Bỏ qua nội dung
Thế giới

Tự học và làm em Chatbot AI biết nói chuyện của tôi :)

  • adminA

    Câu chuyện của tôi là thời đại mang hơi thở của AI, và tôi là 1 LTV chỉ nằm ngoài lề cũng bị lôi kéo vào vòng xoáy AI này.

    Tôi đã chọn làm một em Chatbot đơn giản nhất, dễ làm & dễ chơi để phục vụ tốt cho công việc cá nhân của mình.

    Chatbot bây giờ đã là 1 phần không thể thiếu cho mọi Website, mà nói đến website thì giờ này nó đã vươn tới tầm tự động hoá hết rồi.

    Ví như: Hướng dẫn cho khách hàng thao tác sử dụng website, tự động mua sắm theo ý thích hay trả lời khách hàng bằng giọng nói thực...

    Tuyệt vời phải không các bạn!

    Nếu các bạn đang nghiên cứu về AI và làm tự động hoá sẽ thấy WEB không còn "đứng im" nữa. Hãy thử cùng mình tạo thử 1 em chatbot thông minh tự động trả lời khách hàng và giúp khách hàng hiểu sâu về website như lập báo giá, gửi email báo giá và nói chuyện như 1 em AI thực thụ nhé :)

    Bây giờ mình sẽ đi vào chi tiết cụ thể em AI mình tạo ra.

    Làm gì thì làm cũng phải đi ngủ cái đã.

    0

    Bài liên quan

    • bcnB
      bcn
      Thời AI mà không tận dụng thì hơi phí rồ...

      Thời AI mà không tận dụng thì hơi phí rồi các bác, mình mới lụm được bí kíp sửa ảnh mà chưa thử, có bác nào thử rồi cho xin review cái nha 😎🧐😝

      1 Phản hồi 0 Yêu thích 4 Đã xem
    • adminA

      Nhiều doanh nghiệp vẫn thường nhầm lẫn giữa Chatbot truyền thống và tác nhân trí tuệ nhân tạo AI Agent.

      Sự thật là hai công nghệ này có sự khác biệt rất lớn về mặt tư duy, khả năng xử lý vấn đề và giá trị mang lại cho mô hình kinh doanh.

      Bài viết này sẽ phân tích chi tiết bản chất công nghệ để giúp bạn hiểu tại sao AI Agent từ YenAI.vn lại tạo nên bước ngoặt lớn.

      Chatbot kịch bản truyền thống (Rule-based Chatbot)

      Chatbot thông thường hoạt động dựa trên cây kịch bản cố định do con người thiết lập sẵn.

      Nếu khách hàng đặt câu hỏi nằm ngoài danh sách từ khóa, chatbot lập tức đơ cứng hoặc trả lời ngô nghê, gây ức chế cho người dùng.

      AI Agent của YenAI – Sức mạnh suy luận và tự thực thi

      AI Agent sử dụng mô hình ngôn ngữ lớn để suy luận mục đích thực sự của câu hỏi.

      Trợ lý này có thể tự truy vấn cơ sở dữ liệu nội bộ, kết nối API để xử lý tác vụ phức tạp và tự học hỏi qua từng ca tương tác mà không cần lập trình lại kịch bản.

      Bảng so sánh trực quan giữa Chatbot và AI Agent

      AI Agent vượt trội hoàn toàn về khả năng xử lý ngôn ngữ tự nhiên, tính linh hoạt và tỷ lệ chốt đơn tự động thành công.

      1 Phản hồi 0 Yêu thích 1 Đã xem
    • adminA

      Khung cảnh thiên nhiên kỳ vĩ của Thung lũng các vị Thần (Valley of the Gods) tại tiểu bang Utah, Mỹ vừa được ghi lại trọn vẹn trong một đoạn video ngắn, thu hút sự chú ý lớn từ công chúng. Điểm nhấn ấn tượng của thước phim là khoảnh khắc góc máy từ trên cao bay lướt qua những ngọn núi sa thạch đỏ rực, hướng thẳng về phía một cầu vồng đôi tuyệt đẹp xuất hiện hiếm hoi giữa sa mạc.

