CurriFit

Bài toán

Chương trình đào tạo tại các trường đại học thường được xây dựng dựa trên khung chuẩn và kinh nghiệm chuyên môn, trong khi nhu cầu kỹ năng của thị trường lao động thay đổi liên tục. Việc đánh giá mức độ phù hợp giữa curriculum và yêu cầu tuyển dụng vẫn chủ yếu thực hiện thủ công, thiếu một chuẩn chung để so sánh và khó cập nhật theo dữ liệu thị trường. Điều này dẫn đến khoảng cách kỹ năng (skill gap) giữa năng lực sinh viên sau tốt nghiệp và yêu cầu thực tế của doanh nghiệp.

Giải pháp kỹ thuật

CurriFit xây dựng một nền tảng AI đánh giá chương trình đào tạo dựa trên chuẩn kỹ năng ESCO (European Skills, Competences, Qualifications and Occupations).

Thay vì so sánh trực tiếp giữa học phần và tin tuyển dụng, CurriFit chuẩn hóa mọi thực thể về cùng một không gian kỹ năng:

• Curriculum → Skills
• Job Posting Role (Nghề) → Skills
• Occupation (ESCO) → Skills

Dữ liệu tuyển dụng được thu thập tự động từ TopCV, sau đó kết hợp với taxonomy ESCO để chuẩn hóa tên nghề nghiệp và kỹ năng. Các mô hình Large Language Model (LLM) được sử dụng để trích xuất và ánh xạ kỹ năng từ mô tả môn học và tin tuyển dụng sang bộ kỹ năng chuẩn ESCO.

Sau khi chuẩn hóa, mỗi chương trình đào tạo, nghề nghiệp hoặc tin tuyển dụng được biểu diễn dưới dạng vector kỹ năng (sparse skill representation). Việc so sánh không còn dựa trên từ khóa mà dựa trên mức độ bao phủ của tập kỹ năng, giúp:

• Đánh giá mức độ phù hợp của curriculum với từng nghề nghiệp.
• Xác định các kỹ năng còn thiếu (skill gap).
• Đề xuất các kỹ năng hoặc học phần cần bổ sung nhằm cải thiện mức độ đáp ứng nhu cầu thị trường.

Toàn bộ pipeline được triển khai dưới dạng AI Agent kết hợp RAG và Vector Database, cho phép truy vấn, phân tích và sinh báo cáo một cách linh hoạt.

Tính khả thi

• Sử dụng chuẩn ESCO giúp thống nhất cách biểu diễn kỹ năng giữa giáo dục và thị trường lao động.
• Dữ liệu tuyển dụng được cập nhật tự động từ TopCV, phản ánh nhu cầu tuyển dụng thực tế.
• LLM giúp tự động hóa việc trích xuất và chuẩn hóa kỹ năng, giảm đáng kể khối lượng xử lý thủ công.
• Kiến trúc RAG kết hợp Vector Database cho phép mở rộng dữ liệu và cập nhật liên tục mà không cần huấn luyện lại mô hình.
• Hệ thống có thể triển khai cho các trường đại học, tổ chức kiểm định hoặc doanh nghiệp nhằm đánh giá và cải tiến chương trình đào tạo.

Hướng phát triển