XÂY DỰNG KHUNG ỨNG DỤNG AI CHATBOT TRONG LĨNH VỰC QUY CHẾ ĐÀO TẠO

jos.hueuni.edu.vn Tập 131, Số 2A, 2022 43 môn họ c (“Trí tuệ nhân tạo”) và giảng viên. Trong trường hợ p không trích xuất đượ c thêm thông tin ngữ cả nh, hệ thống yêu cầ u người dùng nhậ p thêm vào. (2) Tạo ra câu trả lời (Response generation): Thành phầ n này tạo ra câu trả lời phù hợ p dự a vào chủ đề và ngữ cả nh thông điệp của người dùng. Có ba cách tiếp cậ n chính: Dự a vào mẫu (Pattern-based approach): Phương pháp nà y sẽ so khớp thông điệp đầ u và o với mẫu câu hỏi – đáp để đưa ra câu trả lời tương ứng Mô hình truy hồi (Retrieval-based model approach): Dự a và o chủ đề và ngữ cả nh của thông điệp đầ u và o, hệ thống sẽ đưa ra câu trả lời thích hợ p bằng cách truy vấn và o cơ sở dữ liệu/cơ sở tri thức. Mô hình sinh (Generative-based model approach): Đưa ra câu trả lời gầ n giống cách của con người nhất. Cụ thể, hệ thống sẽ đưa ra câu trả lời dự a và o các thông điệp đầ u và o hiện tại và trước đó. Tuy nhiên, trên thự c tế, cách tiếp cậ n nà y gặp khó khăn trong việc xây dự ng và huấn luyện mô hình vì dữ liệu huấn luyện cầ n phả i rất lớn để có thể đưa ra câu trả lời chính xác. 2.2 Cá ch tiế p cậ n xây dự ng AI chatbot Việc xây dự ng AI chatbot dự a trên framework sẵn có giúp tiết kiệm thời gian và kinh phí rất nhiề u. Hiện tại, Rasa framework [13] có nhiề u ưu điểm hơn một số framework hỗ trợ cho việc xây dự ng AI chatbot như ChatterBot, Dialogflow, Wit.ai và FPT.AI. Thậ t vậ y, Rasa là một khung chatbot mã nguồn mở cho phép tích hợ p và tùy chỉnh các thành phầ n một cách dễ dàng. Ngoài

ra, Rasa hỗ trợ kết nối chương trình với các ứng dụng tin nhắn khác và có thể triển khai trên nhiề u môi trường khác nhau. Rasa có hai thành phầ n chính là Rasa Core và Rasa NLU. Rasa NLU có chức năng phân tích chủ đề /ý đ ịnh và trích xuất ngữ cả nh của thông điệp thông qua các thự c thể. Rasa Core đượ c sử dụng để quả n lý luồng hội thoại (Dialogue Manager), phát biểu (utterance) và hành đ ộng (action). Nói cách khác, Rasa NLU là thành phầ n hiểu/diễn giả i ý đ ịnh của thông điệp đầ u vào và Rasa Core đưa ra phả n hồi (phát biểu/hành đ ộng) tương ứng tại mỗi bước của hội thoại và dự đoán trạng thái tiếp theo dự a vào một mô hình xác suất và tùy thuộc vào chính sách lự a chọn. Rasa Core cung cấp hai loại chính sách: chính sách học máy (Machine learning policy) và chính sách dự a trên luậ t (Rule-based policy): • Chính sách học máy: o Chính sách TED (Transformer Embedding Dialogue policy): Chính sách này kết hợ p các đặc trưng đầ u vào ngư ời sử dụng (input user), hành đ ộng trước đó của hệ thống (system