Trong bất kỳ hệ thống đánh giá, lọc hay ra quyết định nào — từ y học, bảo mật, tài chính đến tuyển dụng — hai khái niệm thiên kiến logic là False Positive (dương tính giả) và False Negative (âm tính giả) đóng vai trò then chốt. Chúng không chỉ là lỗi kỹ thuật mà còn tác động đến chi phí, độ tin cậy, và danh tiếng của tổ chức.

1. Định nghĩa: False Positive (FP) và False Negative (FN) là gì?

• False Positive (FP): Hệ thống đánh giá cho rằng một đối tượng là "tốt" hoặc "đúng", trong khi thực tế không phải vậy. → Ví dụ: Hệ thống lọc hồ sơ cho rằng một ứng viên phù hợp, nhưng thực chất lại không phù hợp.
• False Negative (FN): Hệ thống đánh giá cho rằng một đối tượng là "xấu" hoặc "sai", trong khi thực tế là tốt. → Ví dụ: Một ứng viên thực sự rất phù hợp lại bị loại khỏi vòng hồ sơ.

2. Bảng So Sánh Tổng Quan

3. Case Study Ứng Dụng Trong Tuyển Dụng

Tình huống: Một công ty công nghệ sử dụng hệ thống AI để sàng lọc hồ sơ kỹ sư phần mềm. Dựa vào từ khóa như "Java", "Spring Boot", "Agile", hệ thống chọn ra 50 hồ sơ có vẻ nổi bật.

Hậu quả FP:

• Một số ứng viên “đánh bóng” CV nhưng năng lực yếu.
• Công ty mất thời gian phỏng vấn, đào tạo người không phù hợp.
• Chi phí thay thế cao (turnover cost), ảnh hưởng đến dự án.

👀Góc nhìn FP trong tuyển dụng:

Tình huống: Một ứng viên giỏi về logic nhưng lại không viết CV đúng chuẩn ATS (Applicant Tracking System), dẫn đến bị loại ở vòng sàng lọc ban đầu.

Hậu quả FN:

• Công ty bỏ lỡ ứng viên tiềm năng, người có thể tạo đột phá.
• Đối thủ có thể tuyển dụng ứng viên đó, làm tăng cạnh tranh.

👀Góc nhìn FN trong tuyển dụng:

4. Ứng dụng rộng hơn trong các lĩnh vực khác

5. Chiến lược Giảm Thiểu FP và FN

• Kết hợp con người và máy học: Dùng AI lọc sơ bộ nhưng cần đánh giá thủ công ở giai đoạn quyết định.
• Fine-tuning threshold (ngưỡng phân loại): Tùy theo mục tiêu (an toàn hay cơ hội), có thể điều chỉnh ngưỡng nhạy hoặc chặt.
• Đánh đổi giữa precision và recall:
  • Precision cao → Giảm FP (tuyển chắc ăn).
  • Recall cao → Giảm FN (bao phủ rộng, không bỏ sót).

---

---

---

  Precision (Độ chính xác) và Recall (Độ nhạy) là gì?

Trong Machine Learning, Precision (Độ chính xác) và Recall (Độ nhạy) là hai chỉ số quan trọng dùng để đánh giá hiệu suất của mô hình phân loại. Precision đo lường mức độ chính xác của các dự đoán dương tính, trong khi Recall đo lường khả năng của mô hình trong việc tìm ra tất cả các trường hợp dương tính thực tế.

 

6. Kết luận

Hiểu rõ False Positive (FP) và False Negative (FN) không chỉ giúp xây dựng các mô hình AI chính xác hơn mà còn giúp các nhà quản lý nhân sự, giám đốc kỹ thuật và cả chuyên gia tuyển dụng ra quyết định tốt hơn. Tùy mục tiêu và hoàn cảnh, bạn có thể chấp nhận đánh đổi giữa FP và FN một cách chiến lược.

Nguyễn Thị Kiều
TIGO Solutions