Bối cảnh và vấn đề nghiên cứu

Sau đại dịch Covid-19, thị trường lao động chứng kiến nhiều biến động khi hàng loạt doanh nghiệp buộc phải tạm dừng hoạt động hoặc cắt giảm quy mô nhân sự, đặc biệt là trong khối ngành công nghệ thông tin. Tình trạng này dẫn đến việc số lượng kỹ sư, lập trình viên tìm kiếm việc làm gia tăng đột biến, tạo nên áp lực tiếp nhận và xử lý hồ sơ rất lớn đối với bộ phận tuyển dụng tại các công ty. Trong mỗi đợt tuyển dụng, một vị trí việc làm có thể tiếp nhận từ vài chục đến hàng trăm hồ sơ ứng viên (CV); đồng thời doanh nghiệp thường tuyển dụng nhiều vị trí cùng lúc. Khối lượng hồ sơ khổng lồ này khiến doanh nghiệp tiêu tốn nhiều thời gian và chi phí cho công tác sàng lọc ban đầu. Hơn nữa, phương pháp rà soát thủ công tiềm ẩn rủi ro bỏ sót các ứng viên chất lượng nếu nhà tuyển dụng chỉ tập trung đánh giá nhóm hồ sơ nộp sớm. Trước sự phát triển của các công nghệ trí tuệ nhân tạo (AI) như ChatGPT, Google Bard hay Bing AI, việc ứng dụng AI vào quy trình sàng lọc hồ sơ mang lại khả năng tự động hóa và nâng cao hiệu quả tuyển dụng.

Mục tiêu và nhiệm vụ nghiên cứu

Văn bản đồ án xác định mục tiêu và nhiệm vụ cụ thể như sau:

  • Mục tiêu: Xây dựng trang web hỗ trợ nhà tuyển dụng quản lý và sàng lọc hồ sơ ứng viên theo nhu cầu tuyển dụng thực tế; giúp xử lý số lượng lớn hồ sơ một cách nhanh chóng, thuận tiện, giảm chi phí thời gian và ngân sách tuyển dụng cho doanh nghiệp.
  • Nhiệm vụ nghiên cứu (gồm 3 nhiệm vụ):
    1. Nắm vững kiến thức về xây dựng website, ngôn ngữ lập trình web và các framework đi kèm.
    2. Nắm vững các kiến thức về trí tuệ nhân tạo (AI) và phương pháp tích hợp mô hình AI vào hệ thống website.
    3. Xây dựng hoàn chỉnh một trang web mang lại sự thuận tiện cho nhà tuyển dụng, tiết kiệm thời gian và công sức trong quy trình tuyển dụng nhân sự.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Hệ thống website được xây dựng phục vụ trực tiếp cho tác nhân là nhà tuyển dụng (Recruiter).
  • Phạm vi nghiên cứu: Đề tài giới hạn phạm vi ứng dụng cho các doanh nghiệp hoạt động trong lĩnh vực công nghệ thông tin.

Cơ sở lý thuyết và phương pháp

Đồ án tổng hợp cơ sở lý thuyết về các công nghệ phát triển web hiện đại, hệ quản trị cơ sở dữ liệu và các mô hình xử lý ngôn ngữ tự nhiên (NLP) phục vụ việc bóc tách và phân tích dữ liệu ứng viên.

Khung lý thuyết và công nghệ sử dụng

  • Hệ quản trị cơ sở dữ liệu Supabase và PostgreSQL: Supabase là nền tảng cơ sở dữ liệu mã nguồn mở cung cấp các dịch vụ SQL, API, Auth (xác thực email, OAuth), Storage và Analytics. Phía sau Supabase là hệ quản trị cơ sở dữ liệu quan hệ đối tượng PostgreSQL với khả năng mở rộng, độ tin cậy cao, hỗ trợ lưu trữ dữ liệu quan hệ truyền thống và kiểu dữ liệu vector (VECTOR) phục vụ tìm kiếm tương đồng.
  • Ngôn ngữ lập trình JavaScript và thư viện ReactJS: JavaScript đảm nhiệm các tương tác phía client; ReactJS (thư viện giao diện do Meta phát triển) được dùng để xây dựng giao diện người dùng theo kiến trúc component tái sử dụng, tối ưu hóa quá trình cập nhật tầng hiển thị (View).
  • Ngôn ngữ lập trình Python và framework liên quan: Python được sử dụng cho các tác vụ xử lý tính toán và logic AI. Hệ thống cũng sử dụng framework FastAPI để xây dựng các giao diện lập trình ứng dụng (API) hiệu năng cao phục vụ kết nối dữ liệu.
  • Mô hình AI và xử lý ngôn ngữ tự nhiên (NLP):
    • SentenceTransformer: Thư viện Python phát triển dựa trên kiến trúc Transformers (Vaswani et al., 2017), cho phép so sánh câu, phân loại, tóm tắt và chuyển đổi câu văn thành biểu diễn vector (embedding) để tính toán độ tương đồng ngữ nghĩa.
    • OpenAI ChatGPT: Mô hình ngôn ngữ lớn (LLM) của công ty OpenAI, hỗ trợ hiểu và xử lý văn bản tự nhiên qua giao diện API để trích xuất các trường dữ liệu từ hồ sơ ứng viên.
    • Các công cụ và khái niệm NLP bổ trợ được đề cập gồm NLTK (Natural Language Toolkit) và xử lý ngôn ngữ tự nhiên (Natural Language Processing).

