ML có trách nhiệm và dự án portfolio

Model học các khuôn mẫu trong dữ liệu, kể cả những khuôn mẫu bất công. Một model tuyển dụng học từ dữ liệu tuyển dụng cũ có thể học cách ưu tiên những nhóm từng được tuyển. Bỏ cột 'giới tính' là chưa đủ, vì các feature khác như mã bưu chính hay sở thích có thể thay thế cho nó.

Thói quen thực tế: đo hiệu năng riêng cho từng nhóm quan trọng, như nhóm tuổi, vùng miền hay ngôn ngữ. Nếu tỷ lệ lỗi chênh lệch nhiều, hãy tìm hiểu vì sao trước khi triển khai. Ghi rõ model dùng để làm gì và không nên dùng vào việc gì trong một model card (thẻ mô tả model) ngắn.

Chỉ thu thập dữ liệu bạn cần, bỏ tên và mã định danh khi có thể, và kiểm soát ai được xem dữ liệu gốc. Đừng dán dữ liệu khách hàng vào chatbot công cộng. Các quy định như GDPR và Đạo luật AI của Liên minh châu Âu, cùng quy định về bảo vệ dữ liệu cá nhân của Việt Nam, đặt ra nghĩa vụ về cách dùng dữ liệu và cách kiểm tra các hệ thống rủi ro cao.

Bạn không cần là luật sư. Nhưng bạn cần hỏi sớm: dữ liệu này từ đâu ra, người ta có đồng ý cho dùng vào việc này không, và ai có thể bị hại nếu model sai?

Nhà tuyển dụng muốn thấy bằng chứng bạn đưa được một bài toán đi đến cuối. Một dự án hoàn chỉnh hơn mười bài hướng dẫn chép lại. Hãy chọn một câu hỏi thật với dữ liệu công khai, ví dụ từ Kaggle, cổng dữ liệu mở của chính phủ hay kho dataset của Hugging Face.

Thể hiện trọn con đường: câu hỏi rõ ràng, một baseline, đánh giá trung thực với thước đo phù hợp, model chạy sau một API nhỏ hoặc ứng dụng demo (Gradio và Streamlit miễn phí, làm nhanh), và một phần ngắn về giới hạn và rủi ro. Đưa code lên GitHub kèm README mà người lạ đọc vẫn làm theo được.

Mở đầu README bằng ba dòng: bài toán, kết quả, và đường link để dùng thử. Hugging Face Spaces cho đăng demo nhỏ miễn phí. Sau đó viết một bài blog ngắn về những gì đã hỏng và bạn học được gì. Người đánh giá nhớ sự trung thực về thất bại lâu hơn một điểm số cao.