ChatGPT, một công cụ AI đột phá, đang tạo ra những thay đổi lớn trong nhiều ngành, và ngành du lịch không phải là ngoại lệ. Tại click2register.net, chúng tôi giúp bạn khám phá và đăng ký các trải nghiệm du lịch tuyệt vời một cách dễ dàng. Hãy cùng tìm hiểu cách ChatGPT đang định hình lại ngành du lịch và cách bạn có thể tận dụng những lợi ích này để có những chuyến đi đáng nhớ. Dưới đây là cách bạn có thể sử dụng ChatGPT để cá nhân hóa trải nghiệm du lịch, chatbot hỗ trợ khách hàng, và phân tích dữ liệu du lịch.
1. Mô Hình Ngôn Ngữ Lớn (LLMs) và Transformers Hoạt Động Như Thế Nào?
Mô hình ngôn ngữ (Language models) là các mô hình học máy (machine learning) được huấn luyện để dự đoán khả năng xuất hiện của một chuỗi từ. Chúng dự đoán từ phù hợp tiếp theo dựa trên ngữ cảnh văn bản, về cơ bản là học cách con người sử dụng ngôn ngữ.
Ví dụ: trong câu: “John đến cửa hàng và mua một ít táo vì anh ấy muốn nướng một cái […],” một mô hình ngôn ngữ được huấn luyện tốt sẽ dự đoán rằng từ còn thiếu có thể là “bánh pie.” Điều này là do ngữ cảnh được cung cấp bởi phần trước của câu (“mua một ít táo”) cho thấy rằng John có thể đang chuẩn bị làm bánh táo. Tất nhiên, có những khả năng khác, chẳng hạn như “bánh ngọt” hoặc “bánh tart,” nhưng “bánh pie” là một cách sử dụng ẩm thực hàng ngày cho táo, làm cho nó trở thành một dự đoán có khả năng.
Ngày nay, mô hình ngôn ngữ là xương sống của xử lý ngôn ngữ tự nhiên (NLP) — kỹ thuật ML trao quyền cho máy móc để phân tích, hiểu và tạo ra ngôn ngữ của con người. Chủ yếu được đào tạo trên các tập dữ liệu văn bản mở rộng, chúng tận dụng các mẫu đã học để dự đoán từ tiếp theo trong một câu và tạo ra văn bản phù hợp theo ngữ cảnh và chính xác về mặt ngữ pháp.
1.1 Các Loại Mô Hình Ngôn Ngữ
Mô hình ngôn ngữ có hai loại chính: mô hình thống kê và mô hình dựa trên mạng nơ-ron sâu.
Mô hình ngôn ngữ thống kê tận dụng các mẫu dữ liệu để đưa ra dự đoán về chuỗi từ. Để xây dựng một mô hình xác suất đơn giản, chúng sử dụng xác suất n-gram, chuỗi các từ trong đó n là một số lớn hơn không. Mô hình N-gram có nhiều loại khác nhau, như unigram, bigram và trigram, đánh giá các từ và xác suất của chúng liên quan đến văn bản trước đó. Trong thuật ngữ “n-gram”, “n” biểu thị số lượng từ hoặc mục trong một chuỗi mà mô hình sử dụng làm ngữ cảnh để đưa ra dự đoán. Ví dụ, trong một bigram (2-gram), mô hình xem xét hai từ để dự đoán từ tiếp theo. Mặc dù các mô hình này hiệu quả, nhưng chúng không nắm bắt được các phụ thuộc dài hạn giữa các từ.
Mô hình ngôn ngữ nơ-ron sử dụng mạng nơ-ron sâu (deep neural networks) để dự đoán khả năng xảy ra của chuỗi từ. Chúng xử lý từ vựng lớn và đối phó với các từ hiếm bằng cách dựa vào các biểu diễn phân tán. Chúng nắm bắt ngữ cảnh tốt hơn các mô hình truyền thống và có thể đối phó với các cấu trúc ngôn ngữ phức tạp hơn và các phụ thuộc từ dài hơn.
Một mô hình ngôn ngữ nơ-ron quan trọng mà chúng ta sẽ nói đến trong bối cảnh bài viết này là mô hình transformer.
1.2 Transformers
Transformers là một loại kiến trúc học sâu tiên tiến. Vượt trội trong việc hiểu ngữ cảnh và giải thích ý nghĩa, transformers phân tích các mối quan hệ phức tạp trong dữ liệu tuần tự — chẳng hạn như các từ trong một chuỗi văn bản. Được gọi là “transformers”, chúng có thể dịch hiệu quả một chuỗi này sang chuỗi khác.
Khác biệt với Mạng nơ-ron tái phát (RNN) và mô hình Bộ nhớ ngắn hạn dài (LSTM), xử lý dữ liệu tuần tự, transformers phân tích toàn bộ chuỗi đồng thời. Thuộc tính này làm cho chúng có thể song song hóa, tăng tốc quá trình đào tạo và nâng cao hiệu quả.
Kiến trúc Transformer
Các thành phần quan trọng của mô hình transformer bao gồm kiến trúc bộ mã hóa-giải mã và cái gọi là cơ chế chú ý.
