- LLM Các tác nhân kết hợp sự hiểu biết về ngôn ngữ, trí nhớ, sử dụng công cụ và lập kế hoạch để thực hiện các nhiệm vụ phức tạp, tự chủ ngoài việc trò chuyện đơn giản.
- Cải thiện LLM Các tác nhân bao gồm các kỹ thuật như RAG, tinh chỉnh, nhắc nhở n-shot và kỹ thuật nhắc nhở tiên tiến để có độ chính xác và độ tin cậy tốt hơn.
- Xây dựng một LLM tác nhân cần có mục tiêu rõ ràng, nền tảng phù hợp, cấu hình mô hình, tích hợp, thử nghiệm và giám sát liên tục.
- Mặc dù có sức mạnh, LLM các tác nhân có những giới hạn như ảo giác, rủi ro về quyền riêng tư và hạn chế về bối cảnh, do đó việc thiết kế và giám sát cẩn thận vẫn rất cần thiết.

Có lẽ bạn đã quen thuộc với chủ đề nóng nhất năm nay: tác nhân AI .
Hầu hết các tác nhân AI này đều là tác nhân LLM . Tại sao?
"Trong vài năm qua, các tác nhân tự động đã thay đổi", giải thích Botpress Tổng giám đốc điều hành Sylvain Perron . "Các mô hình cơ bản đã được cải thiện. LLMs đã mở ra một tầng lý luận và trừu tượng mới."
Với sức mạnh của LLMs , Các tác nhân AI có thể được xây dựng để hoàn thành bất kỳ loại nhiệm vụ nào dựa trên ngôn ngữ hoặc lý luận.
Và nhờ vào khả năng ngôn ngữ và phân tích của mình, chúng đang dần chiếm lĩnh các nơi làm việc văn phòng, với hơn 80% công ty có kế hoạch sử dụng tác nhân AI trong vài năm tới.
Trong khi danh mục rộng lớn của các tác nhân AI bao gồm các ứng dụng phi ngôn ngữ (hệ thống đề xuất nội dung, nhận dạng hình ảnh, điều khiển bằng rô-bốt, v.v.), LLM Các tác nhân thường là phần mềm AI đàm thoại .
Những gì là LLM đại lý?
LLM Các tác nhân là công cụ hỗ trợ AI sử dụng các mô hình ngôn ngữ lớn để diễn giải ngôn ngữ, trò chuyện và thực hiện nhiệm vụ.
Các tác nhân này được xây dựng trên các thuật toán phức tạp được đào tạo trên lượng lớn dữ liệu văn bản, cho phép chúng hiểu và tạo ra ngôn ngữ theo cách mô phỏng giao tiếp giống con người.
LLM Các tác nhân có thể được tích hợp vào các tác nhân AI, chatbot AI , trợ lý ảo, phần mềm tạo nội dung và các công cụ ứng dụng khác.
Làm thế nào để LLM tác nhân làm việc?
LLM các tác nhân kết hợp sức mạnh của một LLM với khả năng truy xuất, lý luận, trí nhớ và sử dụng công cụ để hoàn thành nhiệm vụ một cách tự động. Hãy cùng phân tích từng thành phần này thực hiện những gì.
Kết hợp lại, những khả năng này cho phép LLM các tác nhân thực hiện các quy trình làm việc phức tạp, nhiều bước với tính tự chủ hoàn toàn.
Chẳng hạn:
- Nhân viên bán hàng B2B thu thập dữ liệu CRM về khách hàng tiềm năng, phân tích tiến trình giao dịch, ghi nhớ các tương tác trước đây với khách hàng tiềm năng để có thể cá nhân hóa việc theo dõi và sử dụng API email và lịch để gửi và lên lịch.
- Nhân viên CNTT sẽ truy xuất nhật ký hệ thống để chẩn đoán lỗi, phân tích các bước khắc phục sự cố để tìm ra chiến lược tốt nhất, ghi nhớ những gì hiệu quả trong các sự cố trước đó của người dùng và thực thi các tập lệnh để khởi động lại dịch vụ hoặc tạo phiếu yêu cầu.
4 đặc điểm nào xác định một LLM đại lý?

Có bốn tính năng chính của một LLM đại lý:
1. Mô hình ngôn ngữ
Mô hình ngôn ngữ thường được coi là "bộ não" của một LLM đại lý. Chất lượng và quy mô của nó ảnh hưởng trực tiếp đến hiệu suất của LLM đại lý.
