Mục lục · 7 phần
Trả lời nhanh
Semantic search là tìm kiếm theo ý người dùng muốn nói thay vì chỉ dò đúng từng chữ họ gõ. Dữ liệu shop cần được chuẩn bị rõ ràng để câu hỏi dùng từ khác tên sản phẩm vẫn tìm được kết quả liên quan. Khi tra mã đơn, mã vận đơn hoặc số điện thoại, anh/chị có thể dùng tìm kiếm từ khóa chính xác.
Semantic search là cách tìm kiếm theo ý người dùng muốn nói, thay vì chỉ dò đúng từng chữ họ đã gõ. Vì thế, một câu hỏi dùng từ khác tên sản phẩm vẫn có thể nhận được kết quả liên quan nếu dữ liệu của shop được chuẩn bị rõ ràng.
Tìm theo ý khác gì tìm đúng chữ?
Tìm kiếm từ khóa là cách máy dò những ký tự xuất hiện giống hệt trong câu hỏi. Khách gõ “áo khoác”, kho dữ liệu có đúng cụm “áo khoác”, hệ thống trả về sản phẩm đó. Cách này nhanh và rất đáng tin khi anh/chị tra mã đơn, mã vận đơn, số điện thoại hoặc tên sản phẩm đã biết chính xác.
Semantic search đi thêm một bước. Nó cố hiểu câu hỏi đang nhắm đến điều gì. Khách gõ “đồ mặc khi trời lạnh”, còn mô tả sản phẩm viết “áo len”, “áo phao” và “áo khoác giữ nhiệt”. Một hệ thống tìm theo ý có thể xem các cụm này là gần nhau về nhu cầu sử dụng, rồi gợi ý các món phù hợp.
Điểm cần giữ cho đúng là: semantic search không đọc suy nghĩ. Nó chỉ so sánh câu khách hỏi với những thông tin anh/chị đã đưa vào hệ thống. Mô tả sản phẩm thiếu chất liệu, thiếu màu hoặc ghi sai tồn kho thì công cụ vẫn có thể trả lời thiếu hoặc sai. Công nghệ tìm kiếm giúp tìm đường đến dữ liệu; nó không tự tạo ra dữ liệu đáng tin.
Ví dụ, khách nhắn “có mẫu nào mặc đi tiệc tối không?”. Tên hàng trong kho có thể là “váy đen cổ vuông”, “sơ mi trơn” và “đầm dự tiệc”. Tìm đúng chữ “tiệc tối” có thể không thấy gì nếu câu đó không nằm trong tên hàng. Tìm theo ý có cơ sở để ưu tiên những mặt hàng có mô tả về dịp mặc, phong cách và màu sắc gần với câu hỏi. Nhân viên vẫn cần kiểm tra giá, size và hàng còn hay hết trước khi gửi khách.
Khi anh/chị muốn khám phá bức tranh tổng thể về cách trí tuệ nhân tạo vận hành, semantic search là một ví dụ dễ thấy: AI không chỉ nhận chữ, mà còn cố đặt chữ vào ngữ cảnh của một câu hỏi.
Máy tính nhận ra hai câu gần nghĩa bằng cách nào?
Để so sánh ý nghĩa, hệ thống biến một đoạn chữ thành một dãy số gọi là vector. Vector ở đây chỉ là cách máy ghi lại đặc điểm của câu, không phải bảng giá hay mã sản phẩm. Những câu có nội dung gần nhau thường tạo ra các dãy số gần nhau hơn những câu nói về việc khác hẳn.
Chẳng hạn, “khi nào giao đến?” và “tôi đợi hàng lâu quá” dùng chữ khác nhau. Nhưng cả hai đều có thể liên quan đến thời gian giao. Nếu dữ liệu chăm sóc khách có các bài hướng dẫn về thời gian vận chuyển, cách tra đơn và tình trạng đơn, semantic search có thể đưa những bài đó lên trước để nhân viên chọn câu trả lời phù hợp.
Sau bước so sánh, hệ thống còn phải xếp hạng kết quả. Xếp hạng nghĩa là quyết định mục nào hiện trước trong danh sách. Một kết quả có câu chữ gần với câu hỏi chưa chắc đã là câu trả lời tốt nhất. Bài hướng dẫn giao hàng có thể phù hợp hơn một sản phẩm chỉ tình cờ có chữ “đợi”. Vì vậy, dữ liệu nên có tiêu đề rõ, mô tả ngắn, loại nội dung và thông tin cập nhật để công cụ có thêm căn cứ phân biệt.
Đây cũng là lý do không nên chỉ nạp vào hệ thống một danh sách tên hàng. Với một chiếc áo, phần mô tả hữu ích có thể gồm kiểu dáng, chất liệu, màu, dịp sử dụng, size và lưu ý bảo quản. Khách thường hỏi bằng nhu cầu của họ, không hỏi bằng đúng tên nội bộ mà shop đặt. Dữ liệu càng nói rõ sản phẩm giải quyết nhu cầu nào, tìm theo ý càng có thứ để đối chiếu.
