LuanVan.vnLuận Văn
Gửi thư

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

Khoá luận tốt nghiệp · Đại học · năm 2024 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảNgô Thanh Phương
Người hướng dẫnĐỗ Thanh Nghị
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2024
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

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
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.