Đây là một thuật toán phức tạp được đào tạo trên các tập dữ liệu văn bản khổng lồ, cho phép nó hiểu ngữ cảnh, nhận dạng các mẫu và đưa ra các phản hồi mạch lạc và phù hợp với ngữ cảnh.
- Xác định và học các mẫu ngôn ngữ
- Có được mức độ nhận thức theo ngữ cảnh (nhờ vào dữ liệu đào tạo khổng lồ của nó)
- Thích ứng với nhiều lĩnh vực khác nhau và xử lý nhiều chủ đề khác nhau
Mô hình ngôn ngữ xác định độ sâu, độ chính xác và tính phù hợp của phản hồi, tạo thành nền tảng cho khả năng ngôn ngữ của tác nhân.
2. Bộ nhớ
Bộ nhớ đề cập đến khả năng lưu giữ thông tin từ các tương tác trước đây, như sự kiện, sở thích của người dùng hoặc chủ đề trong các phiên.
Điều này giúp tăng cường khả năng hiểu ngữ cảnh của tác nhân và khiến cuộc trò chuyện trở nên liên tục và phù hợp hơn.
Trong một số thiết lập, bộ nhớ cho phép tác nhân lưu giữ thông tin theo thời gian. Điều này hỗ trợ tương tác dài hạn, trong đó tác nhân "học" từ hành vi hoặc sở thích lặp lại của người dùng – mặc dù điều này thường được quy định về quyền riêng tư và tính liên quan.
3. Sử dụng công cụ
Việc sử dụng công cụ của nó mất một LLM tác nhân từ cuộc trò chuyện đến hành động.
MỘT LLM tác nhân có thể tích hợp với các ứng dụng, cơ sở dữ liệu hoặc API bên ngoài để thực hiện các chức năng cụ thể.
Điều này có nghĩa là chúng có thể lấy thông tin theo thời gian thực, thực hiện các hành động bên ngoài hoặc truy cập vào các cơ sở dữ liệu chuyên biệt, giúp chúng có khả năng cung cấp thông tin theo thời gian thực. Điều này bao gồm:
- Gọi API
- Thu thập dữ liệu trực tiếp, như cập nhật thời tiết hoặc giá cổ phiếu
- Lên lịch họp hoặc cuộc hẹn
- Truy vấn cơ sở dữ liệu, như danh mục sản phẩm hoặc tài liệu chính sách nhân sự
Sử dụng công cụ cho phép LLM tác nhân chuyển từ hệ thống thụ động, dựa trên kiến thức sang một bên tham gia tích cực có khả năng giao tiếp với các hệ thống khác.
4. Lập kế hoạch
Lập kế hoạch là khả năng của một LLM tác nhân chia nhỏ các nhiệm vụ phức tạp thành một loạt các bước dễ quản lý.
MỘT LLM Người đại diện có thể lập kế hoạch có hoặc không có phản hồi. Sự khác biệt là gì?
- Lập kế hoạch mà không có phản hồi có nghĩa là LLM tác nhân sẽ tạo ra một kế hoạch dựa trên hiểu biết ban đầu của mình. Nó nhanh hơn và đơn giản hơn, nhưng thiếu khả năng thích ứng.
- Lập kế hoạch với phản hồi có nghĩa là LLM tác nhân có thể liên tục tinh chỉnh kế hoạch của mình, lấy thông tin đầu vào từ môi trường. Nó phức tạp hơn, nhưng linh hoạt hơn nhiều và cải thiện hiệu suất theo thời gian.
Bằng cách lập kế hoạch, một LLM tác nhân có thể tạo ra các luồng logic tiến dần đến giải pháp, giúp xử lý các yêu cầu phức tạp hiệu quả hơn.
4 loại đó là gì? LLM các tác nhân?
.webp)
1. Đại lý đàm thoại (ví dụ: hỗ trợ khách hàng và tạo khách hàng tiềm năng)
Các loại tác nhân này tham gia vào cuộc đối thoại tự nhiên với người dùng – họ thường cung cấp thông tin, trả lời câu hỏi và hỗ trợ nhiều nhiệm vụ khác nhau.
