Việc xây dựng khung kịch bản sẽ huấn luyện và dạy cho bot đưa ra câu trả lời chính xác với mong muốn người dùng.
Hình 35: Khung kịch bản hỏi về sản phẩm
Tuy nhiên, chúng ta không thể xây dựng được hết các kịch bản cho hệ thống. Vì vậy hệ thống chatbot hiện nay ngày càng hoàn thiện, có khả năng tự học, tự phán đoán và đưa ra câu trả lời.
3.4. Kết quả thực nghiệm
Hệ thống chatbot với dữ liệu huấn luyện kịch bản hội thoại, xây dựng các slot, thực thể giúp cho chatbot lấy được thông tin từ phía người dùng. Chatbot xác định ý định người dùng để thông qua các actions đã lập trình thực hiện các hành động như tìm kiếm thông tin sản phẩm, giá sản phẩm, danh sách sản phẩm, chương trình khuyến mại...
thắc mác cùa ban vè
Ai đó cỏ thể hỗ trơ cho tôi
khủng? nhieu? note ' 0 te HGteB `, O ` e Nhiein VU chính của tói là giải đáp những còng ty galaxy Z Iip
galaxy watch active
điện thoại Samsung
Ivi Led Samsung
Giá sản phẩm lá
When you reply, H&T Shop will see your
public info.
Có sản phẩm/dịch vụ nâo hợp
vơi toi khàng?
Giá sản phẩm của bạn là bao
Hình 36: Kết quả kiểm nghiệm
Trên đây là kết quả kiểm nghiệm khi thiết kế một chatbot hỗ trợ bán hàng trên ứng dụng message của Facebook.
3.5. Phân tích và đánh giá
Dữ liệu đào tạo cho bot và các kịch bản xây dựng cho bot là yếu tố quan trọng nhất khi xây dựng chatbot. Đây là hai yếu tố quyết định đến sự thông minh của bot. Việc xây dựng các intent cũng rất quan trọng.
Khi xây dựng các intent nên tránh các trường hợp nhập nhằng và gần nhau về nghĩa bởi điều này sẽ làm giảm độ chính xác của bot.
Hệ thống mới được xây dựng đã phần nào giải quyết được các yêu cầu của bài toán tư vấn bán hàng. Đối với những cuộc hội thoại nằm trong kịch bản dựng sẵn thì bot đáp ứng rất tốt. Vậy nên, vấn đề xây dựng các kịch bản cho bot cũng rất khó khăn vì nó có nhiều trường hợp xảy ra.
Tuy nhiên hệ thống bot cũng còn nhiều mặt hạn chế.
- Hệ thống chỉ thực hiện hỗ trợ giao tiếp bằng văn bản chứ chưa đáp ứng được giao tiếp hội thoại bằng âm thanh.
- Cơ sở trí thức thu được còn hạn chế nên quá trình hội thoại chưa thông suốt, nhiều khi bot đã hiểu sai thông điệp nhận được của người dùng và đưa ra phản hồi trái với mong muốn đó.
Bài khoá luận đã ứng dụng nền tảng mã nguồn mở Rasa, kết hợp với các thuật toán giải quyết các vấn đề trong xây dựng chatbot như phân loại ý định người dùng, trích xuất thông tin, quản lý hội thoạị. Bằng cách sử dụng các hội thoại và giao diện đơn giản, hệ thống đã có thể giao tiếp với người dùng, trả lời những truy vấn của người dùng.
KẾT LUẬN
Bài khoá luận này đã làm rõ một số vấn đề về chatbot cũng như vai trò của chattbot trong quản lý bán hàng. Nội dung của bài khoá luận đã tìm hiểu về một số kiến thức bao gồm cấu trúc và nhiệm vụ của các thành phần trong chatbot, một số thuật toán cơ bản áp dụng vào việc xây dựng chatbot. Dựa vào đó có thể xây dựng một hệ thống chatbot giải quyết các bài toán hỗ trợ người dùng trong nhiều lĩnh vực khác nhau. Quá trình tìm hiểu và xây dựng một hệ thống hỗ trợ quản lý bán hàng đạt được một số kết quả sau:
Thứ nhất, nắm được mô hình, các thành phần cũng như cách thức hoạt động, các bước xử lý của một hệ thống chatbot, một số thuật toán và các phương pháp xử lý
dữ liệu trong chatbot. Từ những kiến thức đó, có thể xây dựng một bot theo bât cứ mô hình nào, phương pháp nào phù hợp tuỳ vào từng yêu cầu của bài toán cụ thể.
Thứ hai là tìm hiểu về vai trò của chatbot trong trải nghiệm khách hàng và hành trình khách hàng. Có thể nói, trải nghiệm khách hàng chính là yếu tố quyết định đến doanh nghiệp bạn có lợi thế cạnh tranh so với đối thủ hay không còn hành trình khách hàng là một trong những yếu tố quan trọng giúp doanh nghiệp theo dõi và chăm sóc khách hàng tốt hơn. Vì vậy, nếu một doanh nghiệp muốn phát triển được thì họ phải đầu tư và xây dựng dịch vụ chăm sóc khách hàng cũng như một hệ thống chatbot hỗ trợ hành trình trải nghiệm khách hàng.
Thứ 3 là khi xây dựng bộ dữ liệu đào tạo, huấn luyện cho chatbot sẽ có những kinh nghiệm trong xử lý và gán nhãn dữ liệu để tránh nhập nhằng từ ngữ. Từ đó, có thể 1xây dựng bộ dữ liệu mang lại độ chính xác cao hơn cho hệ thống.
Thứ 4 là việc áp dụng Rasa vào quá trình xây dựng hệ thống chatbot sẽ tiếp cận được một số phương pháp và thuật toán mới áp dụng cho chatbot.
Cuối cùng là sản phẩm demo sẽ là tiền đề cho sự phát triển một số bot áp dụng cho các bài toán thực tế về các lĩnh vực như y tế, du lịch, giáo dục...
Định hướng nghiên cứu tiếp theo:
> Kết hợp được với các app hoặc website
> Tích hợp hỗ trợ nhận diện giọng nói
> Xây dựng bot mang tính cảm xúc hơn.
TÀI LIỆU THAM KHẢO
[1] H. T. B. Viện Khoa học và Công nghệ Việt Nam và Viện Khoa học và Công nghệ tiên tiến Nhật Bản, “Trí tuệ nhân tạo và chặng đường 50 năm”.
[2] M. B. Open-source Library for Coversational AI (distributed under Apache v2 license), May 29, 2019.
[3] Tom Bocklisch, “Conversational AI with Rasa NLU & Rasa Core,” 2018. [4] B. T. a. S. Y. Matthew Henderson, Word-Based Dialog State Tracking with
Recurrent Neural Networks, 2014.
[5] Victor Zhong,Caiming Xiong, Richard Socher , “Global-LocallySelf-Attentive Dialogue State Tracker,” 2018, pp. 1458 - 1467.
[6] M. N. Dương, “CEMPARTNER,” 17/4/2019. [Trực tuyến]. Available:
https://cempartner.com/vi/cem-partner-blog/ban-do-trai-nghiem-khach-