng kết nối SAP RFC hoặc OData Services trong tương lai nhằm tra cứu trực tiếp trạng thái đơn hàng và tồn kho thời gian thực.

Kết luận

• Đề án đã giải quyết thành công điểm nghẽn trong vận hành SAP EWM bằng cách xây dựng hoàn chỉnh Tác nhân AI tích hợp kỹ thuật RAG trên nền tảng LangGraph và cơ sở dữ liệu vector FAISS.
• Hệ thống đạt hiệu năng thực nghiệm ấn tượng với chỉ số Tính trung thực 0,814, Độ liên quan câu trả lời 0,908, thời gian phản hồi trung bình chỉ 5,5 giây và điểm đánh giá chuyên gia đạt 3,8/5,0.
• Nghiên cứu đóng góp một phương pháp luận đánh giá lai (Hybrid Evaluation) chuẩn mực, kết hợp giữa đo lường tự động RAGAS và thẩm định mù từ chuyên gia nghiệp vụ ERP.
• Lộ trình phát triển tiếp theo bao gồm tích hợp tầng Cross-Encoder Reranker, hoàn thiện quy trình nạp dữ liệu tự động và mở rộng sang các phân hệ SAP S/4HANA cốt lõi trong giai đoạn 2026–2027.
• Khám phá toàn bộ kiến trúc giải pháp, quy trình thiết kế prompt và bộ dữ liệu kiểm thử 36 kịch bản chuyên sâu để ứng dụng ngay mô hình Tác nhân AI vào tối ưu hóa vận hành doanh nghiệp của bạn!

Trích đoạn nội dung tài liệu

Chương 1: Cơ sở lý thuyết Chương này trình bày các nền tảng lý thuyết làm cơ sở cho việc xây dựng hệ thống. Nội dung bao gồm tổng quan về SAP EWM và các quy trình kho vận, lý thuyết về Tác nhân AI và các thành phần cấu tạo, kỹ thuật RAG và các thành phần liên quan, cùng tổng quan các nghiên cứu liên quan và khoảng trống nghiên cứu. Chương 2: Phân tích và thiết kế hệ thống Chương này áp dụng các giai đoạn đầu của phương pháp SDLC nhằm phân tích thực trạng quy trình hỗ trợ SAP EWM hiện tại và tổng hợp yêu cầu từ các nhóm người 17 dùng (người dùng cuối, IT, chuyên gia tư vấn). Dựa trên kết quả phân tích, học viên thực hiện biện luận lựa chọn công nghệ và thiết kế kiến trúc hệ thống đề xuất, bao gồm chiến lược phân đoạn tri thức, thiết kế cơ sở dữ liệu vector FAISS và luồng điều phối tác nhân qua LangGraph.

Chương 3: Phát triển và triển khai hệ thống Chương này trình bày quá trình hiện thực hóa các bản thiết kế thành một hệ thống phần mềm hoàn chỉnh. Nội dung chi tiết bao gồm các bước tiền xử lý và nhúng (embedding) kho tài liệu SAP EWM, lập trình luồng xử lý tác nhân, áp dụng các kỹ thuật gợi ý (Prompt Engineering) để định chuẩn hành vi của AI và tích hợp giao diện tương tác người dùng thông qua Telegram Bot. Chương 4: Thực nghiệm, đánh giá và kết luận Chương cuối cùng trình bày quá trình kiểm thử hệ thống dựa trên phương pháp đánh giá lai (Hybrid Evaluation). Hiệu năng của Tác nhân AI được đo lường định lượng tự động bằng khung RAGAS (các chỉ số Faithfulness, Answer Relevance) và đánh giá định tính thông qua quy trình thẩm định mù (Blind Review) từ đội ngũ chuyên gia SAP EWM.

Chương này khép lại bằng việc đúc kết các đóng góp thực tiễn, phân tích hạn chế của giải pháp hiện tại và đề xuất lộ trình phát triển trong tương lai. Ngoài ra, đề án còn bao gồm phần Danh mục tài liệu tham khảo và các Phụ lục bổ trợ (chi tiết bộ 36 câu hỏi kiểm thử, phiếu khảo sát chuyên gia, một số đoạn mã nguồn cốt lõi). Tổng quan về SAP EWM 1. Giới thiệu SAP Extended Warehouse Management SAP Extended Warehouse Management (SAP EWM) là hệ thống quản lý kho tiên tiến được phát triển bởi SAP SE, thuộc bộ giải pháp SAP Supply Chain Management (SAP SCM).