Các tác nhân này dựa vào LLMs để hiểu và tạo ra những phản ứng giống con người.
Ví dụ: Nhân viên hỗ trợ khách hàng và chatbot chăm sóc sức khỏe
2. Các tác nhân hướng nhiệm vụ (ví dụ: trợ lý AI và quy trình làm việc AI)
Tập trung vào việc thực hiện các nhiệm vụ cụ thể hoặc đạt được các mục tiêu được xác định trước, các tác nhân này tương tác với người dùng để hiểu nhu cầu của họ và sau đó thực hiện các hành động để đáp ứng các nhu cầu đó.
3. Các tác nhân sáng tạo (ví dụ: công cụ tạo nội dung)
Có khả năng tạo ra nội dung gốc và sáng tạo như tác phẩm nghệ thuật, âm nhạc hoặc văn bản, các tác nhân này sử dụng LLMs để hiểu được sở thích và phong cách nghệ thuật của con người, cho phép họ tạo ra nội dung được khán giả đón nhận.
Ví dụ: Công cụ tạo nội dung và công cụ tạo hình ảnh (như Dall-E )
4. Các tác nhân cộng tác (ví dụ: các tác nhân AI doanh nghiệp)
Các tác nhân này làm việc cùng con người để hoàn thành các mục tiêu hoặc nhiệm vụ chung, tạo điều kiện thuận lợi cho việc giao tiếp, phối hợp và hợp tác giữa các thành viên trong nhóm hoặc giữa con người và máy móc.
LLMs có thể hỗ trợ các tác nhân cộng tác bằng cách hỗ trợ ra quyết định, tạo báo cáo hoặc cung cấp thông tin chi tiết.
Ví dụ: Hầu hết các tác nhân AI doanh nghiệp và chatbot quản lý dự án
Các doanh nghiệp sử dụng như thế nào LLM đại lý?
Các doanh nghiệp được hưởng lợi từ LLM các tác nhân trong các lĩnh vực liên quan đến xử lý và phản hồi ngôn ngữ tự nhiên, như trả lời câu hỏi, cung cấp hướng dẫn, tự động hóa quy trình làm việc và phân tích văn bản.
Các doanh nghiệp thường sử dụng LLM đại lý tiếp thị , phân tích dữ liệu, tuân thủ, hỗ trợ pháp lý, hỗ trợ chăm sóc sức khỏe, nhiệm vụ tài chính và giáo dục .
Dưới đây là 3 trường hợp sử dụng phổ biến nhất của LLM các tác nhân:
Hỗ trợ khách hàng
Theo một nghiên cứu về 167 công ty của chuyên gia tự động hóa Pascal Bornet, dịch vụ khách hàng là trường hợp sử dụng phổ biến nhất cho LLM việc áp dụng tác nhân.
LLM Các tác nhân được sử dụng rộng rãi trong hỗ trợ khách hàng để xử lý các câu hỏi thường gặp, khắc phục sự cố và cung cấp hỗ trợ 24/7.
Các nhân viên này có thể tương tác với khách hàng theo thời gian thực, cung cấp trợ giúp ngay lập tức hoặc chuyển các yêu cầu phức tạp tới nhân viên.
Xem thêm: Chatbot dịch vụ khách hàng là gì?
Bán hàng và tạo khách hàng tiềm năng
Trong bán hàng, LLM Các tác nhân được sử dụng để tạo khách hàng tiềm năng bằng AI — họ thậm chí có thể đánh giá khách hàng tiềm năng sau đó bằng cách thu hút khách hàng tiềm năng vào các cuộc trò chuyện, đánh giá nhu cầu và thu thập thông tin có giá trị.
Họ cũng có thể tự động hóa các tương tác tiếp theo, gửi các đề xuất được cá nhân hóa hoặc thông tin sản phẩm dựa trên sở thích của khách hàng.
Xem thêm: Cách sử dụng AI cho bán hàng
Hỗ trợ nội bộ: Nhân sự và CNTT
Để hỗ trợ nội bộ, LLM Các tác nhân hợp lý hóa các quy trình CNTT và nhân sự bằng cách xử lý các thắc mắc chung từ nhân viên.
Trên thực tế, nghiên cứu của Bornet đã phát hiện ra rằng LLM Các tác nhân trong hoạt động nội bộ có hiệu quả về mặt chi phí nhất, tiết kiệm 30-90% thời gian trước đây để hoàn thành các nhiệm vụ nội bộ.
