# Giới thiệu

Vertex AI Search, trước đây được gọi là Enterprise Search trên Google Cloud, đại diện cho một bước tiến quan trọng trong cách các tổ chức có thể triển khai khả năng tìm kiếm thông minh trong các ứng dụng của họ. Công cụ mạnh mẽ này kết hợp chức năng tìm kiếm truyền thống với khả năng học máy nâng cao để mang lại sự hiểu biết về ngữ nghĩa và xử lý ngôn ngữ tự nhiên (NLP). Đối với các nhà khoa học dữ liệu và kỹ sư học máy đang làm việc với hệ sinh thái Google Cloud AI, việc hiểu cách tận dụng Vertex AI Search sẽ mở ra những khả năng mới để xây dựng các hệ thống truy xuất thông tin tinh vi.

Hướng dẫn này khám phá các thành phần thiết yếu, chiến lược triển khai và các thực tiễn tốt nhất để xây dựng các ứng dụng tìm kiếm sẵn sàng cho sản xuất bằng Vertex AI Search và AI Applications.

# Tìm hiểu về Vertex AI Search

Vertex AI Search cho phép các nhà phát triển tạo ra các trải nghiệm tìm kiếm vượt xa việc khớp từ khóa đơn thuần. Nền tảng này sử dụng các mô hình học máy để hiểu ý định của người dùng, cung cấp các kết quả phù hợp về mặt ngữ cảnh và tạo ra các câu trả lời tóm tắt từ nội dung đã được lập chỉ mục. Không giống như các công cụ tìm kiếm truyền thống dựa chủ yếu vào khớp từ khóa và chấm điểm mức độ liên quan cơ bản, Vertex AI Search sử dụng sự hiểu biết về ngữ nghĩa để giải thích các truy vấn ngôn ngữ tự nhiên và trả về các kết quả có ý nghĩa hơn.

Nền tảng này phục vụ nhiều trường hợp sử dụng trong các ngành công nghiệp khác nhau. Các cơ sở tri thức doanh nghiệp được hưởng lợi từ khả năng hiển thị thông tin liên quan từ các kho tài liệu khổng lồ. Các nhóm hỗ trợ khách hàng có thể triển khai tìm kiếm thông minh để giúp các tổng đài viên nhanh chóng tìm thấy giải pháp. Các nền tảng thương mại điện tử có thể tăng cường khám phá sản phẩm thông qua các truy vấn ngôn ngữ tự nhiên. Các hệ thống trả lời câu hỏi dựa trên tài liệu có thể trích xuất thông tin chính xác từ các sách hướng dẫn kỹ thuật, tài liệu pháp lý hoặc các bài nghiên cứu.

# Kiến trúc cốt lõi và các thành phần

Xây dựng một ứng dụng Vertex AI Search đòi hỏi phải hiểu một số thành phần chính cùng hoạt động để cung cấp chức năng tìm kiếm.

// Nhập dữ liệu và nguồn dữ liệu

Nền tảng của bất kỳ ứng dụng tìm kiếm nào cũng bắt đầu bằng việc nhập dữ liệu. Vertex AI Search hỗ trợ nhiều nguồn dữ liệu bao gồm các bộ chứa Google Cloud Storage, các bảng BigQuery, các trang web công cộng và nhiều định dạng tài liệu không cấu trúc khác nhau như PDF, tài liệu Word và tệp HTML. Nền tảng có thể xử lý cả dữ liệu có cấu trúc với các lược đồ đã xác định và nội dung không cấu trúc như tài liệu văn bản và trang web.

Khi nhập dữ liệu, nhà phát triển phải xem xét định dạng và cấu trúc nội dung của họ. Dữ liệu có cấu trúc thường bao gồm các trường như danh mục sản phẩm với giá cả, mô tả và phân loại. Dữ liệu không cấu trúc bao gồm các tài liệu, bài báo và nội dung web nơi thông tin được nhúng trong văn bản thay vì được tổ chức vào các trường được xác định trước.

// Kho dữ liệu và công cụ tìm kiếm

Trọng tâm của Vertex AI Search là kho dữ liệu (data store), đóng vai trò là nơi lưu trữ nội dung đã được lập chỉ mục. Nhà phát triển tạo các kho dữ liệu bằng cách chỉ định vị trí nguồn và cấu hình cách xử lý nội dung. Nền tảng cung cấp các loại kho dữ liệu khác nhau được tối ưu hóa cho các loại nội dung và trường hợp sử dụng khác nhau.