Kiến trúc bộ mã hóa-giải mã. Cấu trúc kép này là nền tảng cho mô hình transformer. Bộ mã hóa tiếp nhận một chuỗi đầu vào — thường là văn bản — và biến nó thành một biểu diễn vectơ (vector representation) gói gọn ngữ nghĩa và vị trí của từ trong câu, thường được gọi là “embedding” của đầu vào. Khi nhận được các đầu ra bộ mã hóa này, bộ giải mã tổng hợp ngữ cảnh và tạo ra kết quả. Bộ mã hóa và bộ giải mã có nhiều lớp giống hệt nhau, chứa cơ chế tự chú ý và mạng nơ-ron chuyển tiếp. Ngoài ra, bộ giải mã chứa một cơ chế chú ý bộ mã hóa-giải mã.
Cơ chế chú ý và tự chú ý. Cơ chế chú ý là cốt lõi của hệ thống transformer. Nó trao quyền cho mô hình tập trung vào các phần đầu vào cụ thể trong khi đưa ra dự đoán. Bằng cách gán trọng số cho các phần tử đầu vào tương ứng với ý nghĩa dự đoán của chúng, cơ chế chú ý tạo điều kiện thuận lợi cho một bản tóm tắt có trọng số của đầu vào, hướng dẫn việc tạo dự đoán.
Tự chú ý là một biến thể của cơ chế chú ý cho phép mô hình tập trung vào các phần đầu vào khác nhau cho mỗi dự đoán. Bằng cách xem lại chuỗi đầu vào nhiều lần và thay đổi tiêu điểm trong mỗi lần xem lại, mô hình nắm bắt các mối quan hệ phức tạp trong dữ liệu.
Kiến trúc transformer sử dụng cơ chế tự chú ý song song, hỗ trợ mô hình phân biệt các mối quan hệ phức tạp giữa chuỗi đầu vào và đầu ra.
Kiến trúc mô hình Transformer. Nguồn: Bài báo “Attention is all you need” của Google
Về đào tạo, transformers sử dụng học bán giám sát (semi-supervised learning). Ban đầu, chúng trải qua quá trình tiền đào tạo không giám sát (unsupervised pretraining) bằng cách sử dụng một tập dữ liệu không được gắn nhãn đáng kể để học các mẫu và mối quan hệ chung. Sau đó, chúng tinh chỉnh thông qua đào tạo có giám sát (supervised training) trên một tập dữ liệu được gắn nhãn (labeled dataset) nhỏ hơn, dành riêng cho nhiệm vụ, tăng cường hiệu suất của chúng trên nhiệm vụ được chỉ định. Phương pháp đào tạo hai giai đoạn này tối ưu hóa tính hữu ích và tính đặc hiệu của mô hình transformer.
Để tìm hiểu thêm, bạn có thể đọc thêm về mô hình ngôn ngữ lớn (LLMs).
Bây giờ, chúng ta sẽ tập trung vào trái tim và linh hồn của transformer — Generative Pre-Trained Transformer hay GPT, cụ thể là anh chị em ruột tập trung hẹp của nó là ChatGPT.
2. ChatGPT Là Gì?
ChatGPT là một chatbot AI tiên tiến, khai thác sức mạnh của máy học để hiểu và tạo ra văn bản giống như con người. Được phát triển bởi OpenAI, một phòng thí nghiệm nghiên cứu trí tuệ nhân tạo và được ra mắt chính thức vào tháng 11 năm 2022, nó dựa trên kiến trúc transformer, đặc biệt là mô hình Generative Pretrained Transformer (GPT). Theo thời gian, nó đã phát triển đáng kể với việc phát hành các phiên bản khác nhau, phiên bản mới nhất là GPT-4 tại thời điểm viết bài này.
Các mô hình đằng sau ChatGPT đã được đào tạo trên một lượng lớn các văn bản Internet đa dạng. Phiên bản mới nhất, GPT-4, có 175 tỷ tham số. Mỗi tham số đại diện cho một khía cạnh đã học được của ngôn ngữ, đóng góp vào khả năng tạo ra các phản hồi văn bản của mô hình.
Ví dụ: bạn có thể hỏi ChatGPT về các điểm tham quan tốt nhất ở một thành phố cụ thể (ví dụ: Chicago) và nó sẽ trả lời bằng một danh sách các điểm tham quan đó, bao gồm thông tin về lý do tại sao mỗi điểm tham quan có thể thú vị.
ChatGPT có thể là một hướng dẫn du lịch tốt, gợi ý những địa điểm nên tham quan ở một khu vực cụ thể.
Các chatbot hiện đại như ChatGPT vượt trội trong việc thực hiện các cuộc hội thoại nhiều lượt, một sự phát triển đáng kể so với các mô hình cũ hơn chủ yếu xử lý các tương tác một lượt. Trong một cuộc hội thoại một lượt, mô hình phản hồi một lời nhắc mà không xem xét bất kỳ tương tác trước đó nào — đó là một trao đổi một lần, giống như đặt một câu hỏi độc lập và nhận được câu trả lời. Ngược lại, các cuộc hội thoại nhiều lượt bao gồm các trao đổi qua lại, trong đó mô hình xem xét lịch sử của cuộc hội thoại để tạo ra các phản hồi phù hợp. ChatGPT, trong thiết kế tiên tiến của nó, chấp nhận một chuỗi tin nhắn làm đầu vào và tạo ra tin nhắn tiếp theo trong chuỗi làm đầu ra, giữ nguyên ngữ cảnh và duy trì luồng đối thoại.