Nếu anh/chị đang tìm hiểu cách nội dung được tổ chức để công cụ tìm kiếm hiểu hơn, có thể tham khảo tài liệu chính thức của Google Search. Tài liệu này là nơi phù hợp để kiểm tra thông tin liên quan đến công cụ tìm kiếm của Google, thay vì dựa vào các mẹo truyền miệng.
Ba việc trong shop có thể dùng tìm kiếm theo ý
Việc dễ gặp nhất là tìm lại tin nhắn cũ. Khách có thể viết “ship chậm”, “hàng đi bao lâu rồi” hoặc “chưa thấy bên giao gọi”. Nếu nhân viên muốn xem các cuộc trao đổi về giao hàng, tìm theo ý có thể gom các câu hỏi gần nhau. Kết quả đó hỗ trợ nhân viên nhận ra chủ đề; nó không được dùng để tự kết luận đơn nào bị trễ, vì trạng thái đơn phải lấy từ hệ thống vận chuyển.
Việc thứ hai là tìm sản phẩm khi khách mô tả theo hoàn cảnh. Người mua có thể hỏi “quà cho mẹ”, “đồ mặc đi biển” hoặc “màu tối dễ phối”. Những cụm này không nhất thiết xuất hiện nguyên văn trong tên sản phẩm. Shop có mô tả đầy đủ về công dụng, đối tượng dùng và cách phối sẽ dễ nhận kết quả hữu ích hơn shop chỉ có một tên hàng ngắn.
Việc thứ ba là tìm trong tài liệu nội bộ. Một nhân viên mới có thể gõ “khách muốn đổi size sau khi nhận hàng”. Nếu tài liệu đã có hướng dẫn đổi trả, cách kiểm tra điều kiện và mẫu trả lời, semantic search giúp họ tìm tới đúng phần nhanh hơn. Trước khi trả lời khách, người dùng vẫn phải đọc điều kiện hiện hành của shop. Tài liệu cũ có thể không còn đúng sau khi shop đổi quy trình.
Trong cả ba việc, câu hỏi càng rõ thì kết quả càng dễ dùng. “Áo” là câu quá rộng. “Áo khoác nữ màu tối đi làm” cho hệ thống nhiều dấu hiệu hơn để chọn. Điều này không có nghĩa phải bắt khách viết dài. Anh/chị có thể thiết kế ô tìm kiếm có gợi ý, hoặc để nhân viên thêm vài từ khi cần lọc kết quả.
Đừng để kết quả gần nghĩa thành câu trả lời sai
Người mới thường thấy công cụ trả về vài sản phẩm hợp mắt rồi tin rằng nó đã “hiểu hết”. Đó là chỗ dễ nhầm. Semantic search mạnh ở việc đề xuất nội dung liên quan, nhưng các thông tin cần chính xác tuyệt đối phải được kiểm tra bằng nguồn dữ liệu gốc.
Ví dụ, khách hỏi còn size nào. Công cụ có thể tìm ra đúng trang sản phẩm dựa trên mô tả. Nhưng câu trả lời “còn hàng” phải dựa vào tồn kho đang cập nhật, không dựa vào đoạn mô tả viết từ trước. Tương tự, khách hỏi giá khuyến mãi hoặc phí giao hàng. Tìm kiếm theo ý có thể dẫn nhân viên tới chính sách liên quan, còn giá và phí phải lấy từ nơi shop đang quản lý thực tế.
Anh/chị cũng nên để ý các câu có nhiều nghĩa. “Màu lạnh” có thể là tông xanh, tông xám, hoặc chỉ là cách khách nói về cảm giác nhìn. “Đồ đi tiệc” có thể là váy, áo sơ mi, giày hay phụ kiện. Khi câu hỏi mơ hồ, chatbot nên hỏi lại một câu ngắn thay vì tự chốt sản phẩm. Hỏi “anh/chị muốn tìm đồ nam hay nữ?” thường hữu ích hơn việc đưa ra một danh sách dài và sai nhu cầu.
Việc alignment của mô hình cũng có liên quan ở đây. Alignment là quá trình định hướng để mô hình phản hồi theo các quy tắc và mục tiêu đã đặt. Nó có thể giúp câu trả lời bớt lạc đề, nhưng không thay thế cho dữ liệu sản phẩm sạch hay quy trình kiểm tra của người bán.
Bắt đầu từ dữ liệu nhỏ trước khi làm chatbot
Không cần mở đầu bằng một chatbot trả lời mọi câu hỏi. Anh/chị có thể chọn một nhóm dữ liệu nhỏ nhưng hay được tìm nhất, chẳng hạn phần mô tả sản phẩm bán chạy, câu hỏi về đổi trả hoặc hướng dẫn theo dõi đơn. Đọc thử những câu khách thật sự hay hỏi rồi xem kết quả tìm kiếm có dẫn đúng tài liệu không.
Khi kiểm tra, hãy đặt những câu dùng từ khác với dữ liệu gốc. Nếu tài liệu viết “chính sách đổi size”, hãy thử tìm “mặc không vừa thì xử lý sao”. Nếu sản phẩm ghi “xám than”, hãy thử “có màu tối không”. Mục tiêu không phải ép hệ thống đoán đúng mọi câu, mà là biết câu nào cần bổ sung mô tả, câu nào cần thêm câu hỏi làm rõ và câu nào bắt buộc phải tra dữ liệu chính xác.