      Theo thông tin từ National Geographic Travel, đây là một phần hình ảnh thuộc loạt phim tài liệu thiên nhiên "Earth Moods", hiện đang được phát sóng trên nền tảng Disney+. Khu vực Thung lũng các vị Thần vốn nổi tiếng với địa hình hoang sơ, đặc trưng bởi những cột đá sa thạch khổng lồ mang hình thù độc đáo do quá trình kiến tạo địa chất và xói mòn tạo nên qua hàng triệu năm.

      Sự xuất hiện của cầu vồng đôi trong một không gian vốn khô cằn tạo ra hiệu ứng thị giác tương phản mạnh mẽ. Hình ảnh này không chỉ mang đến trải nghiệm mãn nhãn cho người xem, mà còn gửi gắm thông điệp sâu sắc về vẻ đẹp tráng lệ của Trái Đất, qua đó khơi dậy ý thức trân trọng và bảo vệ thiên nhiên.

      1 Phản hồi 0 Yêu thích 1 Đã xem
    • adminA

      Trận đối đầu nghẹt thở giữa Đặc vụ Giang Đặc Lỗ và thủ lĩnh băng đảng Ác tăng Lăng Sâm được giới chuyên môn đánh giá là một trong những màn giao đấu kinh điển nhất lịch sử điện ảnh hành động. Dưới góc độ chuyên môn, bài viết này sẽ phân tích các chiêu thức võ thuật đỉnh cao được hai cao thủ phô diễn, mang đến cho độc giả một cái nhìn cận cảnh về sự giao thoa võ học giữa các hệ phái từ Á sang Mỹ.

      Sức mạnh áp đảo từ Báo Hình Quyền Thiếu Lâm và Capoeira

      Mở đầu trận đấu, nhân vật Ác tăng nhanh chóng áp đặt thế trận bằng lối đánh dũng mãnh, tàn bạo. Phân tích hình ảnh cận cảnh cho thấy đấu sĩ này sử dụng nhuần nhuyễn hai trường phái võ thuật có tính sát thương cực cao: Báo Hình Quyền (thuộc ngũ hình quyền Thiếu Lâm) và các đòn chân biến ảo của Capoeira (nghệ thuật chiến đấu của Brazil).

      Với thể hình vạm vỡ cùng các hình xăm kín vai, Ác tăng tung ra những đòn tấn công dồn dập như "Thủ đao hoành trảm" (chém cạnh tay ngang), "Hạ tạp khuỷu" (đập khuỷu tay xuống) và liên tục dồn ép đối thủ bằng "Phi báo dược kích" (hổ báo vồ mồi). Sự kết hợp giữa bộ pháp di chuyển linh hoạt của Capoeira và những cú đá uy lực như "720 độ xoay người hạ tích tỳ" (đá chẻ xoay hai vòng) đã hoàn toàn áp chế đặc vụ Giang Đặc Lỗ trong hiệp một.

      Nhân vật

      Hệ phái chủ đạo

      Chiêu thức đặc trưng xuất hiện trong video

      Ác tăng (Lăng Sâm)

      Báo Hình Quyền Thiếu Lâm, Capoeira

      Thủ đao hoành trảm, Phi báo dược kích, 720° xoay người hạ tích tỳ, Đơn thủ san địa đảo câu thích

      Giang Đặc Lỗ

      Muay Thai (Bát Tý Quyền)

      Nghi thức Wai Kru, Phản đỉnh khuỷu, Tằng không chuyển thân hậu sái, Điện bộ trắc sái

      Cú lội ngược dòng ngoạn mục bằng Bát Tý Quyền Muay Thai

      Sau khi bị đánh gục và phải rút lui, Đặc vụ Giang Đặc Lỗ đã có màn tái xuất đầy ấn tượng. Chi tiết đắt giá nhất chính là việc anh thực hiện các động tác tay kỳ lạ trước khi bước vào hiệp hai. Đây chính là nghi thức cổ truyền Wai Kru Ram Muay của các võ sĩ Muay Thai nhằm ổn định tâm lý và thể hiện sự tôn kính với sư phụ.