Các công cụ tìm kiếm được xây dựng trên nền tảng kho dữ liệu sẽ xác định cách các truy vấn được xử lý và kết quả được trả về. Nhà phát triển có thể cấu hình nhiều khía cạnh của công cụ tìm kiếm bao gồm tinh chỉnh mức độ liên quan, khả năng lọc và thuật toán xếp hạng kết quả. Cấu hình xác định cách hệ thống diễn giải các truy vấn, khớp chúng với nội dung đã được lập chỉ mục và sắp xếp thứ tự các kết quả.

// Tích hợp với AI tạo sinh

Một trong những khía cạnh mạnh mẽ nhất của Vertex AI Search là sự tích hợp của nó với các khả năng AI tạo sinh. Nền tảng có thể sử dụng các kết quả tìm kiếm để làm cơ sở (grounding) cho các phản hồi của mô hình ngôn ngữ lớn (LLM), triển khai mô hình Retrieval Augmented Generation (RAG). Cách tiếp cận này kết hợp điểm mạnh về truy xuất thông tin của tìm kiếm với khả năng tạo ngôn ngữ tự nhiên của LLM, cho phép các ứng dụng cung cấp các câu trả lời chính xác, phù hợp về mặt ngữ cảnh dựa trên các bộ tài liệu cụ thể.

# Các bước triển khai

Xây dựng một ứng dụng Vertex AI Search bao gồm nhiều bước tuần tự, mỗi bước đòi hỏi sự chú ý kỹ lưỡng đến từng chi tiết và cấu hình.

// Thiết lập dự án và các điều kiện tiên quyết

Trước khi bắt đầu triển khai, nhà phát triển cần thiết lập môi trường Google Cloud thích hợp. Điều này bao gồm việc tạo hoặc chọn một dự án Google Cloud, kích hoạt Vertex AI Search API và cấu hình các thông tin xác thực phù hợp. Các tài khoản dịch vụ (service accounts) với các quyền cần thiết phải được tạo để cho phép ứng dụng tương tác với các dịch vụ Vertex AI.

Môi trường phát triển nên bao gồm Google Cloud SDK và các thư viện Python liên quan. Thư viện google-cloud-discoveryengine cung cấp giao diện chính để làm việc với Vertex AI Search thông qua lập trình.

// Tạo và cấu hình kho dữ liệu

Bước kỹ thuật đầu tiên liên quan đến việc tạo một kho dữ liệu để chứa nội dung có thể tìm kiếm. Nhà phát triển chỉ định vị trí nguồn dữ liệu, cho dù đó là các bộ chứa Cloud Storage chứa tài liệu hay các bảng BigQuery với dữ liệu có cấu trúc. Quy trình cấu hình bao gồm việc thiết lập các tham số cho cách nội dung được phân tích cú pháp, lập chỉ mục và cho phép tìm kiếm.

Đối với các tài liệu không cấu trúc, nền tảng sẽ tự động trích xuất nội dung văn bản và siêu dữ liệu. Nhà phát triển có thể tăng cường quy trình này bằng cách cung cấp thêm các trường siêu dữ liệu hoặc chỉ định các quy tắc trích xuất tùy chỉnh. Dữ liệu có cấu trúc yêu cầu xác định lược đồ ánh xạ các trường cơ sở dữ liệu với các thuộc tính có thể tìm kiếm.

// Chiến lược lập chỉ mục

Lập chỉ mục hiệu quả là yếu tố then chốt cho hiệu suất và mức độ liên quan của tìm kiếm. Quy trình lập chỉ mục liên quan đến một số cân nhắc bao gồm tần suất làm mới nội dung, trường nào nên được để tìm kiếm so với trường để lọc và cách xử lý nội dung đa ngôn ngữ.

Nhà phát triển có thể cấu hình các yếu tố tăng cường (boost factors) để nhấn mạnh các trường hoặc loại nội dung nhất định trong kết quả tìm kiếm. Ví dụ, trong một ứng dụng tìm kiếm sản phẩm, các mặt hàng gần đây hoặc các sản phẩm được đánh giá cao có thể được tăng cường mức độ liên quan. Nền tảng hỗ trợ cả lập chỉ mục ngay lập tức cho các cập nhật thời gian thực và lập chỉ mục hàng loạt cho các bộ sưu tập nội dung lớn.

