Bỏ qua nội dung
Thế giới

Khung cảnh thiên nhiên kỳ vĩ của Thung lũng các vị Thần (Valley of the Gods) tại tiểu bang Utah

  • 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.

    Làm gì thì làm cũng phải đi ngủ cái đã.

    0

    Bài liên quan

    • adminA
      Gemini 3.8 Flash uy tín hết cỡ của nhà G...

      Gemini 3.8 Flash uy tín hết cỡ của nhà Google DeepMind

      Google DeepMind vừa chính thức công bố Model Card cho Gemini 3.8 Flash (tháng 9/2026) – thế hệ mô hình AI tiếp nối dòng Gemini 3 với trọng tâm tối ưu hóa vượt bậc cho tác vụ lập trình phần mềm và quy trình làm việc tự động (agentic workflows). Đáng chú ý, mô hình sở hữu mức giá ra mắt cực kỳ dễ tiếp cận: 0,75 USD/triệu token đầu vào và 3,75 USD/triệu token đầu ra, mang lại tỷ lệ hiệu năng trên chi phí áp đảo trong phân khúc mô hình AI tốc độ cao.

      Được kế thừa và phát triển từ nền tảng Gemini 3.7 Flash, phiên bản 3.8 Flash duy trì cửa sổ ngữ cảnh khổng lồ lên tới 1 triệu token đa phương thức (nhận diện đồng thời văn bản, hình ảnh, âm thanh và video) cùng khả năng phản hồi tối đa 64.000 token văn bản. Điểm nhấn công nghệ cốt lõi là cơ chế cho phép người dùng tùy chỉnh mức độ nỗ lực suy luận (effort levels), giúp lập trình viên và doanh nghiệp linh hoạt làm chủ sự cân bằng giữa chất lượng lời giải, chi phí và độ trễ theo từng bài toán cụ thể.

      Bảng kết quả thử nghiệm thực tế cho thấy Gemini 3.8 Flash có bước nhảy vọt đáng nể về năng lực kỹ thuật và giải quyết vấn đề. Ở bài kiểm tra kỹ thuật phần mềm dài hạn DeepSWE v1.1, mô hình đạt 73,7% (bứt phá mạnh từ 65,3% của bản 3.7 Flash và bám sát nút mức 74,0% của Claude Opus 5 dù chi phí rẻ hơn nhiều lần). Khả năng thao tác dòng lệnh tự động (Terminal-bench 2.1) đạt 89,4%, vượt qua hàng loạt đối thủ như GPT-5.6 Sol (88,8%) và Claude Sonnet 5 (80,4%). Ở các tác vụ chuyên ngành phức tạp như phân tích tài chính (Vals Finance Agent v2 đạt 61,4%), pháp lý (Harvey’s Legal Agent đạt 10,0%) hay nghiên cứu sinh học (LABBench2 đạt 86,2%), Gemini 3.8 Flash đều xác lập điểm số vượt trội so với các mô hình cùng thế hệ.

      Về năng lực đa phương tiện và tự động hóa hệ thống, Gemini 3.8 Flash tiếp tục duy trì ưu thế vượt trội với khả năng phân tích video dài LVBench đạt 87,8% (chế độ agent) và suy luận biểu đồ phức tạp CharXiv Reasoning đạt 86,2%. Khả năng điều khiển môi trường máy tính thực tế qua OSWorld-2.0 được nâng lên 59,0% (tăng từ 50,6% ở bản tiền nhiệm), mở ra tiềm năng lớn cho việc ứng dụng AI vào tự động hóa thao tác người dùng.

      Mô hình được phân phối rộng rãi trên toàn bộ hệ sinh thái của Google bao gồm ứng dụng Gemini, Google AI Studio, Gemini API, Gemini Enterprise Agent Platform, Google AI Mode và Google Antigravity. Việc tích hợp diễn ra thuận tiện qua chuẩn API mà không đòi hỏi hạ tầng phần cứng chuyên biệt từ phía người dùng.