      Khi bước vào trận tái đấu với tinh thần nghiêm túc, Giang Đặc Lỗ đã kích hoạt hoàn toàn sức mạnh của "Bát Tý Quyền" (nghệ thuật sử dụng 8 bộ phận tấn công của Muay Thai bao gồm hai tay, hai chân, hai chỏ và hai gối). Anh liên tục hóa giải các đòn đấm của Ác tăng bằng kỹ thuật parry (gạt đòn) liên hoàn, trước khi phản công sấm sét bằng cú "Phản đỉnh khuỷu" (đánh chỏ ngược) cực hiểm hóc vào cằm đối thủ. Trận đấu khép lại bằng cú dứt điểm "Điện bộ trắc sái" (bước đệm đá tống ngang) dũng mãnh, khiến Ác tăng hoàn toàn đo ván và vỡ vụn hòm gỗ phía sau. Đây xứng đáng là một bài học mẫu mực về chiến thuật lội ngược dòng trong thực chiến võ thuật.

      1 Phản hồi 0 Yêu thích 2 Đã xem
    • adminA

      Chỉ sau 24 giờ, teaser đầu tiên của Hộ Linh Tráng Sĩ đã trở thành một trong những chủ đề thảo luận thịnh hành.👏🏻🥳

      1 Phản hồi 0 Yêu thích 3 Đã xem
    • buctuong2000B

      Mình vừa nắm được một thông tin khá hay ho từ Cloudflare: họ đã giới thiệu Moltworker. Về cơ bản, Moltworker là một triển khai mã nguồn mở, cho phép chạy Moltbot – một AI agent cá nhân tự host – trên nền tảng Cloudflare Developer Platform. Cái hay ở đây là nó loại bỏ hoàn toàn nhu cầu về phần cứng cục bộ chuyên dụng. Moltbot, trước đây là Clawdbot, được thiết kế để hoạt động như một trợ lý cá nhân thông qua các ứng dụng chat, tích hợp với các mô hình AI, trình duyệt và công cụ bên thứ ba, đồng thời vẫn giữ quyền kiểm soát cho người dùng. Đây là một bước tiến đáng kể, giải quyết bài toán hiệu suất và quản lý hạ tầng cho những ai muốn chạy AI agent riêng mà không muốn bận tâm đến việc duy trì máy chủ.

      Về mặt kiến trúc, Moltworker chuyển thể Moltbot lên Cloudflare Workers bằng cách kết hợp một Worker khởi điểm (entrypoint Worker) với các container Sandbox được cô lập. Worker này đóng vai trò như một bộ định tuyến API và lớp quản trị, trong khi runtime của Moltbot và các tích hợp của nó sẽ chạy bên trong Sandbox. Dữ liệu trạng thái bền vững, bao gồm bộ nhớ hội thoại và dữ liệu phiên, được lưu trữ trên Cloudflare R2, giải quyết triệt để tính chất nhất thời của các container. Đây là một giải pháp thanh lịch để đảm bảo dữ liệu không bị mất mát giữa các lần gọi Worker.

      Tối Ưu Hóa & Tích Hợp Hệ Sinh Thái Cloudflare
      Việc triển khai Moltworker tận dụng các cải tiến gần đây trong khả năng tương thích Node.js trong Cloudflare Workers. Cloudflare nhận định rằng việc hỗ trợ native tốt hơn cho các API của Node.js giúp giảm nhu cầu về các giải pháp “chữa cháy” (workarounds), cho phép nhiều gói npm chạy mà không cần sửa đổi. Mặc dù Moltbot chủ yếu hoạt động trong các container, Cloudflare tin rằng khả năng tương thích cao hơn này sẽ cho phép logic agent chuyển dịch gần hơn đến “edge” trong các thiết kế tương lai, hứa hẹn giảm độ trễ và tăng hiệu suất.

      Moltworker tích hợp một loạt các dịch vụ của Cloudflare để tái tạo và mở rộng trải nghiệm Moltbot cục bộ. Các yêu cầu AI được định tuyến qua Cloudflare AI Gateway, hỗ trợ nhiều nhà cung cấp mô hình, khả năng quan sát tập trung và các tùy chọn linh hoạt. Các tác vụ tự động hóa trình duyệt được xử lý thông qua Cloudflare Browser Rendering, cho phép Moltbot điều khiển các phiên bản Chromium không đầu (headless) để điều hướng, điền biểu mẫu và thu thập nội dung mà không cần chạy trình duyệt trực tiếp trong container – một giải pháp cực kỳ hiệu quả về tài nguyên. Cuối cùng, xác thực cho các API và giao diện Admin UI được thực thi bằng Cloudflare Zero Trust Access, đảm bảo an ninh.

