Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh thị trường lao động nhiều biến động, đặc biệt là sự chuyển dịch mạnh mẽ và tình trạng sa thải gia tăng trong các lĩnh vực kỹ thuật và công nghệ thông tin, công tác tìm kiếm và tuyển chọn nhân sự chất lượng cao trở thành một thách thức lớn đối với doanh nghiệp. Các quy trình tuyển dụng truyền thống bộc lộ nhiều điểm hạn chế: khối lượng hồ sơ ứng tuyển lớn gây quá tải cho bộ phận nhân sự; quá trình sàng lọc thủ công tiêu tốn thời gian, chi phí và dễ bỏ sót các ứng viên tiềm năng; việc đánh giá ứng viên thường bị chi phối bởi các yếu tố chủ quan và áp lực thời gian, dẫn đến thiếu khách quan; đồng thời quy trình thiếu minh bạch khiến ứng viên khó nắm bắt tiến trình tuyển dụng và nhận phản hồi chậm trễ. Về phía người lao động, các phương thức ứng tuyển thông thường chưa tạo đủ điều kiện để ứng viên thể hiện toàn diện năng lực, thiếu công cụ hỗ trợ tối ưu hóa hồ sơ và định hướng công việc phù hợp.

Nhằm giải quyết các bất cập trên, đề tài "Xây dựng website quản lý tuyển dụng tích hợp AI để sàng lọc và đánh giá" được thực hiện với 5 mục tiêu nghiên cứu cụ thể:

  1. Phát triển một nền tảng website giúp thu hút ứng viên chất lượng.
  2. Giúp ứng viên kết nối với các nhà tuyển dụng và các ứng viên khác.
  3. Tăng hiệu quả trong quy trình tuyển dụng.
  4. Giúp tiếp cận và sàng lọc hồ sơ ứng viên hiệu quả, đánh giá ứng viên khách quan và chính xác.
  5. Hỗ trợ ứng viên trong việc tìm kiếm việc làm, cũng như giúp đánh giá và cải thiện hồ sơ của ứng viên.

Đối tượng và phạm vi nghiên cứu của đề tài được xác định rõ ràng:

  • Đối tượng nghiên cứu: Quy trình quản lý tuyển dụng trực tuyến tích hợp trí tuệ nhân tạo; các nhóm tác nhân tham gia hệ thống gồm Cá nhân (ứng viên, người tìm việc), Tổ chức (Chủ sở hữu, Cộng tác viên, Nhân viên) và Quản trị viên hệ thống.
  • Phạm vi nghiên cứu: Hệ thống được thiết kế và triển khai trên nền tảng ứng dụng web. Về mặt quy trình nghiệp vụ, đề tài tập trung vào giai đoạn đầu của chu kỳ tuyển dụng tổng thể (end-to-end recruitment cycle), bao gồm: tìm kiếm nguồn ứng viên (sourcing), sàng lọc hồ sơ (screening) và kiểm tra, đánh giá ứng viên (testing & assessment).

Cơ sở lý thuyết và phương pháp tiếp cận

Đề tài xây dựng trên nền tảng lý thuyết quản trị nhân sự kết hợp với các kỹ thuật khoa học máy tính hiện đại:

  • Khung lý thuyết quy trình tuyển dụng: Áp dụng mô hình chu kỳ tuyển dụng 6 giai đoạn tiêu chuẩn trong doanh nghiệp: (1) Yêu cầu công việc (Job requirements); (2) Tiếp thị công việc (Job marketing); (3) Tìm kiếm nguồn ứng viên (Sourcing); (4) Sàng lọc và kiểm tra (Screening & testing); (5) Phỏng vấn và tuyển chọn (Interview & selection); (6) Giới thiệu ứng viên mới (Candidate onboarding).
  • Bộ tiêu chí sàng lọc và đánh giá:
    • Tiêu chí sàng lọc: Trình độ chuyên môn (kỹ năng kỹ thuật), kinh nghiệm làm việc (số năm và vị trí công tác), trình độ học vấn (văn bằng, chứng chỉ liên quan).
    • Tiêu chí đánh giá: Kỹ năng chuyên môn (qua bài kiểm tra trực tuyến), kỹ năng mềm (qua các câu hỏi tình huống hoặc hành vi), kỹ năng giao tiếp (đánh giá khả năng diễn đạt lưu loát thông qua các câu hỏi âm thanh). Các tiêu chí này được tổng hợp dựa trên việc nghiên cứu các hệ thống tuyển dụng lớn (LinkedIn, Indeed, Glassdoor), chuẩn năng lực ngành nhân sự và khảo sát thực tế.
  • Hệ thống khuyến nghị (Recommendation Systems): Khảo sát các phương pháp lọc cộng tác (Collaborative Filtering gồm User-based và Item-based), lọc dựa trên nội dung (Content-based Filtering - CBF) và mô hình lai (Hybrid). Các công thức toán học được phân tích gồm độ tương đồng Cosine (Cosine Similarity), độ tương quan Pearson ($r$), dự đoán dựa trên tổng trọng số và dự đoán dựa trên mô hình hồi quy tuyến tính ($R'{u,i} = \alpha R{X} + \beta + \epsilon$). Hệ thống tích hợp dịch vụ khuyến nghị trên nền tảng đám mây Recombee, hoạt động theo cơ chế Hybrid kết hợp Content-based và Collaborative Filtering dựa trên dữ liệu thuộc tính công việc (quyền lợi, yêu cầu, kỹ năng) và thuộc tính ứng viên (kỹ năng, học vấn, kinh nghiệm).
  • Trí tuệ nhân tạo và Mô hình ngôn ngữ lớn (LLM): Phân tích các hạn chế cố hữu của LLM như trạng thái tạm thời, bản chất xác suất, dữ liệu lỗi thời và hiện tượng ảo giác (hallucination). Để kiểm soát và tối ưu hóa LLM, đề tài áp dụng hai kỹ thuật chính:
    • Kỹ thuật thiết kế lời nhắc (Prompt Engineering): Áp dụng Zero-shot prompting, Few-shot prompting và kỹ thuật chuỗi tư duy (Chain of Thought - CoT). Nhóm tác giả chuẩn hóa cấu trúc prompt theo công thức: prompt = instruction + output indicator + context + input data.
    • Tạo sinh tăng cường truy xuất (Retrieval-Augmented Generation - RAG): Sử dụng kiến trúc gồm bộ trích xuất và nạp dữ liệu (Loader), bộ chia đoạn văn bản (Splitter), mô hình tạo vector nhúng (Embedding Machine) và cơ sở dữ liệu vector Qdrant. Dữ liệu được biểu diễn dưới dạng dense vector để truy vấn theo ngữ nghĩa thay vì chỉ dựa vào tần suất từ khóa như sparse vector (TF-IDF, BM25).
  • Phương pháp nghiên cứu: Phương pháp phân tích - tổng hợp tài liệu chuyên ngành; khảo sát, so sánh đối chuẩn các sản phẩm thực tế trên thị trường; phân tích thiết kế hệ thống phần mềm hướng đối tượng theo chuẩn UML (Use Case, Activity, Sequence Diagram) và thiết kế cơ sở dữ liệu NoSQL.

Thiết kế và triển khai hệ thống

Khóa luận là đồ án xây dựng phần mềm hoàn chỉnh, hệ thống được thiết kế theo mô hình Client - Server kết hợp với các dịch vụ chuyên biệt của bên thứ ba:

  • Kiến trúc phía Client: Được phát triển bằng TypeScript trên nền thư viện ReactJS theo kiến trúc dựa trên thành phần (Component-based Architecture). Giao diện người dùng sử dụng HTML/CSS và Tailwind CSS. Trạng thái toàn cục của ứng dụng được quản lý thông qua thư viện Zustand. Việc đồng bộ, đệm (cache) và truy xuất dữ liệu từ máy chủ được đảm nhiệm bởi React Query. Tích hợp Stripe Payment Portal để phục vụ quy trình thanh toán gói dịch vụ.
  • Kiến trúc phía Server: Xây dựng trên nền tảng NodeJS kết hợp framework ExpressJS, phân chia thành hai tầng logic rõ ràng:
    • Tầng logic HTTP (HTTP Logic Layer): Chứa các Routes/Routers và Controllers để tiếp nhận yêu cầu, kiểm tra dữ liệu đầu vào và điều phối phản hồi HTTP.
    • Tầng logic nghiệp vụ (Business Logic Layer): Chứa các Services và Models để thực thi các quy tắc nghiệp vụ, giao tiếp với các cơ sở dữ liệu và gọi API dịch vụ ngoài.
  • Hệ thống lưu trữ dữ liệu đa tầng:
    • Cơ sở dữ liệu bền vững (Persistent Database): Sử dụng MongoDB, lưu trữ dữ liệu dưới dạng tài liệu JSON linh hoạt, hỗ trợ mở rộng thông qua cơ chế phân mảnh (sharding).
    • Cơ sở dữ liệu trong bộ nhớ (In-memory Database): Sử dụng Redis để quản lý dữ liệu phiên làm việc và hỗ trợ các tác vụ thời gian thực.
    • Cơ sở dữ liệu vector (Vector Database): Sử dụng Qdrant để lưu trữ các vector nhúng (embeddings) và thực hiện tìm kiếm tương đồng ngữ nghĩa trong pipeline RAG của chatbot.
  • Dịch vụ tích hợp bên thứ ba:
    • OpenAI API (GPT-4o): Đóng vai trò mô hình sinh ngôn ngữ tự nhiên trong chatbot RAG, hỗ trợ tạo sinh mô tả công việc, đề xuất thông tin dự án, hồ sơ và cải thiện CV.
    • AssemblyAI: Dịch vụ nhận dạng và chuyển đổi giọng nói thành văn bản (Speech-to-Text), xử lý các câu trả lời dạng âm thanh của ứng viên trước khi chuyển qua LLM tóm tắt ý chính.
    • Recombee: Dịch vụ đám mây thực thi hệ thống khuyến nghị Hybrid, gợi ý việc làm cho ứng viên và đề xuất ứng viên phù hợp cho nhà tuyển dụng.
    • Stripe: Xử lý thanh toán trực tuyến cho các gói dịch vụ tài khoản cá nhân và tổ chức.
    • Stream Chat & Upload Services: Hỗ trợ truyền thông tin nhắn thời gian thực và quản lý lưu trữ tập tin.
  • Yêu cầu phi chức năng: Hệ thống đáp ứng thời gian phản hồi không quá 2 giây cho các thao tác cơ bản; áp dụng mã hóa và phân quyền để đảm bảo an toàn thông tin cá nhân; hỗ trợ mở rộng theo chiều ngang; tương thích tốt trên các trình duyệt web phổ biến.

Nội dung chính theo từng chương

Chương 1. Mở đầu

Chương này thiết lập cơ sở thực tiễn của đề tài thông qua việc phân tích bối cảnh biến động nhân sự ngành kỹ thuật và CNTT. Tác giả xác định rõ 5 mục tiêu nghiên cứu và phân định quyền hạn của 3 nhóm tác nhân chính trên hệ thống: Cá nhân (người tìm việc), Tổ chức (Chủ sở hữu, Cộng tác viên, Nhân viên) và Quản trị viên (quản lý vận hành). Trọng tâm của chương là khảo sát đối chuẩn 3 sản phẩm tuyển dụng quy mô lớn gồm LinkedIn, Indeed và SmartRecruiters. Từ kết quả so sánh, chương làm rõ 4 điểm mới của đề tài: (1) Tính năng sàng lọc ứng viên thông qua câu hỏi âm thanh và dùng AI tóm tắt, đánh giá; (2) Tích hợp trực tiếp công cụ tạo và làm bài kiểm tra năng lực nhiều định dạng; (3) Ứng dụng AI tạo sinh trong việc soạn thảo JD, xây dựng hồ sơ và dự án; (4) Cung cấp công cụ tạo trang portfolio cá nhân hóa theo các mẫu định sẵn.