      Bên cạnh những điểm sáng, báo cáo của Google DeepMind cũng chỉ rõ các giới hạn cần lưu ý. Điểm mốc tri thức của mô hình dừng lại ở tháng 3/2026 (một số lĩnh vực dừng ở tháng 1/2025). Giống như mọi mô hình nền tảng, hiện tượng ảo giác (hallucination), độ trễ hoặc tiêu tốn nhiều token khi kích hoạt mức nỗ lực cao vẫn có thể xảy ra. Về mặt kiểm định an toàn nội bộ, độ an toàn đa ngôn ngữ ghi nhận mức sụt giảm nhẹ (+5,4 điểm phần trăm vi phạm tiềm ẩn), dù khả năng tuân thủ chính sách văn bản, bảo vệ trẻ em và an toàn biên giới (Frontier Safety) vẫn đáp ứng đầy đủ tiêu chuẩn khắt khe.

      Tóm lại, Gemini 3.8 Flash là một bước hoàn thiện sắc sảo của Google trong cuộc đua AI thực chiến. Không chỉ nâng tầm sức mạnh xử lý mã nguồn và tác vụ agent tiệm cận các mô hình hàng đầu, Gemini 3.8 Flash còn giải quyết bài toán kinh tế then chốt, biến giấc mơ triển khai AI Agent quy mô lớn trong doanh nghiệp trở nên thực tế và khả thi hơn bao giờ hết.

      1 Phản hồi 0 Yêu thích 1 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

      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
    • buctuong2000B
      Kling 3.0 và Kling 3.0 Omni tăng sức mạnh cho Firefly của Adobe

      Adobe chơi lớn luôn trước Claude Design

      Tại NAB Show 2026, Adobe đã công bố hàng loạt tính năng mới tập trung vào trí tuệ nhân tạo (AI), nhằm nâng cao tốc độ và chất lượng sản xuất video cho cả phần mềm Adobe Premiere và Adobe Ae. Các cập nhật chính nằm trong hệ sinh thái Firefly, Premiere Pro, After Effects và Frame.io, tất cả đều được triển khai qua Creative Cloud.

      Firefly Video Editor giờ đây đã trở thành công cụ toàn diện, cho phép người dùng tạo, chỉnh sửa và hoàn thiện dự án trực tiếp trên trình duyệt web, không cần cài đặt phần mềm nặng.


      Những thay đổi này giúp Firefly không còn chỉ là công cụ tạo nội dung đơn thuần mà trở thành môi trường sản xuất video hoàn chỉnh.

      Các tính năng nổi bật bao gồm:

      Quy trình làm việc hybrid: Kết hợp timeline chỉnh sửa truyền thống với điều khiển bằng văn bản (text-driven), giúp thay đổi ý tưởng nhanh chóng.

      Công cụ âm thanh tích hợp: Tự động cải thiện giọng nói (Enhance Speech), giảm nhiễu (noise reduction) và cân bằng âm thanh.

      Truy cập trực tiếp Adobe Stock để lấy tài nguyên mà không cần rời khỏi giao diện. Chỉnh sửa đa track: Dễ dàng kết hợp footage tạo bằng AI với footage quay thật.

      Kling 3.0 và Kling 3.0 Omni tăng sức mạnh cho Firefly của Adobe

      Một trong những điểm nhấn lớn nhất là việc Adobe hợp tác với Kling AI (Kuaishou) để đưa hai mô hình tạo video mạnh mẽ vào Firefly.

      Kling 3.0: Là mô hình đa năng (all-purpose), tập trung vào tốc độ và chất lượng cao. Mô hình nổi bật với tính năng storyboarding thông minh và đồng bộ âm thanh – hình ảnh (audio-visual sync) tốt hơn, phù hợp cho việc sản xuất video nhanh.

      Kling 3.0 Omni: Phiên bản nâng cao dành cho nhu cầu chuyên nghiệp. Người dùng có thể kiểm soát chi tiết: Thời lượng từng cảnh (shot duration), Góc máy và chuyển động camera, Tính nhất quán của nhân vật qua nhiều cảnh, Kể chuyện có cấu trúc (structured storytelling).

      Hai mô hình này gia nhập danh sách hơn 30 mô hình AI hàng đầu hiện có trong Firefly (bao gồm các mô hình từ Google, Runway và các nhà cung cấp khác). Adobe không phát triển riêng mà chọn cách tích hợp các mô hình tốt nhất từ bên thứ ba vào một môi trường an toàn, thương mại (commercially safe).

      Cách tích hợp: Người dùng tạo video bằng Kling trực tiếp trong Firefly Video Editor. Sau khi tạo xong, có thể gửi nội dung ngay sang Premiere Pro để biên tập chuyên sâu mà không cần tải file thủ công.