      Dự án này đã thu hút nhiều phản ứng trái chiều từ những người dùng đầu tiên. Một số người xem cách tiếp cận được host bởi Cloudflare là một giải pháp giảm rào cản gia nhập đáng kể. Peter Choi nhận xét rằng việc chạy Moltbot trên Cloudflare có thể mở rộng đáng kể sự chấp nhận, nhưng cũng đặt câu hỏi liệu sự thay đổi này có làm mất đi sức hấp dẫn ban đầu của dự án, vốn nhấn mạnh vào quyền kiểm soát cục bộ hoàn toàn.

      Một người dùng khác lại nêu bật những lợi ích vận hành:

      "Tôi đã tự host trên một VPS, nó hoạt động tốt, nhưng việc quản lý cái hộp đó thật là một cực hình. Cái này trông giống như phiên bản 'thiết lập một lần và quên nó đi'. Tôi tò mò về cách duy trì trạng thái hoạt động trên các lần gọi worker."

      Cloudflare đã mở mã nguồn Moltworker trên GitHub và định vị nó như một bằng chứng về khái niệm (proof of concept) chứ không phải là một sản phẩm được hỗ trợ chính thức. Công ty mô tả dự án như một minh chứng về cách nền tảng Developer Platform của họ—kết hợp Workers, Sandboxes, AI Gateway, Browser Rendering và các dịch vụ lưu trữ—có thể được sử dụng để chạy các AI agent một cách an toàn và ở quy mô lớn tại edge.

      1 Phản hồi 0 Yêu thích 10 Đã xem
    • adminA

      Khám phá Stitch AI, công cụ miễn phí mới của Google giúp bạn tạo giao diện người dùng (UI) đẹp mắt cho ứng dụng di động và web chỉ với một cú nhấp chuột. Bài viết này sẽ hướng dẫn cách sử dụng Stitch AI, từ việc đưa ra mô tả ý tưởng đến nhận về thiết kế hoàn chỉnh, cùng với các ví dụ thực tế và khả năng tùy chỉnh. Một giải pháp tuyệt vời cho mọi nhà phát triển và designer.

      Bạn có bao giờ mơ ước tạo ra một giao diện ứng dụng (UI) đẹp mắt, chuyên nghiệp chỉ trong tích tắc mà không cần tốn một xu nào không? Nếu có, thì bạn sắp được chứng kiến điều kỳ diệu rồi đấy! Hôm nay, mình sẽ giới thiệu một công cụ AI đến từ Google mang tên Stitch AI, hứa hẹn sẽ thay đổi hoàn toàn cách chúng ta thiết kế UI. Đây là một công cụ miễn phí, cho phép bạn tạo UI cho cả ứng dụng di động và ứng dụng web chỉ với một cú nhấp chuột. Nghe hấp dẫn đúng không? Cùng mình tìm hiểu chi tiết nhé!

      Stitch AI là gì và tại sao bạn cần nó?

      Đơn giản mà nói, Stitch AI là một công cụ trí tuệ nhân tạo đột phá của Google, được thiết kế để tự động hóa quá trình tạo ra giao diện người dùng. Thay vì phải mất hàng giờ đồng hồ phác thảo, thiết kế thủ công, bạn chỉ cần mô tả ý tưởng của mình bằng văn bản, và Stitch AI sẽ biến nó thành hiện thực. Dù bạn là nhà phát triển, designer, hay thậm chí là một người không chuyên nhưng muốn thử sức, Stitch AI đều có thể giúp bạn tiết kiệm thời gian và công sức một cách đáng kể.

      Bắt đầu với Stitch AI: Hướng dẫn chi tiết từng bước

      Việc sử dụng Stitch AI cực kỳ đơn giản. Hãy làm theo các bước sau:

      Truy cập website: Đầu tiên, bạn cần ghé thăm trang chủ của Stitch AI. Bạn có thể truy cập ngay qua địa chỉ này: bit.ly/stitch-ai.

      Đăng ký tài khoản: Bạn sẽ cần đăng ký một tài khoản mới. Cách nhanh nhất và tiện lợi nhất là sử dụng tài khoản Google của bạn.

