PHẦN I: BẢN CHẤT CỦA ĐỊNH KIẾN THUẬT TOÁN (ALGORITHMIC BIAS)
Khi các doanh nghiệp áp dụng mô hình Trí tuệ nhân tạo (AI) để tự động lọc hàng nghìn CV tuyển dụng hoặc đánh giá điểm rủi ro tín dụng của vay tiêu dùng, một ảo tưởng phổ biến là: “Máy tính không có cảm xúc nên thuật toán hoàn toàn khách quan”. Tuy nhiên, các nghiên cứu thực nghiệm năm 2026 đã chứng minh điều ngược lại: AI không loại bỏ định kiến, mà nó ‘tăng tốc’ và ‘quy mô hóa’ định kiến của con người ở mức độ khủng khiếp hơn.
Nguyên nhân cốt lõi nằm ở Dữ liệu huấn luyện lịch sử (Historical Training Data). Nếu dữ liệu quá khứ chứa đựng những thiên vị mang tính xã hội (như ưu tiên ứng viên nam giới cho các vị trí kỹ thuật, hoặc đánh giá rủi ro cao hơn cho người dân ở một số vùng địa lý nhất định), mô hình AI sẽ học chính xác những thiên vị này và biến chúng thành các quy luật toán học vĩnh cửu.
PHẦN II: 3 DẠNG BIAS PHỔ BIẾN TRONG TRIỂN KHAI AI TẠI VIỆT NAM
| Loại Định Kiến (Bias Type) | Cơ Chế Hình Thành | Biểu Hiện Trong Thực Tế |
|---|---|---|
| Selection Bias (Thiên vị chọn mẫu) | Dữ liệu huấn luyện không đại diện đủ cho toàn bộ quần thể người dùng. | App chấm điểm tín dụng AI hoạt động rất tốt ở các thành phố lớn nhưng báo lỗi rủi ro sai lệch khi đánh giá nông dân/người dùng khu vực nông thôn. |
| Measurement Bias (Thiên vị đo lường) | Sử dụng chỉ số thay thế (Proxy Variable) không chuẩn xác để đo thuộc tính ẩn. | Dùng địa chỉ sinh sống làm chỉ số proxy cho khả năng trả nợ vay, dẫn đến phân biệt vùng miền vô căn cứ. |
| Historical Bias (Thiên vị lịch sử) | Dữ liệu chính xác về mặt lịch sử nhưng phản ánh sự bất bình đẳng của quá khứ. | Mô hình đánh giá năng lực lãnh đạo ưu tiên ứng viên có bằng cấp từ các trường đại học lâu đời, bỏ qua ứng viên giỏi đến từ hình thức tự học/bootcamp. |
PHẦN III: CÁC TIÊU CHUẨN TOÁN HỌC ĐO LƯỜNG SỰ CÔNG BẰNG (FAIRNESS METRICS)
Để kiểm toán mô hình AI có bị định kiến hay không, các kỹ sư Data Science cần sử dụng các chỉ số toán học chuẩn hóa:
- Demographic Parity (Bình đẳng nhân khẩu học): Tỷ lệ dự đoán tích cực (Positive Rate) phải tương đồng giữa các nhóm đối tượng khác nhau (ví dụ: Tỷ lệ trúng tuyển của ứng viên Nam và Nữ phải xấp xỉ nhau).
- Equalized Odds (Cơ hội bình đẳng): Tỷ lệ Dương tính thật (True Positive Rate) và Âm tính giả (False Positive Rate) phải bằng nhau giữa các nhóm protected attributes.
- Disparate Impact Ratio (Chỉ số tác động sai biệt): Tỷ lệ đỗ của nhóm yếu thế chia cho tỷ lệ đỗ của nhóm ưu thế. Nếu chỉ số này < 0.8 (Quy tắc 80%), thuật toán bị coi là vi phạm công bằng.
PHẦN IV: THỰC HÀNH KIỂM TOÁN BIAS BẰNG FAIRLEARN (PYTHON)
Dưới đây là mã nguồn Python sử dụng thư viện Fairlearn của Microsoft để phát hiện và giảm thiểu định kiến trong mô hình học máy:
from fairlearn.reductions import ExponentiatedGradient, DemographicParity
from sklearn.ensemble import RandomForestClassifier
import pandas as pd
# Giả định X_train, y_train và protected_attribute (Giới tính: 0=Nữ, 1=Nam)
# MetricFrame giúp tính toán sự chênh lệch tỷ lệ được duyệt tín dụng:
metric_frame = MetricFrame(
metrics=selection_rate,
y_true=y_test,
y_pred=y_pred,
sensitive_features=sensitive_features_test
)
print(“Tỷ lệ được duyệt theo nhóm (0=Nữ, 1=Nam):”)
print(metric_frame.by_group)
# Giảm thiểu Bias bằng kỹ thuật Mitigation với DemographicParity constraint:
mitigator = ExponentiatedGradient(
estimator=RandomForestClassifier(),
constraints=DemographicParity()
)
mitigator.fit(X_train, y_train, sensitive_features=sensitive_features_train)
fair_model = mitigator.predictors_[0]
