Dự án tiêu biểu / Dự án PoC với AI tạo sinh
Bài toán của khách hàng
Có chạy quảng cáo, nhưng không đến đúng người cần đến
Khách hàng chạy quảng cáo sản phẩm, dịch vụ trên nhiều website, nhưng chiến lược hiện tại không mang lại kết quả mong muốn. Quảng cáo ít liên quan hiện ra trước sai đối tượng, khiến tỷ lệ nhấp và tỷ lệ mua hàng cùng giảm. Khách hàng cần cách nắm đúng từng nhóm người dùng và đưa quảng cáo phù hợp tới họ.
Cách NAL giải quyết
Chia nhóm người dùng theo hành vi, chọn lại quảng cáo
- Thu thập và phân tích dữ liệu truy cập: thu thập và phân tích dữ liệu người truy cập website từ metadata, lịch sử mua hàng, địa chỉ IP, cache và các nguồn khác.
- Phân loại người dùng bằng AI tạo sinh: AI tạo sinh chia người dùng thành các nhóm dựa trên dữ liệu đã phân tích.
- Đưa ra quảng cáo phù hợp nhất: mỗi nhóm nhận quảng cáo liên quan nhất ở vị trí quảng cáo.
Kết quả sau khi đưa vào vận hành
Tỷ lệ nhấp tăng khoảng 30%
- Tỷ lệ nhấp tăng: nhờ cách phân loại người dùng và hiển thị quảng cáo mới, tỷ lệ nhấp tăng trung bình khoảng 30% so với tháng trước.
- Tỷ lệ mua hàng tăng: hiển thị quảng cáo liên quan nhất giúp tỷ lệ mua hàng tăng 15%, tăng rõ nhất ở nhóm khách hàng mục tiêu.
- Tỷ lệ tương tác cải thiện: người dùng dễ quan tâm và tương tác với quảng cáo hơn, tỷ lệ tương tác tăng trung bình 25%.
Dự án tiếp theo
Giao tài liệu và nội dung nội bộ cho chatbot AI
Trong công ty khách hàng, tài liệu được trao đổi nhiều và thay đổi liên tục, rất khó nắm được chỗ nào vừa đổi. Viết bài và nội dung cho website cũng tốn nhiều thời gian. NAL tích hợp chức năng trả lời tự động vào chatbot sẵn có, giúp mọi người tìm thông tin nhanh và tạo nội dung hiệu quả hơn.
Thực hiện: ≤ 2 người × 4 tháng
- Module quản lý: xử lý dữ liệu tài liệu, collection và người dùng; chuyển tiếp tới LLM và orchestrator; xác thực và phân quyền.
- Orchestrator: đọc tài liệu từ nguồn dữ liệu, điều phối luồng xử lý và luồng dữ liệu khi nhận câu hỏi.
- Task queue: đưa câu hỏi gửi tới LLM và thông báo gửi tới module quản lý vào hàng đợi, giám sát bằng Flower.
- Tìm kiếm văn bản: tạo vector bằng text embedding, lưu và tìm kiếm vector cùng metadata.
- Thay đổi tài liệu minh bạch hơn: theo dõi thay đổi dễ hơn, ít hiểu lầm và trùng việc hơn.
- Giảm 30% thời gian viết bài và tạo nội dung: thông tin mới được chia sẻ nhanh, thời gian tiết kiệm được dành cho việc khác.
Tổng quan hệ thống
Từ dữ liệu truy cập đến quảng cáo cho từng nhóm
← Vuốt ngang để xem →
Công nghệ sử dụng
Công nghệ giai đoạn 1 và giai đoạn 2
Giai đoạn 1: hệ thống dự đoán quảng cáo cá nhân hoá
| Ngôn ngữ lập trình | Python |
|---|---|
| API | FastAPI |
| Đóng gói | Docker, Ansible |
| Framework deep learning | TensorFlow, PyTorch |
| MLOps | Kubeflow (Kubernetes), Seldon Core / Cân bằng tải: Nginx / Message queue: Kafka, Redis, RabbitMQ |
Giai đoạn 2: chatbot AI đa dụng
| Ngôn ngữ lập trình | Python, LangChain |
|---|---|
| Frontend | React (Ant Design) |
| Quản trị | Loopback |
| Cơ sở dữ liệu | MongoDB |
| Công cụ, dịch vụ xử lý | Celery worker, Flower, Llama 2, FastAPI |
| Xử lý ngôn ngữ tự nhiên | Qdrant (vector DB, text embedding) |