Chương 2. Cơ sở lý thuyết

Chương 2 trình bày có hệ thống các nền tảng lý thuyết và công nghệ sử dụng trong đồ án:

  • Phân tích chi tiết 6 bước trong vòng đời tuyển dụng doanh nghiệp và các tiêu chí đánh giá năng lực ứng viên.
  • Khảo sát các công nghệ phát triển web: ReactJS (kiến trúc component, JSX, Virtual DOM, ưu nhược điểm) và cơ sở dữ liệu MongoDB (cấu trúc tài liệu NoSQL, sharding, so sánh với RDBMS).
  • Cơ sở lý thuyết về hệ thống khuyến nghị: Phân loại Collaborative Filtering, Content-based Filtering và Hybrid; các thuật toán khoảng cách Cosine, hệ số tương quan Pearson, dự đoán hồi quy tuyến tính; kiến trúc và luồng xử lý 3 giai đoạn của dịch vụ Recombee (Source Data, Settings, Recommendations) áp dụng trên dữ liệu thuộc tính của ứng viên và công việc.
  • Lý thuyết về mô hình ngôn ngữ lớn (LLM): Các hạn chế nội tại (ảo giác, thiếu thông tin thời gian thực); giải pháp Prompt Engineering (Zero-shot, Few-shot, CoT) và cấu trúc chuẩn của một prompt; kiến trúc RAG với các thành phần Loader, Splitter, Embedding, so sánh biểu diễn sparse vector và dense vector; kiến trúc lưu trữ và truy vấn vector hiệu năng cao của Qdrant.

Chương 3. Phân tích thiết kế hệ thống

Chương 3 trình bày toàn bộ quá trình kỹ thuật phần mềm từ yêu cầu đến thiết kế chi tiết:

  • Phân tích yêu cầu chức năng (các nhóm chức năng cho tổ chức, cá nhân, quản trị viên) và yêu cầu phi chức năng (hiệu năng dưới 2 giây, tính bảo mật, khả năng mở rộng).
  • Thiết kế kiến trúc tổng thể 3 tầng kết hợp các dịch vụ bên thứ ba; thiết kế chi tiết tầng client (TypeScript, ReactJS, Zustand, React Query) và tầng server (NodeJS, ExpressJS phân tách HTTP Logic Layer và Business Logic Layer).
  • Xây dựng mô hình Use Case: Sơ đồ Use Case cấp hệ thống, sơ đồ cấp tổ chức và bảng đặc tả chi tiết cho 34 use case tiêu biểu (từ xem việc làm, ứng tuyển, làm bài test, chat RAG, tạo sinh bằng AI, đến quản lý người dùng và tổ chức).
  • Thiết kế hành vi hệ thống: Xây dựng 9 biểu đồ hoạt động (Activity diagram) và 9 biểu đồ tuần tự (Sequence diagram) mô hình hóa các luồng nghiệp vụ cốt lõi: Tìm kiếm người dùng khác, Ứng tuyển, Làm bài kiểm tra, Tạo sinh nội dung với AI, Chat với chatbot, Kiểm tra độ phù hợp giữa ứng viên và công việc, Gợi ý ứng viên tiềm năng, Cải thiện CV với AI, và Đăng bài tuyển dụng.
  • Thiết kế cơ sở dữ liệu MongoDB: Mô tả chi tiết lược đồ và các trường thuộc tính của các collection chính như User, Organization, Project, Portfolio, Link, Assessment, Question, Answer, TakeAssessment, Interaction.

Chương 4. Xây dựng ứng dụng

Chương 4 tài liệu hóa quá trình hiện thực hóa giao diện và tính năng hệ thống qua 3 phân hệ màn hình:

  • Phân hệ người dùng cá nhân: Gồm màn hình Hồ sơ cá nhân (Profile), Tạo sinh dự án với AI, Giao diện Chatbot hỗ trợ, Tìm kiếm công việc, Nộp hồ sơ ứng tuyển (Apply job), Quản lý trang Portfolio, Làm bài kiểm tra trực tuyến, và Quản lý ví (Wallet).
  • Phân hệ tổ chức tuyển dụng: Gồm màn hình Thiết lập công việc mới (Setup new job), Chi tiết công việc phía tổ chức, Gợi ý ứng viên tiềm năng, Chi tiết đơn ứng tuyển (Application detail), Tạo bài đánh giá năng lực (Create assessment), Tạo câu hỏi (Create question với các định dạng âm thanh, trắc nghiệm MCQ, lập trình code), và Quản lý thành viên (Team member).
  • Phân hệ quản trị viên: Gồm màn hình Báo cáo phân tích thống kê hoạt động hệ thống (Report) và màn hình Quản lý tài khoản người dùng (User Management) hỗ trợ chặn và gỡ chặn tài khoản.