// Xây dựng truy vấn và sử dụng API

Triển khai chức năng tìm kiếm đòi hỏi phải hiểu cách xây dựng các truy vấn và xử lý kết quả. Vertex AI Search API chấp nhận các truy vấn ngôn ngữ tự nhiên và trả về các kết quả được xếp hạng với điểm số mức độ liên quan. Nhà phát triển có thể tăng cường truy vấn bằng các bộ lọc để thu hẹp kết quả dựa trên các tiêu chí cụ thể như phạm vi ngày, danh mục hoặc các trường siêu dữ liệu tùy chỉnh.

from google.cloud import discoveryengine_v1 as discoveryengine

# Khởi tạo client
client = discoveryengine.SearchServiceClient()

# Cấu hình đường dẫn phục vụ
serving_config = client.serving_config_path(
    project='project-id',
    location='global',
    data_store='data-store-id',
    serving_config='default_config'
)

# Xây dựng yêu cầu tìm kiếm
request = discoveryengine.SearchRequest(
    serving_config=serving_config,
    query='cách tối ưu hóa các mô hình học máy',
    page_size=10
)

# Thực hiện tìm kiếm
response = client.search(request)

# Xử lý kết quả (giả sử định dạng dữ liệu có cấu trúc)
for result in response.results:
    document = result.document
    # Truy cập an toàn các trường dữ liệu có cấu trúc
    if 'title' in document.struct_data:
        print(f"Tiêu đề: {document.struct_data['title']}")
    if 'content' in document.struct_data:
        print(f"Nội dung: {document.struct_data['content']}")

// Triển khai các tính năng nâng cao

Ngoài tìm kiếm cơ bản, Vertex AI Search cung cấp các khả năng nâng cao giúp tăng cường trải nghiệm người dùng. Các câu trả lời trích xuất (extractive answers) cho phép hệ thống xác định và trả về các đoạn nội dung cụ thể trực tiếp trả lời câu hỏi thay vì chỉ trả về toàn bộ tài liệu. Tính năng này đặc biệt có giá trị cho các ứng dụng trả lời câu hỏi nơi người dùng tìm kiếm thông tin chính xác.

Tóm tắt tìm kiếm (search summarization) sử dụng AI tạo sinh để tổng hợp thông tin từ nhiều kết quả tìm kiếm thành các bản tóm tắt mạch lạc. Khả năng này chuyển đổi trải nghiệm tìm kiếm từ một danh sách các tài liệu thành một giao diện hội thoại nơi hệ thống cung cấp các câu trả lời trực tiếp kèm theo các trích dẫn nguồn.

Tìm kiếm theo thuộc tính (faceted search) cho phép người dùng tinh chỉnh kết quả thông qua các bộ lọc tương tác. Đối với một danh mục sản phẩm, các thuộc tính có thể bao gồm phạm vi giá, thương hiệu hoặc đánh giá của khách hàng. Việc triển khai các thuộc tính này đòi hỏi phải xác định các thuộc tính liên quan trong giai đoạn nhập dữ liệu và cấu hình chúng dưới dạng các trường thuộc tính trong công cụ tìm kiếm.

# Xây dựng giao diện hội thoại

Các ứng dụng tìm kiếm hiện đại ngày càng tích hợp các yếu tố hội thoại cho phép người dùng tinh chỉnh các truy vấn thông qua các câu hỏi tiếp theo. Vertex AI Search hỗ trợ các cuộc hội thoại nhiều lượt, nơi ngữ cảnh từ các truy vấn trước đó sẽ cung cấp thông tin cho các tìm kiếm sau đó.

Việc triển khai tìm kiếm hội thoại yêu cầu duy trì trạng thái phiên làm việc để theo dõi lịch sử hội thoại. Nền tảng sử dụng ngữ cảnh này để giải nghĩa các truy vấn và cung cấp các kết quả liên quan hơn. Ví dụ: nếu người dùng tìm kiếm "thuật toán học máy" trước tiên và sau đó hỏi "loại nào hoạt động tốt nhất cho phân loại hình ảnh", hệ thống hiểu rằng "loại nào" đề cập đến các thuật toán học máy.