      Mô tả ý tưởng của bạn: Đây là lúc "phép thuật" bắt đầu! Tại trang chính, bạn sẽ thấy một ô nhập liệu. Hãy mô tả càng chi tiết càng tốt về giao diện bạn muốn thiết kế. Ví dụ: "một ứng dụng nghe nhạc trực tuyến", "một trang chủ cho website bán hàng thời trang", hoặc "một bảng điều khiển quản lý nhân sự".

      Tạo thiết kế: Sau khi nhập mô tả, chỉ cần nhấp vào nút "Generate design".
      Nhận thành quả: AI sẽ làm việc và trong tích tắc, bạn sẽ có ngay một bản thiết kế UI hoàn chỉnh. Điều tuyệt vời là bạn có thể ngay lập tức sao chép mã nguồn, tải xuống, hoặc thậm chí nhập thẳng vào Figma để chỉnh sửa thêm.

      Thực tế Stitch AI làm được những gì?

      Để bạn dễ hình dung hơn, mình đã thử nghiệm Stitch AI với vài yêu cầu khác nhau, và kết quả thực sự rất ấn tượng:

      1. Ứng dụng xem phim (Movie Streaming App)

      Mình đã yêu cầu Stitch AI tạo UI cho một "ứng dụng xem phim". Ngay lập tức, AI đã đưa ra một bộ giao diện bao gồm:

      Trang chủ (Homepage): Hiển thị các bộ phim nổi bật, gợi ý cho người dùng.
      Trang tìm kiếm (Search Page): Với ô tìm kiếm và các danh mục phim để dễ dàng duyệt qua.

      Trang thư viện (Library Page): Nơi chứa các phim yêu thích hoặc đã lưu.
      Trang phát nhạc/phim (Music Player Page): Giao diện phát phim chuyên nghiệp, đầy đủ các nút điều khiển.

      Toàn bộ thiết kế đều rất trực quan và có tính thẩm mỹ cao, đúng như những gì một ứng dụng xem phim hiện đại cần có.

      2. Ứng dụng nghe nhạc trực tuyến (Music Streaming App)

      Tiếp theo, mình thử thách Stitch AI với yêu cầu "một ứng dụng nghe nhạc trực tuyến". Kết quả là một trang tìm kiếm với ô tìm kiếm rõ ràng và các hình ảnh thu nhỏ (thumbnails) cho từng danh mục hoặc thể loại nhạc.

      Điều đáng ngạc nhiên là toàn bộ thiết kế này trông rất quen thuộc, phải nói là cực kỳ giống với giao diện của Spotify! Từ cách sắp xếp các thumbnail cho đến bố cục chung, tất cả đều gợi nhớ đến ứng dụng nghe nhạc phổ biến này. Điều này cho thấy AI có khả năng học hỏi và tái tạo các mẫu thiết kế thành công hiện có.

      3. Bảng điều khiển phản hồi nhân viên (Employee Feedback Dashboard)

      Cuối cùng, mình yêu cầu một "bảng điều khiển phản hồi nhân viên". Và như mọi khi, Stitch AI đã tạo ra một giao diện dashboard khá ấn tượng, sạch sẽ và dễ nhìn. Nó có đủ các yếu tố cần thiết để quản lý và hiển thị thông tin phản hồi một cách hiệu quả.

      Tùy chỉnh thiết kế theo ý muốn

      Không chỉ dừng lại ở việc tạo ra UI, Stitch AI còn cho phép bạn tùy chỉnh thiết kế dễ dàng. Bạn có thể:

      Nhấp vào tùy chọn "Edit theme" để thay đổi bảng màu (color scheme), độ cong góc (corner radius), phông chữ (font) và nhiều yếu tố khác.

      Nếu bạn muốn thực hiện các thay đổi cụ thể hơn, bạn thậm chí có thể yêu cầu AI làm điều đó. Chỉ cần mô tả sự thay đổi bạn muốn, và AI sẽ cố gắng điều chỉnh thiết kế cho bạn.

      Kết luận: Stitch AI có đáng để thử?