Kết quả và đóng góp

Khóa luận đã thiết kế và triển khai thành công một nền tảng website tuyển dụng tích hợp AI với đầy đủ các phân hệ chức năng theo đúng mục tiêu đề ra. Kết quả so sánh tính năng giữa hệ thống được xây dựng với các nền tảng tuyển dụng lớn trên thị trường được nhóm tác giả tổng hợp trong bảng sau:

Tiêu chí so sánh LinkedIn Indeed SmartRecruiters Hệ thống của đề tài
Tìm kiếm việc làm Số lượng công việc đồ sộ, tích hợp với mạng xã hội Công cụ tìm kiếm việc làm với hệ thống khuyến nghị cho người dùng Công cụ tìm kiếm việc làm hạn chế, không có cá nhân hóa Tìm kiếm việc làm cá nhân hóa tích hợp hệ thống khuyến nghị Recombee (Hybrid)
Mạng lưới kết nối (Networking) Mạng xã hội chuyên nghiệp, rộng lớn Thiếu các tính năng liên quan tới kết nối giữa các người dùng Thiếu các tính năng liên quan tới kết nối giữa các người dùng Hỗ trợ tìm kiếm, kết nối giữa các người dùng, cho phép để lại lời giới thiệu trên hồ sơ
Theo dõi ứng viên (ATS) & Đánh giá Các tính năng cơ bản của ATS, hạn chế ở việc tìm kiếm Các tính năng cơ bản của ATS, hạn chế ở việc tìm kiếm ATS hỗ trợ nhiều tính năng AI trong việc tìm kiếm nguồn và đánh giá ứng viên Hệ thống ATS tích hợp bài kiểm tra đa định dạng (MCQ, code, audio qua AssemblyAI)
Trí tuệ nhân tạo tạo sinh (Generative AI) Tích hợp AI tạo sinh vào việc tạo công việc Không có tính năng về AI tạo sinh Không có tính năng về AI tạo sinh Áp dụng AI tạo sinh (OpenAI, RAG, Prompt Engineering) cho chatbot, tạo JD, tạo CV, dự án và portfolio
Phân tích và thống kê Báo cáo phân tích cơ bản Báo cáo phân tích cơ bản Báo cáo phân tích nâng cao, đầy đủ thông tin Báo cáo thống kê lượt tương tác, phản hồi bài đăng và phân tích ứng viên

Về mặt đóng góp kỹ thuật, đề tài đã:

  • Thiết kế một giải pháp kỹ thuật kết hợp giữa mô hình ngôn ngữ lớn (OpenAI) và cơ sở dữ liệu vector (Qdrant) theo kiến trúc RAG, giải quyết hiệu quả hiện tượng ảo giác và cung cấp trợ lý ảo trả lời chính xác thông tin tuyển dụng dựa trên ngữ cảnh thực tế.
  • Tích hợp thành công quy trình đánh giá ứng viên bằng âm thanh: thu nhận phản hồi giọng nói, chuyển đổi văn bản qua AssemblyAI và dùng LLM tóm tắt ý chính, hỗ trợ nhà tuyển dụng nắm bắt năng lực ứng viên nhanh chóng và khách quan.
  • Hiện thực hóa kiến trúc phần mềm phân tầng rõ ràng, kết hợp linh hoạt cơ sở dữ liệu NoSQL (MongoDB), bộ nhớ đệm (Redis), cơ sở dữ liệu vector (Qdrant) và các dịch vụ đám mây chuyên trách (Recombee, Stripe, AssemblyAI).