Tích hợp với Vertex AI Agent Builder cho phép các nhà phát triển tạo ra các giao diện chatbot tinh vi kết hợp khả năng tìm kiếm với sự hiểu biết ngôn ngữ tự nhiên. Các tác nhân này có thể xử lý các truy vấn phức tạp, đặt các câu hỏi làm rõ và hướng dẫn người dùng qua các quy trình khám phá thông tin nhiều bước.

# Tinh chỉnh và tối ưu hóa mức độ liên quan

Đạt được kết quả tìm kiếm chất lượng cao đòi hỏi phải tinh chỉnh và tối ưu hóa liên tục. Nền tảng cung cấp một số cơ chế để cải thiện mức độ liên quan bao gồm mở rộng truy vấn, quản lý từ đồng nghĩa và các mô hình xếp hạng tùy chỉnh.

Các kỹ thuật mở rộng truy vấn tự động mở rộng các tìm kiếm để bao gồm các thuật ngữ liên quan. Đối với tìm kiếm tài liệu kỹ thuật, việc mở rộng "ML" để bao gồm "machine learning" đảm bảo kết quả toàn diện. Nhà phát triển có thể xác định các bộ từ đồng nghĩa cụ thể cho lĩnh vực của họ để cải thiện việc khớp dữ liệu.

Các tín hiệu về mức độ liên quan từ hành vi người dùng cung cấp phản hồi quý giá cho việc tối ưu hóa. Việc theo dõi kết quả nào người dùng nhấp vào, họ dành bao nhiêu thời gian cho các tài liệu và truy vấn nào dẫn đến kết quả thành công sẽ giúp xác định các lĩnh vực cần cải thiện. Nền tảng hỗ trợ nhập các tín hiệu này để huấn luyện các mô hình xếp hạng tùy chỉnh phù hợp hơn với sở thích của người dùng.

# Các lưu ý về hiệu suất

Hiệu suất tìm kiếm ảnh hưởng đến cả trải nghiệm người dùng và chi phí vận hành. Một số yếu tố ảnh hưởng đến hiệu suất bao gồm kích thước chỉ mục, độ phức tạp của truy vấn và yêu cầu xử lý kết quả.

Đối với các bộ sưu tập nội dung lớn, nhà phát triển nên cân nhắc các chiến lược để tối ưu hóa kích thước chỉ mục. Điều này có thể bao gồm việc tóm tắt các tài liệu dài, loại bỏ nội dung trùng lặp hoặc lưu trữ thông tin cũ. Phân vùng kho dữ liệu theo loại nội dung hoặc khoảng thời gian cũng có thể cải thiện hiệu suất truy vấn.

Tối ưu hóa truy vấn tập trung vào việc giảm thiểu độ trễ trong khi vẫn duy trì chất lượng kết quả. Các kỹ thuật bao gồm giới hạn kích thước bộ kết quả, sử dụng các bộ lọc thích hợp để thu hẹp không gian tìm kiếm và lưu bộ nhớ đệm cho các truy vấn thường xuyên. Nền tảng cung cấp các công cụ giám sát để theo dõi hiệu suất truy vấn và xác định các điểm nghẽn.

Tối ưu hóa chi phí đòi hỏi phải cân bằng giữa chất lượng tìm kiếm với mức tiêu thụ tài nguyên. Các yếu tố ảnh hưởng đến chi phí bao gồm khối lượng nội dung được lập chỉ mục, khối lượng truy vấn và việc sử dụng các tính năng nâng cao như tóm tắt tạo sinh. Nhà phát triển nên theo dõi các mô hình sử dụng và điều chỉnh cấu hình để tối ưu hóa tỷ lệ chi phí trên giá trị.

# Bảo mật và kiểm soát truy cập

Các ứng dụng tìm kiếm doanh nghiệp phải triển khai các biện pháp bảo mật mạnh mẽ để bảo vệ thông tin nhạy cảm. Vertex AI Search tích hợp với hệ thống Identity and Access Management (IAM) của Google Cloud để kiểm soát ai có thể truy cập chức năng tìm kiếm và họ có thể truy xuất nội dung gì.