Tin tuyệt vời là, OpenAI đã cung cấp quyền truy cập vào các mô hình GPT của mình cho cộng đồng phát triển và nghiên cứu rộng lớn hơn, tuân thủ các điều kiện cấp phép cụ thể. Điều này tạo điều kiện cho việc khai thác sức mạnh của GPT bởi các tổ chức và doanh nghiệp trong các dịch vụ và sản phẩm của họ miễn là họ hoạt động trong các nguyên tắc do OpenAI đặt ra. Phần sau sẽ đi sâu vào quy trình chi tiết tích hợp API ChatGPT.
3. Tích Hợp API ChatGPT
Cách sử dụng phổ biến của ChatGPT là thông qua giao diện, nhưng bạn cũng có thể tích hợp các khả năng của nó vào ứng dụng của mình thông qua API.
API của OpenAI cho phép các nhà phát triển tương tác với các mô hình như GPT-4, GPT-3.5-Turbo và những người khác và có thể được sử dụng trong nhiều ngữ cảnh, bao gồm định dạng trò chuyện và các tác vụ một lượt. Tích hợp API yêu cầu một số thiết lập và hiểu biết về công nghệ cơ bản, nhưng nó mang lại sự linh hoạt và kiểm soát cao hơn.
Tại thời điểm xuất bản bài viết này, các mô hình có sẵn có thể được truy cập thông qua API bao gồm:
- GPT-4 và GPT-3.5-Turbo hiện đại, và
- Các mô hình cũ như ada, babbage, curie và davinci.
Mỗi mô hình cung cấp các tính năng và khả năng độc đáo, cho phép các nhà phát triển chọn mô hình phù hợp nhất cho các yêu cầu cụ thể của họ.
Các nhà phát triển có thể sử dụng bất kỳ ngôn ngữ lập trình nào để tương tác với API của OpenAI. Mặc dù Python là một lựa chọn phổ biến do thư viện máy khách Python của OpenAI, các yêu cầu HTTP có thể được thực hiện bằng bất kỳ ngôn ngữ nào khác, đảm bảo API phục vụ cho các nhu cầu phát triển đa dạng.
Giá cho việc sử dụng API (mô hình GPT-3.5 Turbo) được đặt ở mức 0,002 đô la cho mỗi 1.000 token. Ở đây, “token” đề cập đến các đơn vị văn bản được mô hình xử lý, chiếm cả chuỗi đầu vào và đầu ra. Hiện tại, những người muốn dùng thử GPT-4 API phải tham gia danh sách chờ.
Ngoài ra, việc tích hợp với API của OpenAI khá dễ dàng vì chúng là API REST hiện đại với tài liệu tham khảo API chi tiết có thể được tìm thấy trên trang web chính thức của OpenAI.
Trong các nỗ lực của chúng tôi tại AltexSoft, chúng tôi đã có cơ hội kết hợp các chức năng ChatGPT vào một số dự án. Chi tiết hơn về chúng ở phần sau trong văn bản.
Suy ngẫm về quy trình tích hợp, Kiến trúc sư giải pháp của chúng tôi, Alexey Taranets, đã chia sẻ kinh nghiệm của mình: “Sự phong phú của tài liệu đã giúp việc tích hợp ChatGPT trở thành một nhiệm vụ đơn giản. Chúng tôi không gặp phải bất kỳ trở ngại kỹ thuật nào trong quá trình tích hợp; về cơ bản nó đã được thu gọn thành một điểm cuối API duy nhất. Bạn chỉ cần tạo Khóa API và bạn có thể bắt đầu, gửi yêu cầu.”
Phần hoạt động của việc sử dụng ChatGPT hiệu quả nằm ở việc tạo ra các lời nhắc phù hợp. Vì vậy, hãy trình bày chi tiết hơn về điều này.
Bạn có thể đọc thêm về tích hợp LLM API để tìm hiểu thêm.
4. Kỹ Thuật Lời Nhắc
Lời nhắc đến GPT, về cơ bản, là phương tiện mà mô hình được lập trình. Bằng cách cung cấp các hướng dẫn cụ thể hoặc ví dụ về việc hoàn thành thành công một nhiệm vụ, người dùng có thể hướng dẫn đầu ra của AI. ChatGPT học cách xác định và sao chép các mẫu được tìm thấy trong văn bản được cung cấp. Do đó, khi được trình bày với các lời nhắc tương tự trong tương lai, ChatGPT có thể tạo ra các phản hồi phù hợp với kết quả mong muốn.
Alexey Taranets xác nhận: “Khi triển khai mô hình GPT, chúng tôi đã dành phần lớn thời gian để tinh chỉnh yêu cầu cho nó,”. “Về cơ bản, chúng tôi đã phải hướng dẫn ChatGPT hoạt động như một trình xử lý API OTA. Chúng tôi sẽ nói, ‘Đây là danh sách các điểm đến của chúng tôi và chúng tôi muốn bạn trả lời theo định dạng cụ thể này. Nếu bạn không thể tìm thấy kết quả, hãy trả lời theo định dạng thay thế này.’ Vì vậy, nhiệm vụ chính của chúng tôi thực sự là tạo ra các hướng dẫn yêu cầu này.”
