Phân hệ PM Study
  • Tình huốngTình huống thực chiến
  • Kịch bảnRa quyết định tình huống
  • Biểu mẫuKho biểu mẫu tải về
  • Thẻ ghi nhớHọc thuật ngữ PMP
  • Công cụMáy tính EVM, PERT, dự phòng
  • Hỏi đápHỏi đáp & thảo luận
  • Thử tháchMỗi ngày một câu hỏi PMP
  • Lý thuyếtBài học PMBOK 8 & ECO 2026
  • Luyện thiThi thử & ôn tập PMP
  • Bài viếtThư viện bài viết PMP
PM Study
Trang chủLý thuyếtTình huốngLuyện thiBiểu mẫuHỏi đáp
6 chuyên mụcXem tất cả bài viết →
  • Quản lý các bên liên quanTình huống về kỳ vọng, giao tiếp và gắn kết stakeholder.
  • Lãnh đạo & đội nhómXây dựng, dẫn dắt và giải quyết xung đột trong đội dự án.
  • Kế hoạch & tiến độLập kế hoạch, ước lượng, nén tiến độ và kiểm soát baseline.
  • Rủi ro & thay đổiNhận diện, ứng phó rủi ro và kiểm soát thay đổi phạm vi.
  • Agile & HybridLựa chọn và vận hành cách tiếp cận Agile, Predictive, Hybrid.
  • Luyện thi PMPChiến lược ôn tập và mẹo xử lý câu hỏi tình huống PMP.
Công cụBài viết
Trang chủLý thuyếtTình huốngLuyện thiBiểu mẫuHỏi đápChuyên mụcCông cụBài viết
/
PM Study

Học quản lý dự án và ôn thi PMP bằng tiếng Việt: lý thuyết PMBOK® Guide 8, tình huống thực tế và đề luyện thi theo ECO 2026.

Chuyên mục

  • Quản lý các bên liên quan
  • Lãnh đạo & đội nhóm
  • Kế hoạch & tiến độ
  • Rủi ro & thay đổi
  • Agile & Hybrid
  • Luyện thi PMP

Tài nguyên

  • Project Management Institute (PMI)
  • PMP Exam Content Outline
  • The Scrum Guide
  • PMI Vietnam Chapter

PM Study

  • Tất cả bài viết
  • Bài viết nổi bật
© 2026 PM StudyPMP® và PMBOK® là nhãn hiệu đã đăng ký của Project Management Institute.109 người đã truy cậpPhiên bản 1.15.0
  1. /Tình huống
  2. /Quản lý Chất lượng
  3. /Amazon (2014–2018): công cụ chấm hồ sơ tuyển dụn…
Số 451Quản lý Chất lượng

Amazon (2014–2018): công cụ chấm hồ sơ tuyển dụng bằng AI học theo dữ liệu một thập kỷ và thiên lệch với ứng viên nữ

Từ năm 2014, một nhóm tại Amazon xây dựng công cụ học máy chấm điểm hồ sơ ứng viên. Đến năm 2015, nhóm nhận ra mô hình đánh giá thấp hồ sơ của phụ nữ cho các vị trí kỹ thuật, vì nó học từ hồ sơ nộp trong 10 năm mà phần lớn là của nam giới. Các bản sửa không bảo đảm được mô hình hết thiên lệch, và nhóm bị giải tán đầu năm 2017. Bài học về tiêu chí chất lượng của sản phẩm AI: dữ liệu lịch sử không phải chân lý.

HP
Nguyễn Thu Hà, PMP
03/09/2026
3 phút đọc 0 lượt xem
Bình luận0

Bối cảnh thực tế

Năm 2014, nhóm học máy của Amazon bắt đầu xây dựng một công cụ đọc hồ sơ xin việc và chấm điểm ứng viên, với mục tiêu tự động hoá việc tìm người giỏi trong lượng hồ sơ rất lớn.