Bảo mật ở cấp độ tài liệu đảm bảo rằng các kết quả tìm kiếm tôn trọng các kiểm soát truy cập hiện có. Khi lập chỉ mục nội dung từ các nguồn có mô hình quyền truy cập, chẳng hạn như Google Drive hoặc SharePoint, nền tảng có thể duy trì các quyền đó trong kết quả tìm kiếm. Người dùng chỉ nhìn thấy các tài liệu mà họ được phép truy cập.

Việc triển khai bảo mật yêu cầu cấu hình các luồng xác thực, xác định danh sách kiểm soát truy cập và có khả năng lọc kết quả dựa trên vai trò của người dùng. Đối với các ứng dụng phục vụ người dùng bên ngoài, các cân nhắc bổ sung bao gồm giới hạn tốc độ để ngăn chặn lạm dụng và giám sát các mô hình truy vấn đáng ngờ.

# Giám sát và đánh giá

Các ứng dụng tìm kiếm thành công đòi hỏi phải giám sát và đánh giá liên tục để đảm bảo chúng đáp ứng nhu cầu của người dùng. Các chỉ số chính bao gồm khối lượng truy vấn, mức độ liên quan của kết quả, sự tương tác của người dùng và hiệu suất hệ thống.

Phân tích truy vấn tiết lộ những gì người dùng đang tìm kiếm và liệu họ có tìm thấy kết quả thỏa đáng hay không. Việc theo dõi các truy vấn không có kết quả giúp xác định các khoảng trống trong nội dung đã lập chỉ mục hoặc các cơ hội để cải thiện sự hiểu biết về truy vấn. Tỷ lệ bỏ qua cao sau khi xem kết quả tìm kiếm có thể cho thấy các vấn đề về mức độ liên quan.

Nền tảng cung cấp các bảng điều khiển phân tích tích hợp sẵn giúp trực quan hóa các chỉ số tìm kiếm theo thời gian. Nhà phát triển có thể xuất dữ liệu này để phân tích sâu hơn hoặc tích hợp với các hệ thống giám sát khác. Thử nghiệm A/B với các cấu hình khác nhau giúp định lượng tác động của các nỗ lực tối ưu hóa.

# Các thách thức thường gặp và giải pháp

Các nhà phát triển triển khai Vertex AI Search thường gặp phải một số thách thức phổ biến. Việc hiểu các vấn đề này và giải pháp của chúng sẽ giúp tăng tốc độ phát triển và cải thiện chất lượng ứng dụng.

Việc xử lý tài liệu đôi khi không trích xuất văn bản chính xác từ các định dạng phức tạp như PDF được quét hoặc tài liệu có bố cục bất thường. Giải pháp bao gồm tiền xử lý tài liệu để cải thiện việc trích xuất văn bản, cung cấp siêu dữ liệu rõ ràng hoặc sử dụng nhận dạng ký tự quang học (OCR) cho nội dung được quét.

Tinh chỉnh mức độ liên quan cho các thuật ngữ chuyên ngành đòi hỏi cấu hình cẩn thận. Các lĩnh vực kỹ thuật thường sử dụng biệt ngữ hoặc từ viết tắt mà các mô hình ngôn ngữ chung có thể không xử lý tốt. Việc xây dựng các bộ từ đồng nghĩa tùy chỉnh và cung cấp các ví dụ huấn luyện theo từng lĩnh vực cụ thể sẽ cải thiện kết quả cho nội dung chuyên môn.

Xử lý nội dung đa ngôn ngữ đặt ra các thách thức khi người dùng tìm kiếm bằng một ngôn ngữ nhưng các tài liệu liên quan lại tồn tại ở các ngôn ngữ khác. Nền tảng hỗ trợ tìm kiếm đa ngôn ngữ, nhưng cấu hình tối ưu phụ thuộc vào sự kết hợp ngôn ngữ cụ thể và sự phân bổ nội dung.

# Các mô hình tích hợp

Vertex AI Search tích hợp vào các ứng dụng thông qua nhiều mô hình khác nhau tùy thuộc vào trường hợp sử dụng và kiến trúc. Các ứng dụng web thường triển khai tìm kiếm thông qua các thành phần frontend thực hiện các lệnh gọi API đến các dịch vụ backend. Các dịch vụ này xử lý xác thực, xây dựng truy vấn và xử lý kết quả trước khi trả về các phản hồi đã được định dạng cho máy khách.