Ngoài việc khéo léo tạo ra các lời nhắc hiệu quả để trích xuất đầu ra mong muốn từ các mô hình ngôn ngữ AI như ChatGPT, kỹ thuật lời nhắc (prompt engineering) bao gồm việc hiểu cách mô hình hoạt động, những hạn chế của nó và cách sử dụng điểm mạnh của nó.
Glib Zhebrakov, Trưởng Trung tâm Công nghệ Xuất sắc Kỹ thuật tại AltexSoft, chia sẻ một số suy nghĩ về việc viết lời nhắc thành công: “Có ba khía cạnh chính ở đây. Đầu tiên, bạn không nên mong đợi lời nhắc đầu tiên của mình hoạt động hoàn hảo. Thứ hai, có thể mất một chút thời gian, thử nghiệm và sai sót để có được kết quả bạn đang tìm kiếm. Và cuối cùng nhưng không kém phần quan trọng, hãy tiếp tục lặp lại khi cần thiết.”
Một khía cạnh quan trọng khác ở đây là lời nhắc chuỗi, một kỹ thuật trong đó nhiều hướng dẫn hoặc truy vấn được đưa ra cho mô hình theo một chuỗi để hướng dẫn đầu ra của nó theo một kết quả mong muốn cụ thể một cách lũy tiến.
Ý tưởng đằng sau lời nhắc chuỗi là đôi khi một hướng dẫn duy nhất có thể không đủ để mô hình tạo ra kết quả chính xác mà bạn mong muốn, đặc biệt khi xử lý các truy vấn hoặc tác vụ phức tạp hơn. Trong những trường hợp như vậy, bạn có thể chia nhỏ mục tiêu tổng thể của mình thành các tác vụ nhỏ hơn, dễ quản lý hơn và sau đó cung cấp các tác vụ này cho mô hình theo một thứ tự cụ thể để dần dần điều khiển mô hình hướng tới kết quả dự định.
Ví dụ: giả sử bạn muốn nhận bản tóm tắt về một văn bản khoa học phức tạp từ ChatGPT. Một lời nhắc duy nhất như “Tóm tắt văn bản” có thể không mang lại kết quả thỏa đáng. Thay vào đó, bạn có thể sử dụng một chuỗi lời nhắc:
- yêu cầu mô hình xác định các điểm chính trong văn bản,
- yêu cầu nó giải thích các điểm này bằng các thuật ngữ đơn giản hơn, và cuối cùng,
- yêu cầu nó kết hợp các điểm đơn giản hóa này thành một bản tóm tắt ngắn gọn.
Bằng cách làm chủ kỹ thuật lời nhắc, bạn có thể biến sức mạnh của mô hình ngôn ngữ thành các dự án thú vị với nhiều cơ hội. Dưới đây, chúng tôi trình bày một số dự án hiện có.
5. Các Trường Hợp Sử Dụng Phổ Biến Trong Ngành Du Lịch Khi Triển Khai ChatGPT
Ngành du lịch đang nhanh chóng khai thác tiềm năng của các mô hình AI như ChatGPT để hợp lý hóa hoạt động, nâng cao trải nghiệm khách hàng và mở ra các con đường tăng trưởng mới. Hãy đi sâu vào một số trường hợp sử dụng phổ biến nhất của ChatGPT trong du lịch để hiểu rõ hơn về cách mô hình AI sáng tạo này đang định hình lại ngành.
5.1 Cá Nhân Hóa và Đề Xuất Chuyến Đi
Cá nhân hóa và lập kế hoạch chuyến đi đã trở thành những khía cạnh thiết yếu của trải nghiệm du lịch và ChatGPT bắt đầu đóng một vai trò quan trọng trong việc này. Nó không chỉ hiểu sở thích, tâm trạng và hành vi của người dùng để đưa ra các đề xuất du lịch được cá nhân hóa mà còn hỗ trợ các tác vụ phức tạp như lập kế hoạch chuyến đi.
Expedia, một trong những nền tảng du lịch trực tuyến hàng đầu thế giới, là một ví dụ điển hình về việc tận dụng các khả năng của ChatGPT để cá nhân hóa và lập kế hoạch chuyến đi. Gần đây, Expedia đã tích hợp ChatGPT vào ứng dụng di động của họ, khởi đầu một trải nghiệm lập kế hoạch chuyến đi đàm thoại.
Khi mở ứng dụng Expedia, người dùng được nhắc: “Lên kế hoạch cho một chuyến đi mới? Hãy trò chuyện. Khám phá ý tưởng chuyến đi với ChatGPT.” Nó đánh dấu sự khởi đầu của một cuộc trò chuyện mở, nơi người dùng có thể nhận được các đề xuất được cá nhân hóa về các điểm đến, khách sạn, phương tiện di chuyển và điểm tham quan dựa trên tương tác của họ với chatbot.
