XÂY DỰNG HỆ THỐNG CHATBOT CHO TRƯỜNG ĐẠI HỌC Y DƯỢC CẦN THƠ

Abstract

Trong bối cảnh trí tuệ nhân tạo (AI) phát triển mạnh mẽ, các hệ thống Chatbot ngày càng trở nên quan trọng và được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau như dịch vụ khách hàng, giáo dục, và chăm sóc sức khỏe. Những hệ thống này không chỉ giúp tối ưu hóa quy trình làm việc, mà còn nâng cao trải nghiệm người dùng bằng cách cung cấp thông tin một cách nhanh chóng và chính xác. Tuy nhiên, mặc dù các mô hình ngôn ngữ lớn (Large Language Models - LLMs) như GPT-3, BERT đã chứng minh được khả năng ấn tượng trong việc xử lý ngôn ngữ tự nhiên, chúng vẫn gặp phải nhiều thách thức đáng kể. Một trong những vấn đề phổ biến nhất là "ảo giác" (hallucination), nơi mà mô hình có thể tạo ra những thông tin không chính xác hoặc không có thật. Bên cạnh đó, kiến thức trong các mô hình này có thể trở nên lỗi thời theo thời gian, và quy trình suy luận mà mô hình thực hiện thường không rõ ràng, gây khó khăn trong việc truy xuất và xác minh nguồn gốc của thông tin. Để khắc phục những hạn chế này, kỹ thuật Retrieval-Augmented Generation (RAG) đã nổi lên như một giải pháp đầy hứa hẹn. RAG không chỉ cải thiện độ chính xác của các câu trả lời mà còn tăng cường độ tin cậy, đặc biệt là trong các tình huống yêu cầu kiến thức chuyên môn sâu rộng hoặc cập nhật thường xuyên. Đây là một kỹ thuật đột phá trong việc phát triển các hệ thống xử lý ngôn ngữ tự nhiên (NLP), đặc biệt là trong lĩnh vực Chatbot, nơi mà tính chính xác và sự liên quan của thông tin là cực kỳ quan trọng. Kỹ thuật RAG hoạt động dựa trên sự kết hợp thông minh giữa hai thành phần chính: truy xuất thông tin và sinh văn bản. Thay vì chỉ dựa vào khả năng sinh văn bản của các mô hình ngôn ngữ lớn để tạo ra câu trả lời, RAG bắt đầu bằng việc sử dụng một mô hình truy xuất để tìm kiếm các đoạn văn bản có liên quan từ một kho dữ liệu lớn và đa dạng. Những đoạn văn bản này sau đó sẽ được đưa vào mô hình ngôn ngữ lớn (LLMs) để tạo ra câu trả lời cuối cùng. Bằng cách kết hợp những thông tin cập nhật và liên quan từ cơ sở dữ liệu bên ngoài với khả năng sinh văn bản mạnh mẽ của LLMs, RAG không chỉ tăng cường độ chính xác mà còn nâng cao tính liên quan của các câu trả lời, làm cho chúng phù hợp hơn với ngữ cảnh của người dùng. Luận văn này đi