      Với khả năng tạo UI nhanh chóng, dễ dàng, và đặc biệt là MIỄN PHÍ, Stitch AI của Google thực sự là một "cơn địa chấn" trong giới thiết kế và phát triển. Dù bạn là ai, nếu đang tìm kiếm một công cụ để hiện thực hóa ý tưởng giao diện của mình một cách nhanh nhất, hiệu quả nhất, thì đừng chần chừ gì nữa mà hãy thử ngay Stitch AI. Mình tin chắc bạn sẽ không thất vọng đâu!

      Hãy chia sẻ trải nghiệm của bạn với Stitch AI ở phần bình luận bên dưới nhé!

      1 Phản hồi 0 Yêu thích 19 Đã xem
    • adminA

      Như các bạn đã biết, Chatbot là một chương trình kết hợp với trí tuệ nhân tạo (AI) để tương tác với con người. Công cụ này có thể thay thế cho nhân viên tư vấn hoặc trả lời những thắc mắc của khách hàng.

      Nó không chỉ là công cụ trợ giúp bán hàng hoạt động 24/7. Mà Chatbot còn cập nhật liên tục, giúp bạn không bỏ sót đơn hàng nào của khách.

      Train mô hình chatbot bằng Machine Learning (Deep Learning) như thế nào?

      Việc huấn luyện một mô hình chatbot bằng Python có thể thực hiện bằng nhiều cách khác nhau, tùy thuộc vào độ phức tạp và dữ liệu mà bạn muốn sử dụng. Dưới đây là hướng dẫn từng bước của team FastCloud để các bạn có thể train một con chatbot từ cơ bản đến nâng cao.

      1. Chọn phương pháp huấn luyện

      Có 3 phương pháp chính để train một chatbot:

      Dựa trên rule-based (kịch bản có sẵn) – Dùng các câu trả lời cố định.

      Dựa trên machine learning truyền thống – Dùng mô hình NLP như TF-IDF hoặc seq2seq.

      Dựa trên deep learning – Dùng mô hình transformer như GPT hoặc LLaMA.

      2. Chuẩn bị môi trường và cài đặt thư viện

      Trước tiên, bạn cần cài đặt các thư viện quan trọng:

      NLTK: Xử lý ngôn ngữ tự nhiên.

      Transformers: Sử dụng mô hình ngôn ngữ mạnh như GPT.

      Quá trình thực hiện:

      1️⃣ Thu thập dữ liệu hội thoại

      Ví dụ file intents.json:

      {
    "intents": [
        {
            "tag": "chào hỏi",
            "patterns": ["Xin chào", "Chào bạn", "Hello"],
            "responses": ["Chào bạn!", "Xin chào, tôi có thể giúp gì?", "Hello!"]
        },
        {
            "tag": "tạm biệt",
            "patterns": ["Tạm biệt", "Bye", "Hẹn gặp lại"],
            "responses": ["Tạm biệt nhé!", "Hẹn gặp lại!", "Bye bye!"]
        }
    ]
}

      2️⃣ Tiền xử lý dữ liệu

      Mục tiêu: Biến văn bản thành dạng có thể dùng để train mô hình (Bag of Words).

      📌 Các bước:

      ✅ Tokenize (tách từ)
      ✅ Lemmatize (chuẩn hóa từ)
      ✅ Chuyển đổi sang dạng vector

      Cài đặt thư viện:

      pip install numpy nltk tensorflow

      Code tiền xử lý dữ liệu:

      import json
import random
import numpy as np
import nltk
from nltk.stem import WordNetLemmatizer

# Khởi tạo lemmatizer để chuẩn hóa từ
lemmatizer = WordNetLemmatizer()

# Load dữ liệu hội thoại từ JSON
with open("intents.json", "r", encoding="utf-8") as file:
    intents = json.load(file)

words = []
classes = []
documents = []
ignore_words = ["?", "!", ".", ","]

# Xử lý dữ liệu đầu vào
for intent in intents["intents"]:
    for pattern in intent["patterns"]:
        word_list = nltk.word_tokenize(pattern)  # Tokenize
        words.extend(word_list)
        documents.append((word_list, intent["tag"]))
        if intent["tag"] not in classes:
            classes.append(intent["tag"])

# Chuẩn hóa từ (lemmatization)
words = [lemmatizer.lemmatize(w.lower()) for w in words if w not in ignore_words]
words = sorted(list(set(words)))
classes = sorted(list(set(classes)))

print("Từ vựng:", words)
print("Nhóm hội thoại:", classes)

      3️⃣ Chuyển đổi dữ liệu thành vector

      Chúng ta tạo Bag of Words (BOW) để biểu diễn câu bằng số.