Peter Kern, Phó Chủ tịch và Giám đốc điều hành của Expedia Group, đã nhận xét trong một thông cáo báo chí: “Bằng cách tích hợp ChatGPT vào ứng dụng Expedia và kết hợp nó với các khả năng mua sắm dựa trên AI khác của chúng tôi, như so sánh khách sạn, theo dõi giá cho các chuyến bay và công cụ cộng tác chuyến đi, giờ đây chúng tôi có thể cung cấp cho khách du lịch một cách trực quan hơn để xây dựng chuyến đi hoàn hảo của họ.”
Ngoài ra, Expedia đã phát triển một plugin cho ChatGPT, có sẵn cùng với các plugin khác trên trang web OpenAI. Plugin hoạt động như một đại lý du lịch ảo có khả năng đề xuất các chuyến bay và khách sạn.
5.2 Chatbot và Dịch Vụ Khách Hàng
Trong ngành du lịch, vai trò của chatbot và dịch vụ khách hàng đã được nâng cao đáng kể với sự ra đời của các mô hình như ChatGPT. Các hệ thống AI đàm thoại tiên tiến này chuyển đổi cách các công ty du lịch tương tác với khách hàng của họ, cung cấp phản hồi tức thì cho các câu hỏi và đưa ra các đề xuất được cá nhân hóa.
Ví dụ: công cụ tìm kiếm du lịch KAYAK đã tận dụng các khả năng của ChatGPT để tăng cường trải nghiệm dịch vụ khách hàng của mình. Với việc tích hợp ChatGPT, KAYAK đã trở thành một trợ lý du lịch ảo hiệu quả và đáp ứng hơn. Giờ đây, người dùng có thể đặt các câu hỏi liên quan đến du lịch bằng ngôn ngữ tự nhiên và nhận các phản hồi phù hợp dựa trên các tiêu chí cụ thể của họ và dữ liệu du lịch lịch sử mở rộng của KAYAK.
5.3 Phân Tích Dữ Liệu Du Lịch
Một trường hợp sử dụng thú vị khác của ChatGPT trong lĩnh vực du lịch là trong lĩnh vực phân tích dữ liệu. Thông qua sự hiểu biết sâu sắc về ngôn ngữ tự nhiên, ChatGPT có thể phân tích một lượng lớn dữ liệu như đánh giá của khách hàng, phản hồi trên phương tiện truyền thông xã hội, v.v. Điều này cho phép các doanh nghiệp thu thập những hiểu biết có giá trị về hành vi của khách hàng và xu hướng thị trường, do đó hỗ trợ việc ra quyết định chiến lược.
Ví dụ: các hãng hàng không và chuỗi khách sạn có thể tận dụng ChatGPT để phân tích phản hồi của khách hàng, do đó xác định các lĩnh vực cần cải thiện để nâng cao trải nghiệm của khách hàng. Hiểu sở thích và cảm xúc trong các đánh giá cũng cho phép các doanh nghiệp điều chỉnh dịch vụ của họ cho phù hợp, đảm bảo đáp ứng và thậm chí vượt quá mong đợi của khách hàng.
Từ vị trí của chúng tôi ở vị trí tiên phong của công nghệ, chúng tôi tại AltexSoft không thể bỏ qua một thứ gì đó quan trọng như ChatGPT. Đọc tiếp để biết chi tiết về khám phá của chúng tôi.
6. Chuyên Môn Của AltexSoft Với ChatGPT
Các ứng dụng đa dạng của ChatGPT vượt xa chatbot và cá nhân hóa, vươn tới các lĩnh vực mà thoạt nhìn có thể gây ngạc nhiên. Tại AltexSoft, chúng tôi đã có cơ hội thử nghiệm mô hình AI này trong một môi trường thực tế. Khám phá của chúng tôi nhằm mục đích giải quyết các vấn đề phức tạp, cải thiện các giải pháp hiện tại của chúng tôi và hiểu rõ hơn về tiềm năng của công nghệ. Trong các phần sau, chúng tôi sẽ chia sẻ cách chúng tôi áp dụng ChatGPT cho các thách thức cụ thể và thảo luận về kết quả của các sáng kiến này.
6.1 Di Chuyển Dịch Vụ Node.js Của Ứng Dụng Web Du Lịch Sang Java
Trong phần này, chúng ta hãy xem xét kỹ hơn ứng dụng thực tế của ChatGPT trong lĩnh vực phát triển phần mềm, đặc biệt là trong ngành du lịch. Kịch bản diễn ra xung quanh việc di chuyển dịch vụ Node.js sang Java cho ứng dụng web hướng đến du lịch của khách hàng của chúng tôi. Chức năng chính của nó là tính toán lượng khí thải carbon của khách sạn.
Nhóm AltexSoft đang vận hành với nhiều microservice được viết bằng Java. Tuy nhiên, một thành phần của hệ sinh thái này, được thừa hưởng từ một nhà cung cấp trước đó, lại tách biệt vì nó được viết bằng Node.js. Nhìn về phía trước kế hoạch của khách hàng để giới thiệu nhiều tính năng hơn vào dịch vụ, một cơ hội rõ ràng đã nảy sinh: di chuyển kẻ ngoại lai này sang Java. Căn chỉnh tất cả các dịch vụ cho cùng một ngôn ngữ là một động thái chiến lược để đơn giản và nhất quán.