Theo định nghĩa chính thức của SAP, Extended Warehouse Management là “giải pháp quản lý kho linh hoạt, có khả năng tùy biến cao, giúp doanh nghiệp quản lý hàng tồn đến từng vị trí chính xác và xử lý tất cả các hoạt động logistic bên trong kho, từ nhận hàng đến xuất hàng” (SAP Help Portal, 2024). SAP EWM được thiết kế như một phân hệ độc lập và tích hợp với hệ thống ERP. Về cấu trúc kho, SAP EWM có thể quản lý cùng lúc hàng trăm nhà kho khác nhau. Bên trong mỗi kho, hệ thống có thể hỗ trợ hàng nghìn vị trí lưu trữ hàng.

Về hàng hóa, nhiều loại sản phẩm khác nhau như nguyên vật liệu, thành phẩm, bao bì, phụ tùng thay thế, đồng thời được xử lý bởi các quy trình phức tạp. Một số quy trình lõi bao gồm: Nhận hàng, tìm kiếm vị trí lưu trữ tự động, xuất hàng, luân chuyển nội bộ, kiểm kho, quản lý số lô, quản lý Pallets.1: Tổng quan về SAP EWM (Nguồn: SAP Product Portal) 1. Quy Trình nghiệp vụ trong SAP EWM SAP EWM bao gồm ba nhóm chức năng chính. Nhóm chức năng xử lý nhập kho thực hiện các chức năng như nhận thông tin giao hàng từ ERP, xử lý nhận hàng, tự động tìm kiếm và xếp hàng vào vị trí lưu trữ.

Nhóm xử lý xuất kho bao gồm nhận yêu cầu xuất hàng từ ERP, tạo các lượt lấy hàng, nhặt hàng, đóng gói và xuất hàng. Nhóm chức năng xử lý nội bộ thực hiện các quy trình trong kho như chuyển kho nội bộ, kiểm kê, bổ sung hàng và điều chỉnh tồn kho. Bên cạnh các nhóm chức năng chính, SAP EWM còn hỗ trợ phân bổ lệnh chuyển kho tự động, quản lý hiệu suất làm việc, tích hợp với các hệ thống quản lý kho khác.2: Màn hình quản lý tổng quan (Nguồn: học viên ghi nhận từ hệ thống SAP EWM) 1. Cấu hình và tài liệu liên quan SAP EWM SAP EWM được thiết kế bao gồm nhiều tính năng phức tạp và có khả năng tùy biến cao vì vậy việc cài đặt ban đầu, cấu hình hệ thống khá phức tạp.

Người dùng và tư vấn viên SAP EWM thường sử dụng nhiều nguồn tài liệu khác nhau. SAP Help Portal là nguồn tài liệu chính thức và đầy đủ nhất, bao gồm hướng dẫn sử dụng, mô tả chức năng và các ví dụ từ thực tiễn, được tổ chức theo phiên bản sản phẩm và cập nhật thường xuyên. SAP Notes và KBA chứa các bản vá lỗi, cải tiến và hướng dẫn kỹ thuật chi tiết, cung cấp hướng dẫn từng bước cho các tình huống cụ thể. Hướng dẫn cấu hình là tài liệu chi tiết cho từng phân hệ và chức năng, thường được cung cấp dưới dạng PDF.

Ngoài ra, các doanh nghiệp thường xây dựng quy trình vận hành chuẩn nội bộ 21 riêng, điều chỉnh theo quy trình đặc thù của tổ chức.3: Màn hình cấu hình hệ thống (Nguồn: học viên ghi nhận từ hệ thống SAP EWM) 1. Ưu điểm của SAP EWM SAP EWM đáp ứng được yêu cầu vận hành kho của các tập đoàn lớn với quy mô lớn, quy trình phức tạp, nhiều giao dịch diễn ra đồng thời trên nhiều kho hàng khác nhau. Bên cạnh đó, SAP EWM cũng mang lại khả năng tích hợp sâu với hoạt động của chuỗi cung ứng, đem lại khả năng kiểm soát cao cho doanh nghiệp cũng như người vận hành. Thách thức khi vận hành SAP EWM Với lượng cấu trúc hệ thống phức tạp và lượng người dùng lớn.

Thông tin về SAP EWM được lưu trữ trên nhiều nền tảng khác nhau, bao gồm Cổng trợ giúp SAP (help.com), Cổng hỗ trợ SAP (support.com), SAP Learning Hub, SharePoint và các trang thông tin nội bộ của doanh nghiệp. Bên cạnh đó phần lớn tài liệu SAP được viết bằng tiếng Anh kỹ thuật, tạo ra thách thức cho người dùng cuối không thành 22 thạo tiếng Anh, nhân viên mới chưa quen với thuật ngữ chuyên ngành. Cụ thể hơn, bên dưới là các thách thức mà doanh nghiệp thường gặp phải trong quá trình vận hành. Thách thức trong đào tạo người dùng: Việc đào tạo nhân sự sử dụng SAP EWM thường mất nhiều thời gian.