      # Tạo dữ liệu huấn luyện
training = []
output_empty = [0] * len(classes)

for doc in documents:
    bag = []
    word_patterns = doc[0]
    word_patterns = [lemmatizer.lemmatize(word.lower()) for word in word_patterns]

    for w in words:
        bag.append(1) if w in word_patterns else bag.append(0)

    output_row = list(output_empty)
    output_row[classes.index(doc[1])] = 1
    training.append([bag, output_row])

# Chuyển đổi sang mảng NumPy
random.shuffle(training)
training = np.array(training, dtype=object)

train_x = np.array(list(training[:, 0]))  # Input (BOW)
train_y = np.array(list(training[:, 1]))  # Output (Nhóm hội thoại)

print("Dữ liệu đầu vào:", train_x)
print("Dữ liệu đầu ra:", train_y)

      4️⃣ Xây dựng mô hình Deep Learning

      Chúng ta sử dụng TensorFlow/Keras để xây dựng mạng Neural Network.

      from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout
from tensorflow.keras.optimizers import SGD

# Xây dựng mô hình Deep Learning
model = Sequential()
model.add(Dense(128, input_shape=(len(train_x[0]),), activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(64, activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(len(train_y[0]), activation="softmax"))

# Biên dịch mô hình
sgd = SGD(learning_rate=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss="categorical_crossentropy", optimizer=sgd, metrics=["accuracy"])

# Train mô hình
model.fit(train_x, train_y, epochs=200, batch_size=5, verbose=1)

# Lưu mô hình đã train
model.save("chatbot_model.h5")
print("Mô hình đã được lưu!")

      5️⃣ Triển khai chatbot

      Sau khi train xong, chúng ta có thể sử dụng mô hình để phản hồi tin nhắn.

      import json
import numpy as np
import nltk
import tensorflow as tf
from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()
with open("intents.json", "r", encoding="utf-8") as file:
    intents = json.load(file)

# Load mô hình đã train
model = tf.keras.models.load_model("chatbot_model.h5")

# Hàm xử lý đầu vào
def clean_up_sentence(sentence):
    sentence_words = nltk.word_tokenize(sentence)
    sentence_words = [lemmatizer.lemmatize(word.lower()) for word in sentence_words]
    return sentence_words

def bag_of_words(sentence, words):
    sentence_words = clean_up_sentence(sentence)
    bag = [0] * len(words)
    for s in sentence_words:
        for i, w in enumerate(words):
            if w == s:
                bag[i] = 1
    return np.array(bag)

def predict_class(sentence):
    bow = bag_of_words(sentence, words)
    res = model.predict(np.array([bow]))[0]
    ERROR_THRESHOLD = 0.25
    results = [[i, r] for i, r in enumerate(res) if r > ERROR_THRESHOLD]
    results.sort(key=lambda x: x[1], reverse=True)
    return classes[results[0][0]] if results else "unknown"

def get_response(tag):
    for intent in intents["intents"]:
        if intent["tag"] == tag:
            return random.choice(intent["responses"])
    return "Xin lỗi, tôi không hiểu."

# Chạy chatbot
print("Chatbot đã sẵn sàng! Nhập 'quit' để thoát.")
while True:
    message = input("Bạn: ")
    if message.lower() == "quit":
        break
    tag = predict_class(message)
    response = get_response(tag)
    print(f"Bot: {response}")

      🎯 Tổng kết

      ✅ Thu thập dữ liệu (intents.json)
      ✅ Tiền xử lý dữ liệu (Tokenize, Lemmatize, Bag of Words)
      ✅ Xây dựng mô hình Deep Learning (Neural Network với TensorFlow)
      ✅ Train mô hình
      ✅ Triển khai chatbot

      1 Phản hồi 0 Yêu thích 303 Đã xem
  • S

    Làm tút hướng dẫn làm chatbot đi bác

    0
  • adminA

    Các bước làm Chatbot siêu dễ thương của mình là như sau ạ

    Tuy là lần đầu tiên làm chatbot nhưng vụ này mình muốn làm từ lâu rồi, còn hồi trên ghế nhà trường đã muốn làm 1 con để phục vụ riêng cho mình, và bây giờ nhờ có các công cụ như ChatGPT, Gemini mà mình có thể thực hiện hoá ý tưởng của mình được. Tuy là chưa được xịn nhưng mình sẽ cải tiến nó dần dần.

