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

Abstract

Luận văn trình bày chi tiết các bước xây dựng hệ thống chatbot dựa trên nền tảng Rasa, từ việc thu thập dữ liệu huấn luyện, thiết kế và huấn luyện mô hình, đến việc thử nghiệm và triển khai. Hệ thống trả lời tự động này được đánh giá qua nhiều ứng dụng thực tiễn, bao gồm dịch vụ khách hàng, hệ thống chatbot có thể xử lý các câu hỏi phổ biến, tự động hóa các quy trình hỗ trợ khách hàng, giúp giảm tải công việc cho đội ngũ nhân viên, đồng thời nâng cao sự hài lòng của khách hàng nhờ thời gian phản hồi nhanh chóng. Trong giáo dục, chatbot có thể hỗ trợ học tập, trả lời các câu hỏi về nội dung học tập hoặc giải đáp các thắc mắc của sinh viên, từ đó giúp nâng cao hiệu quả học tập và trải nghiệm giáo dục số. Ngoài ra, luận văn cũng đánh giá các thách thức khi phát triển hệ thống chatbot bằng Rasa, chẳng hạn như quản lý hội thoại trong các kịch bản phức tạp, duy trì tính chính xác và cập nhật liên tục dữ liệu huấn luyện để đảm bảo phản hồi luôn phù hợp với ngữ cảnh thực tế. Hệ thống Rasa không chỉ hỗ trợ việc quản lý hội thoại phức tạp mà còn dễ dàng tích hợp với các công cụ và cơ sở dữ liệu hiện có, giúp tăng cường độ chính xác của các phản hồi và đảm bảo rằng hệ thống luôn cập nhật thông tin mới nhất. Một trong những thách thức đáng chú ý khi phát triển hệ thống chatbot là xử lý các lỗi chính tả trong đầu vào của người dùng. Lỗi chính tả có thể dẫn đến sự hiểu lầm về ý định của người dùng, từ đó ảnh hưởng đến chất lượng của phản hồi mà hệ thống chatbot cung cấp. Để giải quyết vấn đề này, luận văn áp dụng mô hình Seq2Seq (sequence-to-sequence) như một giải pháp cơ bản cho việc sửa các lỗi chính tả phổ biến. Việc tích hợp Seq2Seq vào hệ thống Rasa mang lại lợi ích rõ rệt, đặc biệt trong các tình huống mà người dùng thường xuyên nhập sai do nhầm lẫn hoặc tốc độ gõ phím nhanh. Seq2Seq giúp chatbot nhận diện và sửa các lỗi chính tả trước khi phân tích ý định của người dùng, cải thiện quá trình xử lý ngôn ngữ tự nhiên (NLP) của hệ thống. Điều này đảm bảo rằng ngay cả khi người dùng mắc lỗi gõ phím, hệ thống vẫn có thể cung cấp phản hồi phù hợp và chính xác. Kết quả nghiên cứu cho thấy, hệ thống trả lời tự động dựa trên Rasa kết hợp với mô hình Seq2Seq đã cải thiện đáng kể khả năng xử lý ngôn ngữ và phản hồi tự động trong các trường hợp đầu vào chứa lỗi chính tả. Không chỉ giúp tăng cường độ chính xác của hệ thống trong việc nhận diện ý định và quản lý hội thoại phức tạp, mà sự kết hợp này còn mang lại trải nghiệm người dùng tốt hơn nhờ khả năng phản hồi nhanh chóng. Việc áp dụng mô hình Seq2Seq vào chatbot phát triển trên nền tảng Rasa cho thấy tiềm năng lớn trong việc giảm thiểu sai sót do lỗi chính tả, từ đó cải thiện hiệu quả tổng thể của hệ thống.