Glib Zhebrakov đưa ra một số thông tin chi tiết có giá trị về vấn đề này: “Bắt buộc phải hiểu đầy đủ những gì bạn đang yêu cầu từ ChatGPT. Nếu bạn không thể hiểu một đoạn mã, chẳng hạn như bằng C hoặc C++, và yêu cầu ChatGPT dịch nó sang ngôn ngữ ưa thích của bạn, bạn có thể sẽ gặp một số trở ngại. Thông thường, ma quỷ nằm trong các chi tiết. Do đó, việc nhận ra những điểm phức tạp này là rất quan trọng.”
Trở lại trường hợp, dịch vụ Node.js là một ứng dụng web điển hình với các bộ điều khiển, dịch vụ và cơ sở dữ liệu quan hệ (relational database) còn lâu mới hoàn hảo về mặt mã. Chiến lược của nhóm để di chuyển bắt đầu với cơ sở dữ liệu, lưu trữ khoảng 20 bảng. Các bảng này đã được trích xuất thủ công và sau đó ChatGPT đã được sử dụng để tạo ra các thực thể Java tương ứng. Điều này bao gồm các tập lệnh di chuyển, lớp dịch vụ, ánh xạ và các đối tượng truyền dữ liệu (DTO) — trong Java, chúng là các đối tượng đơn giản được sử dụng để mang dữ liệu giữa các quy trình.
Với một bảng “người dùng”, ChatGPT đã tạo thành công một “thực thể người dùng”, một lớp Java với các thuộc tính đơn giản bên trong. Tuy nhiên, mô hình đã gặp một chút khó khăn với việc tạo Liquibase migration, một công cụ di chuyển Java dựa vào các tệp XML hoặc YAML làm đầu vào để di chuyển lược đồ cơ sở dữ liệu. ChatGPT đã tạo ra một cái gì đó giống như một di chuyển, nhưng các thẻ XML được sử dụng không tồn tại.
Sau khi điều chỉnh lời nhắc để giải thích kỹ lưỡng hơn, ChatGPT đã tạo ra hiệu quả một tập lệnh bash để tạo thư mục thích hợp. Ngoài ra, nó đã tạo thành công các thực thể Java dựa trên lò xo theo lớp, bao gồm các dịch vụ, kho lưu trữ, v.v. và các thực thể có các trường tương ứng với bảng. Điều này chứng minh tầm quan trọng của chất lượng lời nhắc khi tương tác với ChatGPT — các hướng dẫn không rõ ràng hoặc không đầy đủ sẽ cho kết quả không đạt yêu cầu.
Nhìn chung, bằng cách sử dụng ChatGPT, AltexSoft đã tiết kiệm được khoảng 30% thời gian của nhà phát triển và quan trọng hơn, rủi ro về lỗi hoặc sai sót đã được giảm thiểu. Hơn nữa, trong thời hạn chặt chẽ, ChatGPT đã đóng vai trò là một công cụ vô giá để đẩy nhanh quá trình.
6.2 Tìm Kiếm Ngôn Ngữ Tự Nhiên
Trong lĩnh vực công nghiệp khách sạn, tìm kiếm ngôn ngữ tự nhiên cho phép người dùng tận dụng ngôn ngữ tự nhiên, hàng ngày để tìm kiếm những trải nghiệm du lịch ưa thích của họ. Cách tiếp cận thân thiện với người dùng này giúp tăng cường đáng kể tương tác của khách hàng bằng cách cung cấp giao tiếp trực quan và giống con người hơn. Người dùng có thể diễn đạt các truy vấn của họ bằng lời lẽ của riêng mình, chẳng hạn như “Tôi đang tìm kiếm một khu nghỉ dưỡng bãi biển yên tĩnh,” “Tôi muốn khám phá các địa danh lịch sử mang tính biểu tượng,” hoặc “Tìm cho tôi những điểm đến phiêu lưu mạo hiểm.”
ChatGPT làm cho việc triển khai tìm kiếm như vậy trở nên cực kỳ năng động. Nó cho phép các nền tảng hiểu và giải thích các truy vấn ngôn ngữ tự nhiên trong thế giới thực, biến đổi sâu sắc cách người dùng tương tác với nền tảng và dẫn đến trải nghiệm người dùng mang tính cá nhân và đàm thoại hơn.
Tại AltexSoft, chúng tôi đã tận dụng ChatGPT để đổi mới trải nghiệm của khách hàng khi hợp tác với một trong những khách hàng của chúng tôi. Cùng nhau, chúng tôi đã xây dựng một nền tảng du lịch cho các gói tour bao gồm các chuyến bay và khách sạn trên nhiều điểm đến khác nhau. Nền tảng này đã chín muồi cho sự đổi mới để đáp ứng những kỳ vọng ngày càng tăng của người dùng trong thời đại kỹ thuật số.