Trong bộ phận nhân sự, họ trả lời các câu hỏi về các chủ đề như phúc lợi, chính sách nghỉ phép và bảng lương, trong khi trong bộ phận CNTT, họ khắc phục sự cố cho các vấn đề kỹ thuật cơ bản hoặc tự động hóa các tác vụ thường xuyên như thiết lập tài khoản.
Điều này cho phép các nhóm nhân sự và CNTT tập trung vào những trách nhiệm phức tạp hơn, thay vì những công việc lặp đi lặp lại.
Xem thêm: Các tác nhân AI tốt nhất cho HR
Làm thế nào để cải thiện LLM Phản hồi của đại lý
Nếu bạn đang tùy chỉnh LLM cho một dự án AI , bạn sẽ muốn điều chỉnh các phản hồi tiêu chuẩn mà một mô hình công khai sẽ cung cấp cho người dùng. (Bạn không thể để chatbot của mình đề xuất đối thủ cạnh tranh, phải không?) Bạn cũng có thể muốn nó sử dụng logic kinh doanh tùy chỉnh để nó hoạt động giống như một nhân viên được đào tạo hơn là tạo ngôn ngữ ngẫu nhiên.
Có bốn khái niệm chung giúp cải thiện chất lượng LLM phản hồi:
- GIẺ
- Tinh chỉnh
- Nhắc nhở N-shot
- Kỹ thuật nhanh chóng
1. Thế hệ tăng cường truy xuất
RAG là một cái tên mỹ miều cho một điều đơn giản mà tất cả chúng ta đều đã làm ChatGPT : dán một số văn bản vào ChatGPT và đặt câu hỏi về nó.
Một ví dụ điển hình là hỏi xem một sản phẩm nào đó có còn hàng trên một trang thương mại điện tử hay không và chatbot sẽ tra cứu thông tin trong danh mục sản phẩm (thay vì trên toàn bộ internet).
Xét về tốc độ phát triển và khả năng thu thập thông tin theo thời gian thực, RAG là công cụ không thể thiếu.
Nó thường không ảnh hưởng đến mô hình bạn sẽ chọn, tuy nhiên không có gì ngăn cản bạn tạo ra một LLM Điểm cuối API truy vấn thông tin và trả lời và sử dụng điểm cuối này như thể nó là của riêng nó LLM .
Sử dụng RAG cho chatbot dựa trên kiến thức thường dễ bảo trì hơn vì bạn không cần phải tinh chỉnh mô hình và cập nhật liên tục – điều này cũng có thể giúp giảm chi phí.
2. Tinh chỉnh
Tinh chỉnh bao gồm việc cung cấp các ví dụ cho mô hình của bạn để nó học cách thực hiện tốt một nhiệm vụ nhất định. Nếu bạn muốn nó xuất sắc trong việc nói về sản phẩm của mình, bạn có thể cung cấp một loạt các ví dụ về các cuộc gọi bán hàng tốt nhất của công ty bạn.
Nếu mô hình là mã nguồn mở, hãy tự hỏi liệu nhóm của bạn có đủ năng lực kỹ thuật để tinh chỉnh mô hình hay không.
Nếu mô hình là nguồn đóng và được cung cấp dưới dạng dịch vụ – GPT -4 hoặc Claude – sau đó bạn thường có thể yêu cầu các kỹ sư của mình tinh chỉnh các mô hình tùy chỉnh bằng API. Giá thường tăng đáng kể thông qua phương pháp này, nhưng hầu như không cần bảo trì.
Nhưng đối với nhiều trường hợp sử dụng, tinh chỉnh không phải là bước đầu tiên để tối ưu hóa mô hình của bạn.
Một trường hợp tuyệt vời để tinh chỉnh là xây dựng một bot kiến thức cho kiến thức tĩnh. Bằng cách đưa ra ví dụ về câu hỏi và câu trả lời, nó sẽ có thể trả lời chúng trong tương lai mà không cần tra cứu câu trả lời. Nhưng đó không phải là giải pháp thực tế cho thông tin thời gian thực.
3. Học N-shot
Cách nhanh nhất để bắt đầu cải thiện chất lượng phản hồi là cung cấp các ví dụ trong một LLM Gọi API.