Phương pháp nghiên cứu

Tác giả áp dụng các phương pháp nghiên cứu thực nghiệm và thu thập thông tin:

  • Khảo sát, tìm hiểu các tài liệu kỹ thuật và công nghệ AI có khả năng ứng dụng vào bài toán sàng lọc hồ sơ.
  • Nghiên cứu, trải nghiệm thực tế các sản phẩm ứng dụng AI tương tự trên thị trường để phân tích chức năng và luồng vận hành.
  • Nghiên cứu tài liệu chính thức về kiến trúc phát triển web hiện đại (ReactJS, FastAPI, Supabase) và các tài liệu kỹ thuật của OpenAI, Hugging Face Transformers.

Nguồn dữ liệu

Nguồn dữ liệu sử dụng trong đồ án bao gồm tài liệu kỹ thuật từ cổng thông tin phát triển OpenAI, Hugging Face, React.dev, FastAPI, Supabase và các tệp hồ sơ ứng viên (CV) tải trực tiếp lên hệ thống qua giao diện web.

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế hướng tới một tác nhân người dùng duy nhất là nhà tuyển dụng, tập trung vào việc quản trị thư mục, xử lý tệp hồ sơ và chấm điểm tương đồng bằng vector embedding.

Tác nhân và ca sử dụng (Actor & Use Cases)

  • Tác nhân: Nhà tuyển dụng (quản lý thông tin hồ sơ ứng viên, quản lý thư mục lưu trữ, lọc và xuất báo cáo danh sách hồ sơ).
  • Danh mục 10 ca sử dụng chính:
    1. Đăng nhập / Đăng xuất
    2. Tạo thư mục hồ sơ ứng viên
    3. Đổi tên thư mục hồ sơ ứng viên
    4. Xóa thư mục hồ sơ ứng viên
    5. Xem thư mục hồ sơ ứng viên
    6. Tải lên hồ sơ ứng viên (hỗ trợ kéo thả tệp)
    7. Xem chi tiết hồ sơ ứng viên
    8. Xóa hồ sơ ứng viên
    9. Lọc hồ sơ ứng viên theo tiêu chí
    10. Tạo báo cáo kết quả sàng lọc hồ sơ ứng viên

Thiết kế cơ sở dữ liệu quan hệ và trường Vector

Cơ sở dữ liệu được triển khai trên nền tảng Supabase (PostgreSQL), gồm 11 bảng dữ liệu được chuẩn hóa để lưu trữ thông tin bóc tách từ CV, tích hợp các cột kiểu dữ liệu VECTOR để phục vụ truy vấn ngữ nghĩa:

Tên bảng Chức năng lưu trữ Các trường dữ liệu chính Kiểu dữ liệu đặc thù
users Tài khoản nhà tuyển dụng id, email, encrypted_password VARCHAR
folders Thư mục phân loại hồ sơ folder_id, folder_name, user_id, created_at, updated_at VARCHAR, TIMESTAMP
resumes Thông tin tổng quan của ứng viên resume_id, resume_thumbnail_url, resume_file_hash, resume_file_path, job_title, job_title_embedding, summary_or_objectives, full_name, email, phone_number, address, folder_id VARCHAR, VECTOR (job_title_embedding)
resume_skills Kỹ năng chuyên môn resume_skill_id, skill_name, skill_name_embedding, resume_id VARCHAR, VECTOR (skill_name_embedding)
resume_awards Giải thưởng, thành tựu resume_award_id, title, date, award_title_embedding, resume_id VARCHAR, TIMESTAMP, VECTOR (award_title_embedding)
resume_certifications Chứng chỉ nghề nghiệp resume_certification_id, title, date, certification_title_embedding, resume_id VARCHAR, TIMESTAMP, VECTOR (certification_title_embedding)
resume_educations Quá trình học vấn resume_education_id, name, education_name_embedding, start_date, end_date, major, gpa, resume_id VARCHAR, TIMESTAMP, FLOAT, VECTOR (education_name_embedding)
resume_language Trình độ ngoại ngữ resume_language_id, language_name, language_name_embedding, resume_id VARCHAR, VECTOR (language_name_embedding)
resume_project_experiences Kinh nghiệm dự án resume_project_experience_id, project_name, project_description, project_technologies, responsibilities, repository_url, demo_or_live_url, start_date, end_date, resume_id VARCHAR, TIMESTAMP, VECTOR (project_description)
resume_work_experiences Lịch sử làm việc resume_work_experience_id, job_title, job_summary, company_name, start_date, end_date, resume_id VARCHAR, TIMESTAMP
resume_references Liên kết và thông tin tham chiếu resume_reference_id, reference_name, reference_contact, resume_id VARCHAR

Hai luồng hoạt động cốt lõi của hệ thống

Hệ thống vận hành dựa trên hai quy trình kỹ thuật chính tích hợp mô hình AI:

  1. Luồng trích xuất thông tin từ hồ sơ ứng viên:
    • Nhà tuyển dụng tải tệp hồ sơ (CV) lên hệ thống thông qua giao diện web.
    • Hệ thống tiếp nhận tệp, thực hiện băm nội dung để lưu resume_file_hash và lưu trữ tệp nguồn vào Supabase Storage.
    • Dịch vụ backend phân tích nội dung văn bản, chuyển qua mô hình OpenAI (ChatGPT) để bóc tách thành các trường thông tin cấu trúc (vị trí công việc, kỹ năng, học vấn, kinh nghiệm dự án, chứng chỉ).
    • Thư viện SentenceTransformer tiến hành mã hóa các trường văn bản quan trọng thành các vector embedding và lưu trữ đồng bộ vào các bảng tương ứng trong cơ sở dữ liệu PostgreSQL.
  2. Luồng xử lý lọc hồ sơ ứng viên:
    • Nhà tuyển dụng thiết lập các tiêu chí tuyển dụng trên giao diện: vị trí công việc, kỹ năng chuyên môn, trình độ học vấn, kinh nghiệm và chứng chỉ.
    • Hệ thống chuyển đổi các tiêu chí tìm kiếm này thành biểu diễn vector tương ứng thông qua mô hình embedding.
    • Cơ sở dữ liệu thực hiện tính toán độ tương đồng giữa vector truy vấn và vector của từng hồ sơ ứng viên trong thư mục.
    • Hệ thống trả về danh sách hồ sơ xếp theo mức độ phù hợp và cho phép xuất dữ liệu ra tệp báo cáo tổng hợp.

Nội dung chính theo từng chương

Chương 1: Tổng quan đề tài

Chương mở đầu phân tích bối cảnh tuyển dụng nhân sự ngành công nghệ thông tin trong giai đoạn sau đại dịch Covid-19. Tác giả chỉ ra tính cấp thiết của việc áp dụng giải pháp công nghệ nhằm giải quyết bài toán tiếp nhận hàng trăm CV cho mỗi đợt tuyển dụng. Chương 1 xác định rõ ràng mục tiêu xây dựng website, 3 nhiệm vụ nghiên cứu trọng tâm, đối tượng phục vụ là nhà tuyển dụng và phạm vi ứng dụng tại các doanh nghiệp CNTT. Ngoài ra, chương này cũng phác thảo các phương pháp thu thập, nghiên cứu công nghệ AI và bố cục 4 chương của toàn bộ đồ án.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày chi tiết nền tảng công nghệ được lựa chọn cho giải pháp, đồng thời phân tích rõ ưu điểm và nhược điểm của từng công nghệ:

  • Supabase và PostgreSQL: Nêu bật khả năng tích hợp sẵn hệ thống xác thực (Auth), kho lưu trữ (Storage), ngôn ngữ SQL chuẩn và độ tin cậy của PostgreSQL; chỉ ra nhược điểm về sự phức tạp khi cấu hình mở rộng ứng dụng quy mô lớn.
  • JavaScript và ReactJS: Trình bày cơ chế component của ReactJS giúp tái sử dụng mã nguồn và nâng cao hiệu năng giao diện; ghi nhận nhược điểm ReactJS chỉ phục vụ tầng View, không có sẵn cấu trúc MVC hoàn chỉnh.
  • Python: Trình bày điểm mạnh về cú pháp trong sáng, tốc độ phát triển và hệ sinh thái thư viện AI phong phú; chỉ ra mặt hạn chế trong việc quản lý phạm vi truy cập biến và tốc độ thực thi so với các ngôn ngữ biên dịch như C++ hoặc Java.
  • SentenceTransformer: Đánh giá khả năng chuyển đổi văn bản thành vector chính xác dựa trên kiến trúc Transformer, dễ dàng tích hợp qua API; ghi nhận nhược điểm yêu cầu tài nguyên tính toán cao và dữ liệu huấn luyện lớn.
  • OpenAI ChatGPT: Trình bày năng lực hiểu ngôn ngữ tự nhiên và trích xuất thông tin qua API; chỉ ra các hạn chế về việc thông tin chưa thể đạt độ chính xác tuyệt đối và giới hạn xử lý câu lệnh phức tạp.

Chương 3: Phân tích thiết kế hệ thống

Chương 3 là phần trọng tâm về kỹ thuật phần mềm của đồ án, bao gồm:

  • Đặc tả chi tiết 10 ca sử dụng (use case) của tác nhân Nhà tuyển dụng kèm bảng kịch bản thực hiện, dữ liệu đầu vào, đầu ra và các trường hợp ngoại lệ (tên thư mục không hợp lệ, đăng nhập sai thông tin, không có hồ sơ khớp bộ lọc).
  • Thiết lập hệ thống 10 sơ đồ hoạt động (Activity Diagram) và 7 sơ đồ tuần tự (Sequence Diagram) mô tả chi tiết dòng tương tác giữa Người dùng, Giao diện (UI), Bộ điều khiển (Controller/Backend API) và Cơ sở dữ liệu cho từng thao tác.
  • Thiết kế mô hình dữ liệu quan hệ (ERD) và đặc tả cấu trúc của 11 bảng cơ sở dữ liệu với các kiểu dữ liệu cụ thể (VARCHAR, TIMESTAMP, FLOAT, VECTOR).
  • Xây dựng sơ đồ luồng bóc tách dữ liệu CV và luồng xử lý thuật toán lọc hồ sơ bằng so khớp vector.

Chương 4: Xây dựng hệ thống ứng dụng

Chương 4 mô tả kết quả lập trình và triển khai các giao diện chức năng của website:

  • Mô tả môi trường và các công cụ được sử dụng để xây dựng chương trình.
  • Trình bày toàn bộ hệ thống giao diện người dùng bằng hình ảnh minh họa thực tế: Giao diện đăng nhập và thông báo lỗi; Giao diện trang chủ quản lý tổng quan; Giao diện danh sách CV đầy đủ và danh sách rỗng; Giao diện bộ lọc CV theo nhiều trường thông tin; Giao diện tạo mới, chỉnh sửa tên và xác nhận xóa thư mục; Giao diện tải lên tệp hồ sơ (upload CV); Giao diện hiển thị chi tiết các trường thông tin bóc tách từ hồ sơ ứng viên.

Kết luận và hướng phát triển

Tác giả tóm tắt kết quả hoàn thành của đồ án tốt nghiệp, đối chiếu với các mục tiêu ban đầu về việc xây dựng website sàng lọc ứng viên tích hợp AI. Phần này đồng thời chỉ ra một số điểm tồn tại của hệ thống do giới hạn thời gian thực hiện của sinh viên và đề ra các hướng nghiên cứu nâng cấp hệ thống trong tương lai.

Kết quả và đóng góp

Kết quả chính

  • Xây dựng hoàn chỉnh ứng dụng website tích hợp AI hỗ trợ nhà tuyển dụng quản lý và sàng lọc hồ sơ ứng viên theo quy trình khép kín: từ khâu phân loại thư mục, tải lên tệp CV, bóc tách dữ liệu tự động, lưu trữ vector đến lọc ứng viên và xuất báo cáo.
  • Thiết kế và hiện thực hóa thành công lược đồ cơ sở dữ liệu chuyên biệt gồm 11 bảng quan hệ trên PostgreSQL (thông qua Supabase), hỗ trợ lưu trữ phân mảnh chi tiết từng thành phần của một bản CV (kỹ năng, chứng chỉ, giải thưởng, học vấn, lịch sử làm việc, kinh nghiệm dự án) đi kèm các trường biểu diễn vector embedding.
  • Ứng dụng thành công mô hình ngôn ngữ lớn (OpenAI) để đọc hiểu nội dung CV và thư viện SentenceTransformer để thực hiện vector hóa văn bản, phục vụ bài toán so khớp ngữ nghĩa giữa yêu cầu công việc và năng lực ứng viên.
  • Đóng gói đầy đủ các chức năng nghiệp vụ của nhà tuyển dụng gồm quản trị thư mục, tìm kiếm lọc ứng viên đa tiêu chí và xuất danh sách ứng viên đạt yêu cầu.