Để nâng cao khả năng của nền tảng, chúng tôi đã khai thác sức mạnh của mô hình GPT-3.5-Turbo thông qua API OpenAI. Thách thức vượt xa việc tích hợp API đơn thuần — chúng tôi cần làm chủ kỹ thuật lời nhắc, bao gồm cung cấp các hướng dẫn chính xác cho mô hình để tạo ra các phản hồi liên quan. Sau nhiều lần lặp lại kéo dài hai tuần, chúng tôi đã tinh chỉnh một lời nhắc mang lại kết quả mong muốn.
Alexey Taranets, Kiến trúc sư giải pháp tại AltexSoft, đã chia sẻ cái nhìn sâu sắc của mình về sự đổi mới này: “Hãy tưởng tượng nhập một yêu cầu ngôn ngữ tự nhiên vào hộp tìm kiếm trên trang web – phác thảo những gì bạn muốn xem, nơi bạn muốn đi du lịch, v.v. Đến lượt mình, ChatGPT tuyển chọn một danh sách các điểm đến hàng đầu được điều chỉnh đặc biệt cho truy vấn của bạn. Sự quyến rũ thực sự của hệ thống này là khả năng hiểu các hướng dẫn không cụ thể. Bạn có thể chỉ cần nói, ‘Tôi muốn một nơi nào đó ấm áp với ẩm thực ngon miệng, các môn thể thao mạo hiểm thú vị và phong cảnh ngoạn mục,’ và hệ thống nắm bắt chính xác những gì bạn đang tìm kiếm.”
Khi nhận được truy vấn của người dùng, mô hình GPT sẽ quét qua danh sách các điểm đến, chọn ra ba điểm đến hàng đầu phù hợp nhất với yêu cầu của người dùng. Nó thậm chí còn gợi ý tháng tối ưu để đi nghỉ ở mỗi địa điểm. Dữ liệu có được sau đó được gửi ở định dạng CSV.
Để chuyển đổi dữ liệu này thành kết quả có thể hành động, chúng tôi đã thiết kế một hệ thống trích xuất tên điểm đến và các tháng tương ứng từ phản hồi GPT. Thông tin này sau đó được đưa vào biểu mẫu yêu cầu tiêu chuẩn để tìm kiếm các gói tour phù hợp. Do đó, người dùng nhận được danh sách các tùy chọn kỳ nghỉ có sẵn theo yêu cầu ngôn ngữ tự nhiên của họ.
6.3 Ánh Xạ Khách Sạn và Phòng
Ánh xạ khách sạn và phòng là các quy trình cơ bản trong ngành du lịch, đặc biệt đối với những người bán lại nguồn hàng tồn kho từ nhiều nhà cung cấp. Trong bối cảnh này, các nhà cung cấp có thể liệt kê cùng một khách sạn và phòng nhưng dưới các tên và ID khác nhau, dẫn đến sự chồng chéo tiềm ẩn. Do đó, nhiệm vụ ánh xạ khách sạn và phòng là xác định và khắc phục những sự chồng chéo này, đảm bảo một biểu diễn nhất quán và chính xác về hàng tồn kho.
Ở cấp độ cao, ánh xạ khách sạn là tất cả về việc khớp cùng một tài sản trên các nền tảng khác nhau. Để minh họa điều này, hãy xem xét trường hợp một khách sạn được liệt kê là “The Ritz Carlton New York” trong một hệ thống, “Ritz Carlton – New York” trong một hệ thống khác và “New York Ritz Carlton” trong một hệ thống khác. Mặc dù đối với mắt người, những tên này là đồng nghĩa, nhưng máy tính có thể coi chúng là các thực thể khác nhau. Do đó, mục tiêu của ánh xạ khách sạn là giúp hệ thống máy tính nhận ra những danh sách này là cùng một khách sạn chính xác.
Cách ánh xạ khách sạn hoạt động.
Quá trình khớp bao gồm sự pha trộn giữa các thuật toán và kiểm tra thủ công xem xét các chi tiết nhận dạng chính như tên khách sạn, địa chỉ, mã bưu điện, dữ liệu vị trí địa lý và các mã định danh duy nhất khác. Mục tiêu cuối cùng là, bất kể tên được liệt kê, tất cả các mục nhập đều trỏ đến cùng một tài sản khách sạn.
Khi chúng ta đi sâu hơn một cấp độ, chúng ta bắt gặp lĩnh vực ánh xạ phòng khách sạn. Nguyên tắc ở đây là tương tự, nhưng độ chi tiết cao hơn. Nhiệm vụ là tiêu chuẩn hóa các loại phòng của một khách sạn cụ thể được trình bày trên các nền tảng khác nhau cho hệ thống của bạn. Với thực tế là mô tả phòng có thể khác nhau đáng kể trên các hệ thống khác nhau (một “Phòng King Deluxe với tầm nhìn ra thành phố” có thể được liệt kê là “King Deluxe – Tầm nhìn ra thành phố” ở nơi khác), ánh xạ phòng khách sạn là điều cần thiết để ngăn ngừa sự nhầm lẫn và đặt phòng quá mức.
Với tầm quan trọng của các quy trình này, nhóm AltexSoft đã tìm cách khám phá tiềm năng của trí tuệ nhân tạo trong việc đơn giản hóa chúng. Để làm điều này, chúng tôi đã tận dụng ChatGPT trong một kịch bản giống như thực tế.
