ONE is preparing: 01 / INITIALIZING MODEL ROUTER. Evaluating routing across providers.
Current state
01 / INITIALIZING MODEL ROUTER.

Evaluating routing across providers.

Start learning
← An toàn & Đạo đức

AI Foundation

Thiên kiến & Công bằng trong AI

Vietnamese onlyThe learning content is available in Vietnamese only. The surrounding interface follows your language.

Nhận diện cách AI học lại định kiến từ dữ liệu quá khứ, và các cách kiểm soát thiên kiến phù hợp với môi trường văn phòng Việt Nam.

lesson30 minAn toàn & Đạo đứcAI Foundation

Giới thiệu

Một mô hình AI dự đoán khả năng trả nợ được train trên dữ liệu 10 năm qua của ngân hàng. Theo bạn, ai sẽ bị đánh giá thấp nhất?

Thiên kiến trong AI không phải là “lỗi kỹ thuật hiếm gặp” — nó là hệ quả tất yếu khi máy học từ một quá khứ không hoàn hảo.

Gương chiếu quá khứ

Hãy hình dung AI như một tấm gương chiếu. Nó không tự tạo ra ai, không tự có ý kiến — nó chỉ phản chiếu lại những gì đã xảy ra trong dữ liệu 10 năm qua của công ty bạn.

Nếu 10 năm qua ngân hàng ít duyệt vay cho phụ nữ làm nội trợ, tấm gương sẽ nói: “nội trợ = rủi ro cao”. Nếu công ty công nghệ ít tuyển người trên 40 tuổi, tấm gương sẽ nói: “40+ = ít phù hợp”. Không phải vì tấm gương ác ý — mà vì đó là tất cả những gì nó từng thấy.

Xoá cột Giới tính là chưa đủ

Nhiều công ty tin rằng bỏ cột giới tính khỏi dữ liệu là đủ. Thực tế, thông tin giới tính rò rỉ qua tên, trường học, nghề cũ.

Cách làm sạch dữ liệuĐộ chính xác mô hìnhChênh lệch nam - nữ
Chỉ bỏ cột Giới tính87%28 điểm %
Bỏ Giới tính + Tên + Trường82%6 điểm %
Thông tin còn lại (cách bỏ chưa đủ)Mô hình đoán giới tính qua đường vòng
Tên ứng viên“Nguyễn Thị Mai — đoán 92% là nữ”
Trường học“Đại học Phụ nữ” — đoán 99% là nữ
Công việc cũ“Nội trợ trước 2018” — đoán 96% là nữ
Thông tinCách xử lý an toàn
Tên ứng viênĐã mã hoá thành ID ẩn
Trường họcNhóm thành “Top 100 / Top 500 / Khác”
Công việc cũChuẩn hoá thành “3 năm kinh nghiệm ngành X”

Chú ý cột nào vẫn còn 'rò rỉ' thông tin nhạy cảm. Xoá cột “giới tính” không làm cho AI công bằng hơn — mà chỉ làm cho sự thiên kiến khó phát hiện hơn. Công bằng thật sự đòi hỏi đo đạc kết quả, không phải giả vờ không nhìn thấy.

Ví dụ thực tế trong văn phòng

Trong bốn tình huống văn phòng sau, tình huống nào có RỦI RO PHÁP LÝ VÀ ĐẠO ĐỨC CAO NHẤT khi dùng AI?

Bốn loại thiên kiến bạn sẽ gặp trong văn phòng

Loại thiên kiếnBản chấtVí dụ
Sampling bias (thiên kiến lấy mẫu)Dữ liệu huấn luyện không đại diện cho toàn bộ dân số thật. AI chỉ 'biết' những nhóm nó từng thấy.Mô hình tuyển dụng train 90% từ ứng viên Hà Nội & TP.HCM, đoán sai với miền Trung.
Historical bias (thiên kiến lịch sử)Dữ liệu chính xác, nhưng phản ánh một xã hội bất bình đẳng. AI tái tạo quá khứ đó.Ngân hàng 10 năm qua duyệt vay ít cho phụ nữ — AI học rằng 'phụ nữ = rủi ro'.
Measurement bias (thiên kiến đo lường)Cách đo 'kết quả' sai lệch giữa các nhóm. Thước đo không phải là sự thật.Đánh giá năng suất bằng 'giờ online' — bất lợi cho ai làm việc hiệu quả nhưng ngắn thời gian.
Deployment bias (thiên kiến triển khai)AI dùng đúng ở ngữ cảnh này lại sai ở ngữ cảnh khác. Train một nơi, dùng một nẻo.Nhận diện khuôn mặt train ở Mỹ, lắp ở Việt Nam sai nhiều hơn với người bản địa.