Với từng cấp độ người dùng, thời gian đào tạo có thể khác nhau, nhưng vấn đề xoay quanh việc chuẩn hóa kiến thức, lưu trữ và cung cấp kiến thức một cách kịp thời luôn là bài toán phức tạp cả trong quá trình triển, cho đến vận hành, bảo trì và nâng cấp. Theo kinh nghiệm làm việc nhiều năm của học viên, thời gian đào tạo trung bình cho các vai trò khác nhau như sau: 1Bảng 1.5: Bảng thống kê thời gian đào tạo người dùng Vai trò Thời gian đào tạo Thời gian đạt năng suất Nhân viên kho 1-2 tuần 1 tháng Giám sát kho 2-4 tuần 2-3 tháng Người dùng chính SAP EWM 1-2 tháng 3-6 tháng Tư vấn viên SAP EWM 3-6 tháng 6-12 tháng (Nguồn: học viên tự thực hiện) Thách thức trong hỗ trợ vận hành: Trong quá trình vận hành hệ thống, khi người dùng đầu cuối gặp phải các lỗi khi vận hành, việc hỗ trợ kiểm tra, tư vấn và sửa lỗi phải đi qua quy trình phức tạp với nhiều bước như: liên lạc với người dùng chính để nhận hỗ trợ, nếu người dùng chính không thể cung cấp được giải pháp, người dùng cần khởi tạo yêu cầu hỗ trợ trên các trang thông tin nội bộ và chờ đợi trợ giúp từ đội ngũ công nghệ thông tin hoặc tư vấn. Chính vì không có một kênh hỗ trợ trực tiếp và đủ tin cậy, việc hỗ trợ gặp nhiều khó khăn, mất nhiều thời gian và chi phí, đồng thời nó còn làm gián đoạn hoạt động của kho. 23 Thách thức cho đội ngũ công nghệ thông tin và chuyên gia tư vấn.

Chi phí cho việc duy trì đội ngũ hỗ trợ SAP EWM tương đối cao vì vậy số lượng chuyên gia trong tổ chức thường hạn chế. Việc chỉ tập trung nguồn lực cho hỗ trợ vận hành làm ảnh hưởng đến các hoạt động khác như: cải tiến quy trình và cấu hình, báo cáo, thực thi dự án mới. Chính bản thân các chuyên gia tư vấn cũng gặp khó khăn với khối lượng kiến thức và tài liệu phức tạp. Đặc biệt, với các tính năng mới và phức tạp, việc tìm hiểu, cấu hình và triển khai cũng gặp nhiều khó khăn và mất nhiều thời gian.

Tổng hợp các điểm trên ta có thể thấy thách thức lớn nhất mà tổ chức hoặc doanh nghiệp gặp phải đó là thiếu một hệ thống có khả năng tổng hợp các tài liệu chuyên môn và cung cấp tính năng tra cứu thông tin kịp thời, chính xác. Công nghệ tạo sinh dựa trên truy xuất tăng cường 1. Vấn đề với mô hình ngôn ngữ lớn thuần túy Mặc dù các mô hình ngôn ngữ lớn đã đạt được những thành tựu đáng kinh ngạc trong việc xử lý ngôn ngữ tự nhiên, việc sử dụng LLM một cách độc lập vẫn gặp phải ba vấn đề nghiêm trọng: Ảo giác: Ảo giác là hiện tượng LLM sinh ra thông tin không chính xác hoặc hoàn toàn bịa đặt, nhưng lại được trình bày một cách tự tin như thể đó là sự thật. Vấn đề này đặc biệt nghiêm trọng trong các ứng dụng doanh nghiệp, nơi độ chính xác của thông tin là yếu tố sống còn.

Các loại ảo giác phổ biến bao gồm ảo giác về sự kiện khi sinh thông tin sai về sự kiện hoặc số liệu, ảo giác về logic khi đưa ra kết luận không logic từ tiền đề đúng, và ảo giác về trích dẫn khi trích dẫn các nguồn không tồn tại. Giới hạn kiến thức: LLM chỉ có kiến thức đến thời điểm huấn luyện. Điều này có nghĩa là LLM không biết về các sự kiện xảy ra sau thời điểm ngắt kiến thức, không có thông tin về các cập nhật sản phẩm hoặc chính sách mới, và không thể trả lời câu hỏi về dữ liệu thời gian thực. 24 Thiếu kiến thức chuyên ngành: LLM được huấn luyện trên dữ liệu đa mục đích nên có thể thiếu kiến thức sâu về các lĩnh vực chuyên môn như hệ thống ERP, quy định pháp luật đặc thù, hoặc quy trình nội bộ của doanh nghiệp.

Kiến trúc RAG Sinh văn bản tăng cường truy xuất là kỹ thuật được đề xuất bởi Lewis và cộng sự (2020) nhằm khắc phục các hạn chế của LLM thuần túy. Ý tưởng cốt lõi của RAG là bổ sung thông tin từ nguồn dữ liệu bên ngoài vào lời gợi ý trước khi gửi cho LLM.