Chúng tôi đã tìm nguồn thông tin về Khách sạn Thistle Holborn từ Hotelbeds và Sabre. Sau đó, chúng tôi so sánh thủ công các mô tả phòng, xác định các kết quả phù hợp và biên soạn một từ điển thống nhất chứa các cụm từ khóa có thể được sử dụng để nhận dạng phòng. ChatGPT sau đó đã được giao nhiệm vụ khớp các mô tả phòng với các khóa phòng tương ứng trong một từ điển, một tình huống được thiết kế để bắt chước các thách thức của ánh xạ phòng khách sạn. Từ điển, chứa các khóa phòng khác nhau, mỗi khóa được liên kết với các thuộc tính cụ thể — “nội dung” và “sức chứa”. “Nội dung” bao gồm các từ khóa và cụm từ mô tả phòng, trong khi “sức chứa” đề cập đến số lượng người tối đa có thể được chứa.
Lời nhắc chung cho Alpaca và ChatGPT được viết trong thử nghiệm AltexSoft.
Chúng tôi đã so sánh hiệu suất của ChatGPT với một mô hình khác, Alpaca, trên tám loại phòng với hai mô tả riêng biệt cho mỗi phòng từ các nền tảng đặt phòng khác nhau. Chúng tôi nhằm mục đích đánh giá mức độ hiệu quả của các mô hình có thể chuẩn hóa các mô tả và xác định chính xác các phòng tương ứng.
Trong kịch bản đầu tiên, mô tả bao gồm các yếu tố như “bộ tiêu chuẩn nhỏ, bộ nhỏ, phòng ngủ, giường đôi chiều rộng 131-150, giường sofa.” Trong từ điển của chúng tôi, điều này phù hợp nhất với nội dung của Room8 và thật ấn tượng, ChatGPT đã khớp chính xác. Thành công này đã được lặp lại trên các phòng khác, với việc ChatGPT liên tục thực hiện các kết quả phù hợp chính xác, ngay cả khi các mô tả phòng khác nhau về văn bản và chi tiết của chúng.
Alpaca tạo ra nhiều vấn đề. Nó thường mắc lỗi trong việc xác định phòng và hiệu suất của nó giảm sút với các lời nhắc lớn hoặc tuần tự. Ngoài ra, độ dài chuỗi đầu vào của Alpaca bị giới hạn, dẫn đến hành vi khó lường và kết quả kỳ lạ. Nó cũng mất nhiều thời gian hơn để xử lý các truy vấn so với ChatGPT.
Kết quả chung của thử nghiệm chuẩn hóa dữ liệu khách sạn GDS được thực hiện bởi AltexSoft.
Ngược lại, ChatGPT không hiển thị các vấn đề như vậy và xử lý các truy vấn nhanh hơn. Thử nghiệm cho thấy ChatGPT đã xác định thành công các phòng chính xác 100% thời gian (16 trên 16), trong khi Alpaca chỉ xoay sở một lần trong cùng một số lần thử.
Kịch bản giống như thực tế này đã làm nổi bật tiềm năng của AI, cụ thể là ChatGPT, trong việc thực hiện các nhiệm vụ phức tạp như ánh xạ phòng khách sạn. Bằng cách diễn giải và chuẩn hóa chính xác các mô tả phòng, nó đã chứng minh cách nó có thể giúp ngăn chặn việc đặt phòng quá mức và đảm bảo khách hàng nhận được phòng họ mong đợi. Nó cũng tái khẳng định niềm tin của chúng tôi tại AltexSoft vào sức mạnh của trí tuệ nhân tạo để nâng cao hiệu quả hoạt động và sự hài lòng của khách hàng trong ngành khách sạn.
7. Các Hạn Chế Hiện Tại và Tương Lai Của ChatGPT Trong Du Lịch
Mặc dù ChatGPT mang đến nhiều cơ hội, nhưng điều cần thiết là phải nhận ra những hạn chế vốn có của nó.
- Chức năng của ChatGPT dựa trên dữ liệu đào tạo, có nghĩa là nó chỉ có thể tạo ra các phản hồi dựa trên đào tạo và các lời nhắc được đưa ra.
- Mặc dù nó có thể tạo ra các phản hồi cực kỳ chính xác, nhưng nó vẫn dễ mắc lỗi hoặc thông tin sai lệch.
Mặc dù có những hạn chế này, tiềm năng của ChatGPT trong việc cách mạng hóa ngành du lịch là rất lớn và chỉ mới bắt đầu mở ra. Các ứng dụng của nó bao gồm từ việc tăng cường các chuyến tham quan ảo đến các điểm đến nghỉ mát đến việc thúc đẩy du lịch bền vững, cung cấp các gợi ý du lịch phù hợp, cải thiện khả năng tiếp cận du lịch và chuyển đổi quản lý hệ thống giao thông.
Dưới đây là một vài triển vọng cho ChatGPT mà nhiều người trong ngành du lịch đã đồng ý.
Các chuyến tham quan hướng dẫn ảo. Trong lĩnh vực thực tế ảo, ChatGPT có thể đóng vai trò là một trợ lý ngôn ngữ tự nhiên, hướng dẫn và thông báo cho người dùng trong suốt những trải nghiệm ảo này, cho phép họ lên kế hoạch cho hành trình