Ba cách đo công bằng

Không có một định nghĩa “công bằng” duy nhất. Có ba cách đo phổ biến, mỗi cách trả lời một câu hỏi khác nhau. Chúng hoạt động trên cùng một mô hình tuyển dụng.

Tiêu chíCâu hỏiKết quả trong bài
Đồng đều tỷ lệ (Demographic Parity)Tỷ lệ được chọn bằng nhau, bất kể năng lực. 'Bạn có nhận đủ nam và nữ vào công ty không?'Đạt: hai cột gần bằng nhau. Nhưng không đảm bảo AI chọn đúng người — có thể đang tuyển đủ số lượng nhưng sai chất lượng để 'bù đắp'.
Đồng đều cơ hội (Equal Opportunity)Trong số người THẬT SỰ phù hợp, tỷ lệ được AI chọn bằng nhau. 'Trong số ứng viên xứng đáng, bao nhiêu % được AI chấp nhận?'Đạt: 85% và 84% gần bằng nhau. Tỷ lệ tổng chênh vì nhóm B ít người xứng đáng — không phải bất công từ AI.
Đồng đều sai sót (Equalized Odds)Cả tỷ lệ chọn đúng và chọn sai phải bằng nhau. 'AI có ưu ái một nhóm theo hai hướng — chọn nhiều hơn cả người xứng đáng LẪN người không xứng đáng?'Chưa đạt: nhóm A cao hơn ở cả hai thanh — AI đang 'dễ tính' với A và 'khó tính' với B. Đây là tiêu chí nghiêm ngặt nhất.

Bộ công cụ giảm thiên kiến

Nối từng kỹ thuật với tình huống phù hợp. Mỗi kỹ thuật giải quyết một lớp vấn đề khác nhau — không có viên đạn bạc.

Ba kỹ thuật giảm bias phổ biến

1 / 3
  1. 1. Pre-processing

    Cân bằng dữ liệu đầu vào — oversample nhóm thiểu số, reweighting, hoặc thu thập thêm dữ liệu mục tiêu.

Quy tắc vàng cho văn phòng Việt

Bối cảnh pháp lý Việt Nam — những gì doanh nghiệp BẮT BUỘC phải biết

Nghị định 13/2023/NĐ-CP — bảo vệ dữ liệu cá nhân

  • Dữ liệu cá nhân nhạy cảm (giới tính, tôn giáo, sức khoẻ, dân tộc) phải có sự đồng ý riêng của chủ thể.
  • Doanh nghiệp phải đánh giá tác động (DPIA) khi xử lý dữ liệu nhạy cảm — áp dụng trực tiếp khi dùng AI sàng lọc hồ sơ.
  • Quyền yêu cầu giải thích quyết định tự động đã có trong luật Việt Nam.

Luật An ninh mạng 2018 — ràng buộc lưu trữ và minh bạch

  • Dữ liệu người dùng Việt Nam phải lưu trữ tại Việt Nam trong một số trường hợp — ảnh hưởng đến cách chọn nhà cung cấp AI.
  • Trách nhiệm giải trình thuộc về doanh nghiệp sử dụng, không phải bên bán mô hình.

Bộ luật Lao động 2019 — chống phân biệt trong tuyển dụng

  • Cấm phân biệt đối xử về giới tính, độ tuổi, dân tộc, tôn giáo, hoàn cảnh gia đình (Điều 8).
  • Nếu AI sàng lọc CV gây phân biệt, doanh nghiệp vẫn chịu trách nhiệm pháp lý như con người làm.

5 điều nhân viên văn phòng cần nhớ về thiên kiến AI

  • AI là tấm gương chiếu quá khứ — quá khứ bất bình đẳng thì AI cũng bất bình đẳng, chỉ có điều ở tầm công nghiệp.
  • Bỏ cột 'giới tính' không làm AI công bằng — tên, trường, nghề cũ vẫn rò rỉ thông tin. Phải đo kết quả, không che dữ liệu.
  • Bốn loại thiên kiến: lấy mẫu (sampling), lịch sử (historical), đo lường (measurement), triển khai (deployment). Mỗi loại có cách xử lý riêng.
  • Ba cách đo công bằng trả lời ba câu hỏi khác nhau — không thể đạt tất cả cùng lúc, phải chọn và ghi lại lý do.
  • Ở Việt Nam: Nghị định 13/2023, Luật An ninh mạng, Điều 8 Bộ luật Lao động đều áp dụng cho quyết định do AI đưa ra. Trách nhiệm cuối cùng vẫn thuộc về doanh nghiệp.

Continue the path

Lesson 62 of 106