Các ứng dụng di động đối mặt với các cân nhắc bổ sung bao gồm khả năng ngoại tuyến và tối ưu hóa băng thông. Triển khai bộ nhớ đệm phía máy khách và tìm nạp trước kết quả giúp cải thiện trải nghiệm người dùng trên các thiết bị di động.

Tích hợp tìm kiếm vào các ứng dụng hiện có có thể liên quan đến việc tạo ra các lớp trung gian (middleware) dịch giữa các mô hình dữ liệu đặc thù của ứng dụng và API tìm kiếm. Lớp trừu tượng này đơn giản hóa các cập nhật và cho phép hoán đổi các triển khai tìm kiếm nếu cần thiết.

# Các thực tiễn tốt nhất

Một số thực tiễn tốt nhất được rút ra từ việc triển khai Vertex AI Search thành công. Bắt đầu với một chiến lược nội dung được xác định rõ ràng đảm bảo rằng các tài liệu được lập chỉ mục là phù hợp, có cấu trúc tốt và được cập nhật thường xuyên. Nội dung nguồn chất lượng kém chắc chắn dẫn đến kết quả tìm kiếm kém bất kể việc tối ưu hóa kỹ thuật như thế nào.

Triển khai các cơ chế xử lý lỗi và dự phòng toàn diện đảm bảo độ tin cậy. Các dịch vụ tìm kiếm thỉnh thoảng có thể gặp phải tình trạng tăng độ trễ hoặc không khả dụng tạm thời. Ứng dụng nên xử lý các tình huống này một cách mượt mà và cung cấp phản hồi có ý nghĩa cho người dùng.

Đánh giá và lặp lại thường xuyên giúp cải thiện chất lượng tìm kiếm theo thời gian. Thiết lập các vòng phản hồi nơi hành vi của người dùng cung cấp thông tin cho việc tối ưu hóa sẽ tạo ra một chu kỳ cải tiến liên tục hiệu quả. Việc dành thời gian để xem xét định kỳ các phân tích và phản hồi của người dùng nên là một phần của lộ trình phát triển.

# Kết luận

Vertex AI Search cung cấp một nền tảng mạnh mẽ để xây dựng các ứng dụng tìm kiếm thông minh tận dụng những tiến bộ mới nhất trong học máy và xử lý ngôn ngữ tự nhiên. Bằng cách hiểu các thành phần cốt lõi, tuân theo các thực tiễn triển khai tốt nhất và liên tục tối ưu hóa dựa trên phản hồi của người dùng, các nhà phát triển có thể tạo ra các trải nghiệm tìm kiếm giúp tăng cường đáng kể việc khám phá thông tin và sự hài lòng của người dùng.

Sự tích hợp của nền tảng với hệ sinh thái AI rộng lớn hơn của Google Cloud cho phép các ứng dụng tinh vi kết hợp tìm kiếm với AI tạo sinh, tạo ra các giao diện hội thoại tự nhiên và trực quan. Khi các tổ chức ngày càng nhận ra giá trị của việc làm cho thông tin của họ dễ dàng được khám phá và thực thi, các công cụ như Vertex AI Search trở thành các thành phần thiết yếu của ngăn xếp ứng dụng hiện đại.

Thành công với Vertex AI Search đòi hỏi cả sự thành thạo về kỹ thuật và cách tiếp cận lấy người dùng làm trung tâm trong thiết kế và tối ưu hóa. Việc đầu tư vào xây dựng các khả năng tìm kiếm mạnh mẽ sẽ mang lại lợi ích thông qua việc cải thiện năng suất của người dùng, đưa ra các quyết định tốt hơn dựa trên thông tin có thể truy cập và nâng cao trải nghiệm người dùng trên khắp các ứng dụng.

Rachel Kuznetsov có bằng Thạc sĩ về Phân tích kinh doanh và phát triển mạnh mẽ trong việc giải quyết các câu đố dữ liệu phức tạp cũng như tìm kiếm các thách thức mới để đảm nhận. Cô cam kết làm cho các khái niệm khoa học dữ liệu phức tạp trở nên dễ hiểu hơn và đang khám phá các cách khác nhau mà AI tác động đến cuộc sống của chúng ta. Trong hành trình tìm tòi và phát triển không ngừng của mình, cô ghi lại hành trình đó để những người khác có thể học hỏi cùng cô. Bạn có thể tìm thấy cô ấy trên LinkedIn.