Language: Tiếng Việt
Liên hệ

Dự án tiêu biểu / Dự án PoC với AI tạo sinh

Dự án tiêu biểu

Dự án PoC với AI tạo sinh

NAL dùng AI tạo sinh tiên tiến để phát triển hệ thống hỗ trợ quảng cáo hiển thị (display ads). Hệ thống phân tích hành vi truy cập website để phân loại người dùng, rồi chọn quảng cáo phù hợp nhất cho vị trí quảng cáo trên website và ứng dụng. NAL cũng đang cùng khách hàng này phát triển chatbot AI đa dụng dùng trong nội bộ.

Ngành
Quảng cáo
Quy mô
≤ 50 nhân viên
Thực hiện
≤ 4 người × 6 tháng (giai đoạn 1)
NAL phụ trách
Từ thu thập, phân tích dữ liệu đến xây dựng mô hình và nền tảng vận hành

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 →

Thu thập dữ liệuNgười dùngTruy cậpWebsite, ứng dụngThu thập dữ liệuTrích xuấtNguồn dữ liệuMetadataTương tácĐịa chỉ IPCacheAI ra quyết địnhAI tạo sinhPhân nhómChọn quảng cáoHiển thị quảng cáoKết nối APIDanh mục sản phẩm, dịch vụNhóm ANhóm BNhóm CHệ thống chia người dùng thành nhóm, rồi chọn quảng cáo liên quan nhất để đưa tới vị trí quảng cáo.

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 trìnhPython
APIFastAPI
Đóng góiDocker, Ansible
Framework deep learningTensorFlow, PyTorch
MLOpsKubeflow (Kubernetes), Seldon Core / Cân bằng tải: Nginx / Message queue: Kafka, Redis, RabbitMQ

Giai đoạn 2: chatbot AI đa dụng

Ngôn ngữ lập trìnhPython, LangChain
FrontendReact (Ant Design)
Quản trịLoopback
Cơ sở dữ liệuMongoDB
Công cụ, dịch vụ xử lýCelery worker, Flower, Llama 2, FastAPI
Xử lý ngôn ngữ tự nhiênQdrant (vector DB, text embedding)

Hãy chia sẻ vấn đề và mong muốn với NAL

Liên hệ