Checklist data pipeline RAG: 7 bước trước khi bắt đầu

23/09/2026

Đừng tin vào số liệu 90% ngay từ đầu

Nhiều người phụ trách kỹ thuật tin rằng nếu đưa đủ dữ liệu vào hệ thống, chatbot sẽ tự động trả lời đúng 90% câu hỏi. Đây là hiểu lầm chết người nhất mà tôi hay gặp. Thực tế triển khai cho thấy, nếu không làm sạch dữ liệu đầu vào, tỷ lệ lỗi có thể cao gấp đôi so với kỳ vọng. Vấn đề không nằm ở mô hình AI, mà nằm ở chất lượng của data pipeline RAG.

Tôi đã chứng kiến nhiều dự án bỏ tiền mua công nghệ đắt tiền nhưng thất bại vì dữ liệu rác. Email hỗ trợ chứa đầy dấu tiếng Việt lộn xộn, ticket bị cắt cụt, hoặc thông tin quan trọng nằm trong file đính kèm mà hệ thống không đọc được. Khi đó, việc tối ưu hệ thống AI chỉ là sự lãng phí. Bạn cần một quy trình xử lý dữ liệu chatbot chặt chẽ trước khi nghĩ đến việc huấn luyện mô hình.

Trước khi làm: Kiểm tra nguồn dữ liệu

Đây là giai đoạn quyết định 50% thành công của dự án. Nếu bỏ qua bước này, mọi nỗ lực sau đó đều vô nghĩa. Dưới đây là những việc bắt buộc phải làm ngay bây giờ:

• Xác định định dạng dữ liệu gốc: Email có thể là HTML, plain text hoặc multipart. Ticket có thể là JSON, XML hoặc CSV. Mỗi định dạng có cách parse khác nhau. Sai ở bước này, dữ liệu vào hệ thống sẽ bị méo mó, dẫn đến việc trích xuất thông tin sai lệch.
• Chuẩn hóa dấu tiếng Việt: Khoảng một phần ba lỗi chatbot trả lời sai là do vấn đề dấu. Ví dụ, "tổ chức" và "tổ chức" (không dấu) hoặc các ký tự đặc biệt bị lỗi font. Nếu không chuẩn hóa, vector database sẽ coi đây là hai từ khác nhau, làm giảm độ chính xác của tìm kiếm.
• Lọc bỏ dữ liệu trùng lặp: Khách hàng hay gửi email lặp lại hoặc tạo ticket mới cho cùng một vấn đề. Nếu không deduplicate, hệ thống sẽ trả lời dựa trên phiên bản cũ hoặc lỗi thời. Việc này tốn ít thời gian nhưng giúp tăng độ tin cậy của kết quả lên đáng kể.

Trong khi làm: Xây dựng đường ống xử lý

Sau khi đã có dữ liệu sạch, bước tiếp theo là chuyển đổi chúng thành các chunk phù hợp cho RAG. Đây là phần kỹ thuật nhất và cũng là nơi dễ mắc lỗi nhất nếu bạn không có kinh nghiệm triển khai thực tế.

1. Chia nhỏ nội dung (Chunking): Đừng chia theo số từ cố định. Hãy chia theo ngữ cảnh. Một email hỗ trợ thường có phần tiêu đề, nội dung và giải pháp. Mỗi phần này nên là một chunk riêng. Nếu gộp chung, mô hình sẽ mất tập trung vào chi tiết quan trọng.
2. Thêm metadata ngữ cảnh: Mỗi chunk cần gắn kèm thông tin như ngày tháng, loại sản phẩm, mã khách hàng. Khi chatbot tìm kiếm, nó không chỉ dựa vào nội dung mà còn lọc theo metadata. Điều này giúp loại bỏ các câu trả lời không liên quan, đặc biệt hữu ích khi bạn phục vụ nhiều dòng sản phẩm khác nhau.
3. Xử lý lỗi và ngoại lệ: Sẽ luôn có những email hoặc ticket bị hỏng, thiếu thông tin. Pipeline cần có cơ chế bỏ qua các dữ liệu này một cách an toàn, không làm treo hệ thống. Tôi từng gặp trường hợp một file đính kèm bị lỗi khiến cả batch xử lý bị dừng lại. Phải có log và cảnh báo rõ ràng.

Trong giai đoạn này, việc đồng hành cùng các đối tác có kinh nghiệm như AIVISION giúp rút ngắn đáng kể thời gian thử sai. Chúng tôi đã triển khai các quy trình tương tự cho nhiều doanh nghiệp, từ chuỗi bán lẻ đến nhà máy sản xuất, nên hiểu rõ các điểm nghẽn thường gặp.

Sau khi chạy thật: Đo lường và điều chỉnh

Chatbot đã chạy, nhưng nó có thực sự tốt? Đừng chỉ nhìn vào số lượt tương tác. Hãy đo lường độ chính xác của câu trả lời. Bạn cần một cơ chế để đánh giá xem chatbot có trả lời đúng ý khách hàng không.

Một cách đơn giản là lấy một mẫu ngẫu nhiên các câu hỏi thực tế, so sánh câu trả lời của chatbot với câu trả lời chuẩn do nhân viên hỗ trợ cung cấp. Nếu tỷ lệ khớp dưới 80%, bạn cần quay lại xem xét lại bước chunking hoặc metadata. Đừng ngại điều chỉnh. Hệ thống RAG là một vòng lặp liên tục, không phải một sản phẩm hoàn chỉnh sau khi triển khai.

Câu hỏi thường gặp

Liệu có cần dùng mô hình AI lớn (LLM) đắt tiền không?

Không nhất thiết. Với dữ liệu sạch và pipeline tốt, các mô hình nhỏ hơn cũng có thể cho kết quả tốt. Quan trọng là chất lượng dữ liệu đầu vào, không phải kích thước mô hình.

Mất bao lâu để xây dựng xong pipeline?

Tùy vào quy mô dữ liệu. Với một hệ thống vừa phải, có thể mất từ 2 đến 4 tuần để thiết lập và chạy thử. Nếu dữ liệu phức tạp hoặc đa ngôn ngữ, thời gian có thể kéo dài hơn.

Phải làm gì nếu chatbot vẫn trả lời sai?

Đầu tiên, kiểm tra lại dữ liệu gốc. Xem xem thông tin cần thiết có nằm trong chunk đó không. Nếu có, vấn đề có thể nằm ở bước embedding hoặc tìm kiếm. Hãy thử điều chỉnh tham số hoặc thêm metadata.

Chúng tôi viết loạt bài này từ những dự án đã chạy thật. Xem thêm tại blog AIVISION, tìm hiểu nhận diện khuôn mặt và các giải pháp khác, hoặc liên hệ để được tư vấn.