      Firefly AI Assistant hỗ trợ làm việc bằng ngôn ngữ tự nhiên, giúp tự động hóa quy trình xuyên suốt các ứng dụng.

      1 Phản hồi 0 Yêu thích 4 Đã xem
    • adminA
      6 quả AI này các bạn đã thử con nào chư...

      6 quả AI này các bạn đã thử con nào chưa? :))))

      1 Phản hồi 0 Yêu thích 6 Đã xem
    • adminA

      Quả video này làm bằng Capcut, AI clone giọng đọc.

      1 Phản hồi 0 Yêu thích 2 Đã xem
    • adminA
      AYANEO Pocket Play - Tái sinh Điện thoại chơi Game với màn hình OLED 165 Hz

      AYANEO đã chính thức deploy sản phẩm mới, Pocket Play, một chiếc điện thoại chơi game lấy cảm hứng từ Xperia Play, với thiết kế trông không khác gì một “viên gạch” lớn. Teaser mới nhất của công ty trên X (trước đây là Twitter) đã phô diễn rõ ràng AYANEO Pocket Play với hình dáng khối chữ nhật chắc chắn và bộ điều khiển trượt ngang đặc trưng.

      Screenshot 2026-02-07 at 14.33.13.png

      Về mặt kiến trúc phần cứng, AYANEO đã xác nhận sử dụng MediaTek Dimensity 9300 làm bộ não xử lý trung tâm. Đây là một SoC di động cao cấp tương đối mới, tập trung mạnh vào hiệu suất GPU và hiệu quả tiêu thụ điện, đưa Pocket Play vào phân khúc hiệu năng flagship. Trong thực tế, điều này hàm ý rằng thiết bị sẽ có đủ “headroom” (khoảng trống hiệu năng) để chạy mượt mà các trình giả lập cao cấp, dịch vụ stream game đám mây, và các tựa game Android native. Tuy nhiên, bài toán kỹ thuật quan trọng ở đây là AYANEO sẽ quản lý nhiệt độ và duy trì hiệu suất ổn định như thế nào trong cái khung máy nhỏ gọn nhưng “đặc” này. Đây sẽ là một chỉ số hiệu năng (performance metric) quan trọng cần theo dõi khi thiết bị ra mắt.

      Thiết Kế Màn Hình Và Giao Diện Điều Khiển Vật Lý

      Về mặt giao diện người dùng bên ngoài, Pocket Play được xây dựng xung quanh màn hình OLED 6.8 inch với độ phân giải 2400×1080 và tần số quét 165 Hz. Thao tác trượt màn hình có hình dáng viên gạch này lên sẽ hé lộ một bộ điều khiển đầy đủ, cộng thêm các nút vai (shoulder buttons) quen thuộc được bố trí dọc theo cạnh trên. Đây là một cách tiếp cận UI/UX vật lý khá độc đáo trong thị trường hiện tại.

      Pocket Play dự kiến không đến tay người dùng cho đến khoảng năm 2026 (theo các thông tin rò rỉ), và AYANEO đã nhanh chóng khởi tạo một trang gây quỹ Kickstarter. Trang chiến dịch này vẫn đang ở trạng thái “Sắp ra mắt,” nhưng nó phản ánh các chi tiết cốt lõi từ các bài đăng và trailer giới thiệu của AYANEO.

      Nếu có điều gì đó, thì Pocket Play chính là AYANEO vẫn là AYANEO: thay vì chỉ tập trung vào việc bán một thiết bị cầm tay Android thông thường, họ lại chọn con đường “nghiên cứu và phát triển” một hình khối chữ nhật “đặc ruột” và nhồi nhét một chiếc điện thoại vào đó. Liệu “dao đa năng Thụy Sĩ” (Swiss Army Play) hình chữ nhật này có thực sự “land” thành công hay không, có lẽ sẽ phụ thuộc vào ba biến số chính: giá thành (cost), hiệu năng nhiệt (thermals), và cảm giác “ergonomic feedback” từ bộ điều khiển khi người dùng thực sự trải nghiệm nó ngoài đời thực.

      1 Phản hồi 0 Yêu thích 13 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
Cafe Buổi Sáng
1 1 1 1

Bản quyền 2026 © Type