Hạn chế và hướng nghiên cứu tiếp

Dựa trên phạm vi thực hiện và nội dung phân tích trong văn bản, đề tài tồn tại một số hạn chế kỹ thuật:

  • Phụ thuộc vào dịch vụ bên thứ ba: Hệ thống phụ thuộc nhiều vào các API thương mại (OpenAI, Recombee, AssemblyAI, Stripe). Việc này làm phát sinh chi phí vận hành đáng kể khi quy mô dữ liệu và lượng người dùng tăng trưởng, đồng thời tiềm ẩn rủi ro về tính sẵn sàng nếu dịch vụ bên ngoài gặp sự cố.
  • Khả năng tối ưu hóa của hệ khuyến nghị: Dịch vụ Recombee là nền tảng khuyến nghị dùng chung trên đám mây, dẫn đến những hạn chế nhất định trong việc tinh chỉnh sâu các thuật toán đề xuất cho từng vị trí tuyển dụng mang tính đặc thù cao.
  • Rủi ro tính xác suất của mô hình ngôn ngữ: Mặc dù đã áp dụng Prompt Engineering và RAG, bản chất xác suất của LLM vẫn có thể tạo ra sự sai khác nhỏ trong việc tóm tắt hoặc đánh giá nội dung phức tạp.
  • Kiểm thử hiệu năng: Đề tài dừng lại ở mức xây dựng và kiểm thử hoàn thiện các chức năng trên môi trường phát triển; chưa có dữ liệu đánh giá tải thực tế trên quy mô hàng trăm nghìn người dùng đồng thời.

Hướng nghiên cứu tiếp theo được định hướng:

  • Tối ưu hóa chi phí vận hành bằng cách tự xây dựng và huấn luyện các mô hình khuyến nghị nội bộ chuyên biệt cho lĩnh vực nhân sự, giảm dần sự phụ thuộc vào Recombee.
  • Nghiên cứu áp dụng các mô hình ngôn ngữ nhỏ (SLM) hoặc mô hình mã nguồn mở được tinh chỉnh (fine-tuned) cục bộ cho các tác vụ sàng lọc và tóm tắt văn bản.
  • Mở rộng các tính năng đánh giá ứng viên theo thời gian thực và tiến hành kiểm thử hiệu năng chịu tải trên diện rộng.

Giá trị tham khảo

Báo cáo khóa luận mang lại giá trị tham khảo chuyên môn cho các đối tượng:

  • Sinh viên và học viên ngành Kỹ thuật Phần mềm, Công nghệ Thông tin, Hệ thống Thông tin: Cung cấp tài liệu mẫu mực về quy trình phân tích thiết kế hệ thống theo chuẩn UML, cách thức phân rã use case chi tiết và thiết kế cơ sở dữ liệu NoSQL cho một ứng dụng quản lý doanh nghiệp phức tạp.
  • Lập trình viên và kỹ sư phát triển phần mềm Full-stack: Tham khảo kiến trúc tích hợp đa cơ sở dữ liệu (MongoDB + Redis + Qdrant) trong môi trường NodeJS/ExpressJS, kỹ thuật quản lý trạng thái bằng Zustand và xử lý dữ liệu với React Query trên nền TypeScript.
  • Nhà phát triển sản phẩm công nghệ tuyển dụng (HR Tech): Tham khảo mô hình tích hợp AI đa phương thức (xử lý giọng nói qua AssemblyAI, khuyến nghị qua Recombee, chatbot thông minh qua RAG/Qdrant) để số hóa quy trình sàng lọc và đánh giá nhân sự.
  • Các phần đáng tham khảo nhất trong tài liệu: Mục 2.4 - 2.5 (kỹ thuật Prompt Engineering và quy trình RAG chi tiết); Mục 3.2 - 3.4 (thiết kế kiến trúc hệ thống và biểu đồ tuần tự các luồng AI); Bảng 1.1 (phân tích đối chuẩn tính năng các nền tảng tuyển dụng lớn).

Câu hỏi thường gặp

1. Khóa luận giải quyết bài toán sàng lọc và đánh giá ứng viên qua định dạng âm thanh như thế nào?
Nhà tuyển dụng có thể tạo các câu hỏi dạng âm thanh trong bài kiểm tra. Ứng viên ghi âm câu trả lời trực tiếp trên hệ thống; dữ liệu âm thanh này được gửi đến dịch vụ AssemblyAI để chuyển đổi thành văn bản (speech-to-text). Sau đó, mô hình ngôn ngữ lớn (LLM) sẽ phân tích văn bản này để tóm tắt các ý chính và đánh giá kỹ năng diễn đạt cũng như mức độ đáp ứng yêu cầu của ứng viên, giúp nhà tuyển dụng tiết kiệm thời gian nghe lại toàn bộ đoạn ghi âm.