Không đưa ra ví dụ nào về những gì bạn đang tìm kiếm trong câu trả lời – là cách mà hầu hết chúng ta sử dụng ChatGPT . Việc thêm một ví dụ (hoặc một lần) thường đủ để thấy được sự cải thiện đáng kể về chất lượng phản hồi.
Nhiều hơn một ví dụ được coi là n-shot. N-shot không thay đổi mô hình, không giống như tinh chỉnh. Bạn chỉ đưa ra ví dụ ngay trước khi yêu cầu phản hồi, mỗi khi bạn đặt câu hỏi.
Nhưng chiến lược này không thể bị lạm dụng: LLM Các mô hình có kích thước ngữ cảnh tối đa và được định giá theo kích thước của thông điệp. Việc tinh chỉnh có thể loại bỏ nhu cầu về các ví dụ n-shot, nhưng mất nhiều thời gian hơn để làm đúng.
4. Kỹ thuật kỹ thuật nhanh chóng
Có những kỹ thuật thiết kế nhanh khác, như chuỗi suy nghĩ , buộc các mô hình phải suy nghĩ thành tiếng trước khi đưa ra câu trả lời.
Ngoài ra còn có chuỗi nhắc nhở , khuyến khích các mô hình chia nhỏ các tác vụ phức tạp thành các bước nhỏ hơn bằng cách chạy nhiều nhắc nhở theo trình tự.
Các chiến lược này có thể làm tăng đáng kể chất lượng và độ tin cậy của phản hồi — đặc biệt là đối với các tác vụ cần lý luận nhiều — nhưng chúng thường phải trả giá bằng thời gian phản hồi dài hơn, sử dụng nhiều mã thông báo hơn và hiệu suất chậm hơn.
Điều này làm tăng chất lượng phản hồi, nhưng phải đánh đổi bằng thời gian phản hồi, chi phí và tốc độ.
Làm thế nào để xây dựng một LLM Đại lý trong 6 bước

1. Xác định mục tiêu
Bước đầu tiên trong việc xây dựng một tác nhân AI hoặc chatbot là xác định chính xác mục đích mà bạn muốn nó thực hiện.
Làm rõ những gì bạn muốn LLM đại lý cần đạt được, cho dù đó là hỗ trợ giải đáp thắc mắc của khách hàng, tạo nội dung hay xử lý các nhiệm vụ cụ thể.
Việc xác định mục tiêu rõ ràng sẽ định hình cách thiết lập và cấu hình của tác nhân.
2. Chọn một nền tảng AI
Nền tảng AI tốt nhất sẽ hoàn toàn phụ thuộc vào mục tiêu và nhu cầu của bạn.
Chọn một nền tảng phù hợp với yêu cầu của bạn, cân nhắc các yếu tố như tùy chọn tùy chỉnh, khả năng tích hợp, dễ sử dụng và hỗ trợ.
Nền tảng này phải:
- Hỗ trợ trường hợp sử dụng mong muốn của bạn
- Cung cấp những gì bạn ưa thích LLMs
- Cung cấp khả năng tích hợp
3. Cấu hình LLM
Dựa trên các tùy chọn của nền tảng, hãy chọn một nền tảng được xây dựng sẵn LLM hoặc tinh chỉnh mô hình cho các nhiệm vụ chuyên biệt nếu cần thiết.
Nhiều nền tảng cung cấp các mô hình ngôn ngữ tích hợp đã được đào tạo sẵn và sẵn sàng sử dụng.
Nếu bạn quan tâm đến việc tùy chỉnh LLM sử dụng, hãy đọc bài viết của chúng tôi về việc lựa chọn tùy chọn LLM tùy chỉnh cho dự án AI của bạn từ kỹ sư phát triển của chúng tôi, Patrick Hamelin .
4. Tích hợp các công cụ
Hầu hết các nền tảng đều cung cấp tùy chọn tích hợp cho các công cụ bên ngoài. Kết nối bất kỳ API, cơ sở dữ liệu hoặc tài nguyên nào mà đại lý của bạn cần truy cập, chẳng hạn như dữ liệu CRM hoặc thông tin thời gian thực.