    Bước 1/ Lên ý tưởng:

    • Học hành: Con bot nó phải học được nội dung website của mình, hoặc bất kỳ website nào khác.
    • Tiếp tục học: Ngoài ra nó có thể học luôn các tài liệu văn bản như PDF, Doc,...

    ===> Nói chung con bot nó phải thông minh hơn mình là chắc chắn rồi, với cả nó cần phải có kiến thức chuyên sâu về một vài lĩnh vực mà mình muốn nó phục vụ. Để sau này có gì cần hỏi thì nó sẵn sàng trả lời và đưa cho mình những giải pháp tốt nhất.

    Bước 2/ Nền tảng

    • Bắt đầu học: Python (làm API), Cơ Sở Dữ Liệu (lưu những thông tin cơ bản như tài khoản), HTML5 + CSS3 (làm giao diện Chatbot), Javascript (Điều khiển mấy thứ linh tinh), Angular (làm giao diện Chatbot). Học đúng trọng tâm thôi, lan man biết nhiều chỉ tổ dễ bị tẩu hoả nhập ma.
    • Công cụ: ChatGPT (để hỏi), Gemini (để lấy Key làm việc với LLM), LLM (Large Language Model mô hình ngôn ngữ giải quyết mọi câu hỏi của mình)
    • Cơ sở vật chất: Máy tính bàn, Card đồ hoạ (không có card rồi thì nghỉ chơi luôn),...

    ===> Dù là chưa biết gì về lập trình nhưng những vấn đề mình vạch ra đều có thể giải quyết được. Các ngôn ngữ lập trình này đều rất phổ thông và có thể tìm tài liệu học dễ dàng. Không lạm dụng ChatGPT để giải quyết hoàn toàn công việc của mình.

    Bước 3/ Cài đặt

    • Hệ điều hành: Linux hoặc Windows (mình chọn Win vì nó thân thiện)
    • Phần mềm: Cài python 3.12 mới xíu cho đỡ lạc hậu, Cài Angular CLI (thực ra thì mình thích dùng Angular hơn mấy cái React, Vue,... nên mình chọn nó để làm Web app, sau này có thể làm luôn Desktop App nếu thích). Cài MongoDB để làm CSDL, HTML CSS và Javascript thì không cần cài gì vì trình duyệt tự đọc tự hiểu được rồi. Cài Visual Studio để gõ code, ngoài ra còn 1 số thứ linh tinh cần dùng tới Terminal (Command Prompt, Power ...) của Windows.
    • Phần cứng: Chạy ra tiệm mua con máy bàn cấu hình kha khá chút, nhớ mua kèm 1 em card đồ hoạ cũ cũng được nhưng không có thì hơi phiền á, còn không có thì thôi dùng Chip xử lý thay Card đồ hoạ rời cũng được.

    Bước 4/ Vừa học vừa hành

    • Không dễ chút nào: Đầu tiên là việc cài đặt cho đủ các phần mềm, các thư viện Python cần thiết. Nhưng mãi cũng xong thôi.
    • Chương trình đầu tiên: Không phải Hello World như học trên ghế nhà trường đâu, nó có ti tỉ thứ cần phải nói Helllo đó.
    • Hình thành đầu tiên: Đầu tiên mình thử phát triển với 1 file python trước, mình đặt tên cho nó là bot.py và bắt đầu viết những dòng code đầu tiên.

    ===> Những giai đoạn tiếp theo mới thực sự gian nan và vất vả, mình sẽ viết tiếp trong ngày kế nhé. Anh em nào quan tâm thì Comment dưới để cùng mình trao đổi tiếp nhé.

    Làm gì thì làm cũng phải đi ngủ cái đã.

    0
Cafe Buổi Sáng
3 2 259 2

Bản quyền 2026 © Type