Một lỗi phổ biến là đưa lẫn các tài liệu cũ với tài liệu đang áp dụng. Semantic search có thể tìm đúng về mặt ý nghĩa nhưng lại lấy một quy định đã hết hiệu lực. Anh/chị nên gắn nhãn tài liệu đang dùng, tách tài liệu lưu trữ ra khỏi nơi chatbot được phép tra, và chỉ định người chịu trách nhiệm cập nhật khi chính sách shop thay đổi.
Kỹ thuật phía sau có thể dùng transformer attention. Đây là cơ chế giúp mô hình xem những phần nào trong câu có liên hệ với nhau. Với chủ shop, điều quan trọng hơn là đầu vào: tên hàng dễ hiểu, mô tả đủ ý, tồn kho đúng và quy trình có người kiểm tra khi câu trả lời ảnh hưởng đến đơn hàng.
Khi nào tìm từ khóa vẫn là lựa chọn tốt hơn?
Tìm từ khóa nên được ưu tiên khi anh/chị có một giá trị phải khớp hoàn toàn. Mã đơn, số điện thoại, mã vận đơn, mã SKU và mã giảm giá đều thuộc nhóm này. Một ký tự khác đi có thể là một đơn khác hoặc không còn là dữ liệu hợp lệ. Tìm theo ý không nên tự sửa hoặc tự đoán những giá trị như vậy.
Nhiều hệ thống tốt dùng cả hai cách. Người dùng gõ mã đơn thì hệ thống tìm chính xác theo ký tự. Người dùng gõ “đơn của tôi đang ở đâu” thì hệ thống có thể tìm hướng dẫn và yêu cầu thêm thông tin cần thiết. Sự kết hợp này giúp kết quả vừa tiện cho khách, vừa an toàn cho vận hành.
Với shop ít sản phẩm, ít tin nhắn và quy trình còn thay đổi liên tục, làm một kho dữ liệu phức tạp có thể chưa phải ưu tiên. Trước hết hãy thống nhất tên sản phẩm, viết câu trả lời mẫu và lưu tài liệu đúng chỗ. Khi nhân viên đã mất thời gian vì không tìm được thông tin dù dữ liệu đã nhiều, semantic search mới giải quyết một vấn đề cụ thể thay vì trở thành một tính năng để thử cho biết.
Câu hỏi thường gặp
Semantic search có hiểu khách gõ sai chính tả không?
Có thể hiểu được một phần nếu câu hỏi còn đủ ngữ cảnh và dữ liệu liên quan được viết rõ. Nhưng lỗi gõ quá nặng, câu quá ngắn hoặc nhiều từ lóng vẫn có thể làm kết quả lệch. Anh/chị nên cho phép khách chọn lại gợi ý hoặc hỏi thêm thay vì coi kết quả đầu tiên là chắc đúng.
Shop ít sản phẩm có cần làm semantic search không?
Không nhất thiết. Nếu nhân viên vẫn tìm được hàng và tài liệu nhanh bằng tên sản phẩm hoặc bộ lọc cơ bản, tìm từ khóa đã đủ dùng. Semantic search đáng cân nhắc khi câu hỏi của khách đa dạng hơn cách shop đặt tên dữ liệu.
Tìm theo ý có thay thế tìm bằng mã đơn được không?
Không nên thay thế. Mã đơn là dữ liệu cần khớp chính xác từng ký tự, còn semantic search được tạo ra để xử lý câu hỏi diễn đạt theo nhiều cách. Hệ thống nên tách rõ hai loại tìm kiếm này để tránh nhầm thông tin khách hàng.
Chatbot tìm được sản phẩm rồi có thể tự báo còn hàng không?
Chỉ nên báo còn hàng khi chatbot được nối với nguồn tồn kho đang cập nhật và có quy tắc kiểm tra rõ ràng. Kết quả semantic search chỉ cho biết sản phẩm nào có vẻ liên quan đến câu hỏi. Nó không tự chứng minh số lượng thực tế trong kho.
Tôi nên viết mô tả sản phẩm thế nào để tìm theo ý tốt hơn?
Hãy viết những thông tin khách thường dùng để hỏi: sản phẩm dùng trong dịp nào, dành cho ai, có màu gì, chất liệu ra sao và cần lưu ý gì. Tránh chỉ ghi tên nội bộ mà nhân viên mới hiểu. Mô tả đúng sự thật quan trọng hơn việc nhét nhiều từ gần nghĩa.
Vì sao câu hỏi của khách rõ mà kết quả vẫn lộn xộn?
Nguyên nhân thường nằm ở dữ liệu trùng lặp, mô tả quá ngắn hoặc tài liệu cũ còn nằm chung với tài liệu hiện hành. Hãy kiểm tra những mục được trả về đầu tiên, rồi sửa nguồn dữ liệu trước khi đổi công cụ. Một công cụ tốt vẫn cần dữ liệu có tổ chức để cho ra kết quả hữu ích.