5. Kiểm tra và tinh chỉnh
Kiểm tra tác nhân kỹ lưỡng bằng các công cụ kiểm tra tích hợp sẵn của nền tảng. Điều chỉnh các thông số, cách diễn đạt nhanh và quy trình làm việc dựa trên kết quả kiểm tra để đảm bảo tác nhân hoạt động tốt trong các tình huống thực tế.
6. Triển khai và giám sát
Sử dụng các công cụ giám sát của nền tảng để theo dõi tương tác và hiệu suất của tác nhân sau khi triển khai.
Thu thập thông tin chi tiết và tinh chỉnh thiết lập khi cần, tận dụng mọi cơ chế phản hồi do nền tảng cung cấp.
Triển khai một tùy chỉnh LLM đại lý
LLM Các tác nhân đang đạt được tỷ lệ áp dụng rộng rãi trong các doanh nghiệp – trong dịch vụ khách hàng, hoạt động nội bộ và thương mại điện tử. Các công ty chậm áp dụng sẽ cảm nhận được hậu quả của việc bỏ lỡ làn sóng AI.
Botpress là một nền tảng tác nhân AI có khả năng mở rộng vô hạn được xây dựng cho các doanh nghiệp. stack cho phép các nhà phát triển xây dựng LLM các tác nhân có bất kỳ khả năng nào bạn cần.
Bộ bảo mật nâng cao của chúng tôi đảm bảo rằng dữ liệu khách hàng luôn được bảo vệ và kiểm soát hoàn toàn bởi nhóm phát triển của bạn.
Bắt đầu xây dựng ngay hôm nay. Nó miễn phí.
Hoặc liên hệ với nhóm của chúng tôi để tìm hiểu thêm.
Câu hỏi thường gặp
1. Sự khác biệt giữa một là gì? LLM đại lý và chatbot?
Sự khác biệt giữa một LLM tác nhân và chatbot là chatbot tuân theo các quy tắc hoặc luồng hội thoại được xác định trước, trong khi LLM tác nhân sử dụng mô hình ngôn ngữ lớn để hiểu ý định, truy xuất dữ liệu, thực hiện hành động bằng công cụ hoặc API và điều chỉnh phản hồi một cách linh hoạt. LLM Các tác nhân được xây dựng để suy luận và hành động một cách tự chủ thay vì chỉ trả lời.
2. Có thể LLM các tác nhân có thể hoạt động mà không cần kết nối internet không?
LLM Các tác nhân chỉ hoạt động mà không cần kết nối internet nếu mô hình ngôn ngữ và tất cả các công cụ hoặc dữ liệu cần thiết được lưu trữ cục bộ tại chỗ. Tuy nhiên, hầu hết các hoạt động sản xuất LLM các tác nhân phụ thuộc vào API dựa trên nền tảng đám mây hoặc các dịch vụ bên ngoài cho các nhiệm vụ như tìm kiếm cập nhật hoặc truy cập CRM.
3. Làm LLM các tác nhân luôn cần một mô hình ngôn ngữ phụ trợ?
Đúng, LLM Các tác nhân luôn cần một mô hình ngôn ngữ phụ trợ vì toàn bộ kiến trúc phụ thuộc vào khả năng xử lý đầu vào ngôn ngữ tự nhiên và tạo đầu ra của mô hình. Nếu không có LLM , tác nhân không thể hiểu được lời nhắc của người dùng hoặc quyết định phải làm gì.
4. Những hạn chế hoặc rủi ro chính của việc sử dụng là gì? LLM đại lý ngày nay?
Những hạn chế chính của việc sử dụng LLM Các tác nhân này bao gồm ảo giác (tạo ra phản ứng không chính xác) và nguy cơ rò rỉ dữ liệu nếu đầu vào/đầu ra không được bảo mật đúng cách. Chúng cũng cần được thiết kế và giám sát chu đáo để đảm bảo hành vi đáng tin cậy và tuân thủ khi sử dụng trong thực tế.
5. Những ngành công nghiệp nào đang áp dụng LLM đại lý nào nhanh nhất?
Các ngành công nghiệp áp dụng LLM Các tác nhân nhanh nhất bao gồm hỗ trợ khách hàng, quản lý dịch vụ CNTT, quản lý chăm sóc sức khỏe, dịch vụ tài chính và bán hàng B2B, nơi khối lượng lớn các tác vụ ngôn ngữ lặp đi lặp lại có thể được tự động hóa để tăng hiệu quả và mở rộng quy mô.