2. Cơ chế RAG trong chatbot hỗ trợ người dùng của hệ thống được vận hành theo quy trình nào?
Quy trình gồm 5 bước: (1) Người dùng gửi câu hỏi; (2) Câu hỏi được mô hình nhúng (Embedding Machine) chuyển thành biểu diễn vector; (3) Vector truy vấn được gửi đến cơ sở dữ liệu vector Qdrant để tìm kiếm các đoạn tài liệu có độ tương đồng ngữ nghĩa cao nhất; (4) Các tài liệu liên quan được trích xuất làm ngữ cảnh (context) đưa vào prompt của LLM; (5) LLM xử lý câu hỏi dựa trên ngữ cảnh được cung cấp và sinh câu trả lời gửi lại người dùng, loại bỏ hiện tượng ảo giác.

3. Khóa luận sử dụng các cơ sở dữ liệu nào và vai trò của từng loại trong hệ thống là gì?
Hệ thống sử dụng 3 loại cơ sở dữ liệu riêng biệt:

  • MongoDB: Cơ sở dữ liệu NoSQL lưu trữ bền vững (Persistent database) toàn bộ dữ liệu nghiệp vụ của hệ thống dưới dạng tài liệu JSON (User, Organization, Assessment, Project...).
  • Redis: Cơ sở dữ liệu trong bộ nhớ (Memory database) phục vụ lưu trữ tạm thời, quản lý phiên và xử lý các tác vụ thời gian thực.
  • Qdrant: Cơ sở dữ liệu vector (Vector database) chuyên dụng, lưu trữ các vector nhúng để phục vụ truy vấn tương đồng ngữ nghĩa trong kiến trúc RAG của chatbot.

4. Cấu trúc Prompt chuẩn hóa được nhóm tác giả xây dựng trong đề tài tuân theo công thức nào?
Nhóm tác giả thiết kế các câu lệnh prompt theo công thức tổng quát: prompt = instruction + output indicator + context + input data. Trong đó, instruction là hướng dẫn cách mô hình trả lời, output indicator quy định định dạng đầu ra, context cung cấp ngữ cảnh nghiệp vụ từ hệ thống, và input data là yêu cầu hoặc câu hỏi cụ thể từ người dùng.

5. Hệ thống khuyến nghị Recombee được cấu hình và sử dụng dữ liệu gì để đề xuất việc làm và ứng viên?
Recombee hoạt động theo mô hình Hybrid (kết hợp Content-based và Collaborative Filtering). Dữ liệu nguồn đưa vào Recombee bao gồm: đối với công việc, hệ thống trích xuất các từ khóa về quyền lợi, yêu cầu, trách nhiệm, địa điểm, kỹ năng và công cụ; đối với ứng viên, hệ thống lấy dữ liệu từ hồ sơ cá nhân gồm kỹ năng, công cụ, địa điểm làm việc, chức danh, học vấn và kinh nghiệm để tính toán độ tương đồng và đưa ra gợi ý phù hợp cho cả hai phía.

Kết luận

Khóa luận tốt nghiệp của sinh viên Phan Thanh Tú và Hoàng Đình Anh Tuấn đã giải quyết thành công bài toán tối ưu hóa giai đoạn đầu của quy trình tuyển dụng thông qua việc xây dựng một nền tảng website hoàn chỉnh. Đề tài thể hiện năng lực kỹ thuật vững vàng khi tích hợp thành công kiến trúc đa dịch vụ gồm ReactJS, NodeJS, MongoDB, Redis cùng các công nghệ AI tiên tiến như RAG, Qdrant, AssemblyAI và Recombee. Mặc dù còn phụ thuộc vào các dịch vụ đám mây thương mại và cần thêm dữ liệu kiểm thử tải thực tế, công trình là một tài liệu học thuật và kỹ thuật có giá trị tham khảo cao cho sinh viên và kỹ sư phát triển phần mềm ứng dụng AI.