Theo điều tra của Reuters (tháng 10/2018):

  • Mô hình được huấn luyện để nhận diện mẫu trong hồ sơ nộp cho công ty trong khoảng 10 năm; phần lớn số hồ sơ này đến từ nam giới, phản ánh tỷ lệ giới trong ngành công nghệ.
  • Đến năm 2015, nhóm nhận ra hệ thống không chấm điểm trung lập về giới cho các vị trí kỹ sư phần mềm và kỹ thuật khác: nó hạ điểm hồ sơ có những từ gắn với phụ nữ.
  • Amazon chỉnh sửa để mô hình trung lập với một số từ cụ thể, nhưng điều đó không bảo đảm mô hình không tìm ra cách khác để phân loại ứng viên mang tính phân biệt.
  • Lãnh đạo mất niềm tin vào dự án và nhóm bị giải tán vào đầu năm 2017. Theo nguồn tin của Reuters, nhà tuyển dụng có xem gợi ý của công cụ nhưng không chỉ dựa vào nó để quyết định.
  • Amazon từ chối bình luận về công cụ, chỉ nói công ty cam kết với đa dạng và bình đẳng tại nơi làm việc.

Phân tích nguyên nhân theo chuẩn PMP

  • Định nghĩa chất lượng chỉ bằng độ khớp với quá khứ

    Mô hình được tối ưu để giống quyết định tuyển dụng trước đây. Nếu quá khứ có thiên lệch, "chính xác" nghĩa là lặp lại thiên lệch. Yêu cầu chất lượng phải gồm cả tiêu chí công bằng, không chỉ độ chính xác.

  • Kiểm thử phát hiện vấn đề nhưng giải pháp chỉ vá triệu chứng

    Loại bỏ một vài từ khoá là sửa triệu chứng. Nguyên nhân gốc nằm ở dữ liệu huấn luyện và nhãn mục tiêu — phân tích nguyên nhân gốc (root cause analysis) lẽ ra phải dẫn tới thay đổi cách đặt bài toán.

  • Rủi ro pháp lý và danh tiếng chưa được lượng hoá sớm

    Tuyển dụng là lĩnh vực chịu luật chống phân biệt đối xử. Một hệ thống chấm điểm ứng viên cần được xếp vào nhóm rủi ro cao ngay từ khi khởi tạo, với tiêu chí dừng rõ ràng.

  • Điểm sáng: không đưa vào quyết định tự động

    Việc công cụ không phải là căn cứ duy nhất và dự án được dừng cho thấy cơ chế con người trong vòng quyết định (human-in-the-loop) đã hạn chế tác hại.

  • Lẽ ra PM nên làm gì

    1. 1

      Bước 1: Viết tiêu chí chấp nhận gồm cả độ chính xác và công bằng

      Ví dụ: chênh lệch tỷ lệ được đề xuất giữa các nhóm giới không vượt ngưỡng đã thống nhất với bộ phận pháp chế và nhân sự.

    2. 2

      Bước 2: Kiểm toán dữ liệu huấn luyện trước khi xây mô hình

      Phân tích phân bố dữ liệu theo nhóm, nguồn gốc nhãn và các biến đại diện gián tiếp (proxy) như trường học, câu lạc bộ, từ ngữ.

    3. 3

      Bước 3: Đặt cổng dừng cho sản phẩm AI rủi ro cao

      Quyết định tiếp tục hay dừng dựa trên kết quả kiểm định độc lập:

      • Triển khai hạn chế

        Đạt tiêu chí công bằng trên dữ liệu kiểm thử độc lập, chỉ dùng làm gợi ý, có giám sát định kỳ.

      • Làm lại

        Còn chênh lệch có thể giải thích và khắc phục bằng dữ liệu hoặc cách đặt bài toán khác.

      • Dừng

        Không chứng minh được mô hình không phân biệt đối xử: không đưa vào quy trình tuyển dụng.

    PM Takeaway (Bài học rút ra)

    Với sản phẩm AI, chất lượng không chỉ là "dự đoán đúng" mà là "dự đoán đúng điều nên dự đoán". Hãy đưa công bằng vào tiêu chí chấp nhận ngay từ đầu, kiểm toán dữ liệu như kiểm toán yêu cầu, và chuẩn bị sẵn quyết định dừng khi không chứng minh được sản phẩm an toàn.