Giải pháp và kiến nghị của tác giả

  • Tự động hóa khâu xử lý CV bằng việc kết hợp mô hình AI trích xuất thông tin và tìm kiếm tương đồng vector, thay thế quy trình rà soát thủ công tốn kém chi phí và dễ bỏ sót nhân tài.
  • Đề xuất mô hình phân chia cấu trúc CV thành các thực thể dữ liệu độc lập (học vấn, kỹ năng, kinh nghiệm) để tăng tính linh hoạt và độ chính xác khi áp dụng các bộ lọc chuyên sâu.

Đóng góp so với quy trình truyền thống

Theo phân tích của tác giả, hệ thống giải quyết trực tiếp điểm nghẽn của quy trình tuyển dụng thủ công trong bối cảnh bùng nổ số lượng ứng viên CNTT sau dịch bệnh. Thay vì phải đọc tuần tự từng hồ sơ hoặc chỉ lọc từ khóa (keyword search) đơn thuần vốn dễ bỏ sót ngữ cảnh, giải pháp tích hợp AI cho phép tìm kiếm theo mức độ tương đồng ngữ nghĩa của kỹ năng và kinh nghiệm, tối ưu hóa thời gian xử lý và giảm chi phí vận hành cho bộ phận nhân sự.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

Dựa trên phạm vi và nội dung văn bản đồ án, hệ thống còn tồn tại một số hạn chế cụ thể:

  • Phạm vi ứng dụng mới chỉ tập trung và tối ưu hóa cho đối tượng ứng viên và vị trí công việc thuộc lĩnh vực công nghệ thông tin.
  • Độ chính xác của quá trình trích xuất thông tin vẫn phụ thuộc vào chất lượng phản hồi từ API bên ngoài (OpenAI); văn bản cũng ghi nhận ChatGPT đôi khi gặp sai sót và có hạn chế trong việc phản hồi các yêu cầu ngôn ngữ quá phức tạp.
  • Thư viện SentenceTransformer đòi hỏi tài nguyên tính toán lớn khi xử lý dữ liệu quy mô lớn.
  • Nền tảng Supabase/PostgreSQL được tác giả đánh giá là có thể phát sinh tính phức tạp và thách thức về khả năng mở rộng khi ứng dụng đạt quy mô dữ liệu doanh nghiệp rất lớn.

Hướng nghiên cứu tiếp

Văn bản đồ án định hướng các nội dung nâng cấp tiếp theo:

  • Tiếp tục nghiên cứu, tối ưu hóa mô hình AI để nâng cao độ chính xác trong việc bóc tách thông tin và so khớp độ tương đồng ngữ nghĩa của hồ sơ.
  • Hoàn thiện thêm các chức năng quản trị và nghiệp vụ tuyển dụng nâng cao trên hệ thống website.
  • Nghiên cứu mở rộng phạm vi áp dụng của hệ thống sang các khối ngành nghề tuyển dụng khác ngoài lĩnh vực công nghệ thông tin.

Giá trị tham khảo

Tài liệu đồ án mang lại giá trị tham khảo thiết thực cho các đối tượng sau:

  • Sinh viên và học viên ngành Công nghệ thông tin, Kỹ thuật phần mềm: Là tài liệu tham khảo cụ thể về phương pháp làm đồ án tốt nghiệp theo hướng kỹ thuật phần mềm kết hợp ứng dụng AI/NLP; cung cấp quy trình chuẩn từ phân tích yêu cầu, xây dựng use case, vẽ sơ đồ hoạt động, sơ đồ tuần tự đến thiết kế cơ sở dữ liệu.
  • Lập trình viên và nhà phát triển hệ thống: Cung cấp mô hình kiến trúc kết hợp giữa frontend ReactJS, dịch vụ backend Python (FastAPI) và cơ sở dữ liệu Supabase/PostgreSQL; đặc biệt là cách thức tổ chức lưu trữ và xử lý trường dữ liệu VECTOR để phục vụ tìm kiếm tương đồng.
  • Phần đáng tham khảo nhất trong văn bản: Bản đặc tả chi tiết 11 bảng dữ liệu (ERD) cho hồ sơ ứng viên và hệ thống các sơ đồ tương tác UML (Use Case, Activity, Sequence Diagrams) được mô tả tỉ mỉ cho từng kịch bản nghiệp vụ.