    Nguồn tham khảo

    • CNBC / Reuters — Amazon scraps a secret AI recruiting tool that showed bias against women
    • Euronews — Amazon scraps secret AI recruiting tool that showed bias against women
    #Quản lý chất lượng#Phát triển phần mềm#Trí tuệ nhân tạo#AI có trách nhiệm#Tuyển dụng#Dữ liệu

    Nguồn: CNBC / Reuters — Amazon scraps a secret AI recruiting tool that showed bias against women (10/10/2018) ↗ (mở trong thẻ mới)

    Trắc nghiệm tình huống PMP

    Câu 1/1
    Nhóm của bạn xây mô hình AI xếp hạng hồ sơ vay vốn. Kiểm thử cho thấy mô hình xếp hạng thấp bất thường một nhóm khách hàng; nhóm kỹ thuật đề xuất xoá vài trường dữ liệu liên quan rồi phát hành đúng hạn. PM nên làm gì?

    Bạn chọn phương án nào?

    Nếu là trưởng sản phẩm của công cụ tuyển dụng năm 2015, sau khi phát hiện thiên lệch, bạn chọn hướng nào?

    Tình huống này hữu ích với bạn?

    Bình luận0

    Bình luận (0)

    Đăng nhập để tham gia thảo luận.

    Tình huống tương tự

    Số 483Quản lý Chất lượng

    Vineyard Wind (2024): cánh tuabin gió ngoài khơi gãy vì lỗi sản xuất, mảnh vỡ dạt vào bãi biển và 150 cánh phải kiểm tra lại

    Ngày 13/7/2024, một cánh dài 107 m của tuabin GE Vernova tại Vineyard Wind 1 (Massachusetts) bị gãy, mảnh sợi thuỷ tinh dạt vào bãi biển Nantucket. BSEE đình chỉ phát điện toàn trang trại. GE Vernova kết luận nguyên nhân là liên kết keo không đủ trong sản xuất — lỗi mà khâu đảm bảo chất lượng lẽ ra phải phát hiện — và kiểm tra lại khoảng 150 cánh cùng nhà máy. Bài học về kiểm soát chất lượng tại nguồn.

    0 lượt thích 0 lượt đánh giá hữu ích 0 bình luận29/10/2026
    Số 381Quản lý Chất lượng

    NASDAQ và IPO Facebook (2012): giới hạn thiết kế của hệ thống khớp lệnh và quyết định mở giao dịch khi chưa hiểu nguyên nhân gốc

    Trong phiên IPO của Facebook ngày 18/5/2012, hệ thống khớp lệnh mở cửa (cross) của NASDAQ gặp giới hạn thiết kế. Lãnh đạo tin rằng vài dòng mã đã sửa xong và cho giao dịch tiếp tục khi chưa hiểu nguyên nhân gốc; hơn 30.000 lệnh bị kẹt hơn hai giờ. SEC phạt NASDAQ 10 triệu USD — mức cao nhất với một sở giao dịch khi đó. Bài học về quản lý chất lượng và ra quyết định khi có sự cố.

    0 lượt thích 0 lượt đánh giá hữu ích 0 bình luận22/10/2026
    Số 369Quản lý Chất lượng

    Cloudflare 18/11/2025: một thay đổi quyền truy vấn cơ sở dữ liệu làm tệp cấu hình phình gấp đôi và sự cố lớn nhất kể từ 2019

    Một thay đổi về quyền truy cập cơ sở dữ liệu khiến truy vấn sinh tệp đặc trưng (feature file) cho Bot Management trả về dòng trùng lặp. Tệp vượt giới hạn 200 đặc trưng, làm proxy lõi bị panic và trả lỗi 5xx trên phần lớn mạng Cloudflare gần sáu giờ. Bài học về kiểm soát chất lượng cho cấu hình do chính hệ thống nội bộ sinh ra.

    1 lượt thích 0 lượt đánh giá hữu ích 0 bình luận22/10/2026

    Nội dung

    Bối cảnh thực tếPhân tích nguyên nhân theo chuẩn PMPLẽ ra PM nên làm gìPM Takeaway (Bài học rút ra)Nguồn tham khảoTrắc nghiệmBình chọn
    Quảng cáoBộ đề thi thử PMP (mẫu)