Câu hỏi thường gặp

1. Hệ thống website được xây dựng phục vụ cho tác nhân nào và trong phạm vi ngành nghề gì?

Theo đồ án, hệ thống được thiết kế dành cho một tác nhân duy nhất là "Nhà tuyển dụng" (Recruiter). Phạm vi nghiên cứu và ứng dụng của đề tài giới hạn trong các doanh nghiệp thuộc lĩnh vực công nghệ thông tin.

2. Những mô hình và thư viện AI nào được tác giả sử dụng để xử lý hồ sơ ứng viên?

Hệ thống sử dụng mô hình OpenAI ChatGPT (thông qua API) để hiểu và trích xuất các thông tin văn bản từ CV; đồng thời sử dụng thư viện SentenceTransformer (dựa trên kiến trúc Transformers) để mã hóa các thông tin văn bản thành dạng vector embedding phục vụ tính toán độ tương đồng khi sàng lọc.

3. Cơ sở dữ liệu của đồ án được tổ chức như thế nào để phục vụ tìm kiếm AI?

Cơ sở dữ liệu được xây dựng trên PostgreSQL (qua Supabase) với 11 bảng dữ liệu. Điểm đặc thù là các bảng như resumes, resume_skills, resume_awards, resume_certifications, resume_educations, resume_language, và resume_project_experiences đều được thiết kế thêm các cột mang kiểu dữ liệu VECTOR (chẳng hạn job_title_embedding, skill_name_embedding, education_name_embedding) nhằm lưu trữ trực tiếp vector ngữ nghĩa.

4. Luồng xử lý khi nhà tuyển dụng tải một hồ sơ CV lên hệ thống diễn ra như thế nào?

Khi người dùng tải tệp CV lên, hệ thống mã hóa băm nội dung (resume_file_hash) và lưu tệp vào hệ thống lưu trữ. Sau đó, nội dung CV được đưa qua mô hình AI để trích xuất tự động thành các mục cấu trúc (kỹ năng, học vấn, kinh nghiệm), chuyển đổi các trường dữ liệu quan trọng thành vector bằng SentenceTransformer và lưu trữ đồng bộ vào các bảng dữ liệu tương ứng.

5. Tại sao phương pháp sàng lọc hồ sơ thủ công lại bị đánh giá là rủi ro trong bối cảnh sau dịch bệnh?

Tác giả giải thích rằng sau dịch Covid-19, tình trạng sa thải khiến số lượng ứng viên CNTT nộp vào mỗi vị trí tăng vọt lên hàng trăm hồ sơ. Việc rà soát thủ công vừa gây tốn kém thời gian, chi phí cho doanh nghiệp, vừa dễ dẫn đến việc bỏ sót những ứng viên xuất sắc nộp hồ sơ ở giai đoạn sau nếu nhà tuyển dụng chỉ đánh giá nhóm hồ sơ đầu tiên.

Kết luận

Đồ án tốt nghiệp "Xây dựng website tích hợp AI hỗ trợ doanh nghiệp sàng lọc ứng viên" của tác giả Đặng Văn Thiện đã giải quyết bài toán cấp thiết về áp lực tuyển dụng nhân sự ngành công nghệ thông tin thời kỳ hậu dịch bệnh. Bằng cách kết hợp nền tảng phát triển web ReactJS, dịch vụ backend Python và cơ sở dữ liệu Supabase/PostgreSQL hỗ trợ kiểu dữ liệu vector, đồ án đã hoàn thiện một hệ thống phần mềm có khả năng tự động bóc tách và sàng lọc hồ sơ ứng viên bằng mô hình AI. Mặc dù còn giới hạn trong phạm vi ngành CNTT và phụ thuộc vào tài nguyên của các mô hình ngôn ngữ, công trình đã thể hiện rõ quy trình kỹ thuật phần mềm bài bản và cung cấp tài liệu tham khảo hữu ích cho các nghiên cứu phát triển ứng dụng AI trong quản trị nhân sự.