AI·20KDemo Day Zine · Vol. 2026

AI·20K Demo Day ZineĐang in số mới...

Đang in số

Cầm cốc cà phê

Đang chạy mực qua máy in — từng lớp màu một, kiên nhẫn nhé!

TalentScreen AI · AI·20K Demo Day Zine

№ 67

TalentScreen AI

TalentScreen AI giúp HR sàng lọc ứng viên bằng cách phân tích JD và CV, đối chiếu từng yêu cầu với bằng chứng cụ thể thay vì chỉ đưa ra một điểm số. Hệ thống hỗ trợ HR nhìn rõ điểm mạnh, khoảng trống và chuẩn bị phỏng vấn, trong khi quyết định cuối cùng vẫn do con người thực hiện.

TALENTSCREEN AI

Mã đề tài: EDU-16
Nhóm thực hiện: Team T010
Sản phẩm: Nền tảng AI hỗ trợ sàng lọc CV và phỏng vấn nhân sự Demo: https://agentrecruiter.id.vn/

1. Bài toán

1.1. Bối cảnh

Trong tuyển dụng nhân sự công nghệ, một vị trí có thể nhận hàng chục hoặc hàng trăm CV. HR phải đọc từng hồ sơ, đối chiếu với Job Description và xác định ứng viên nào phù hợp để chuyển sang vòng phỏng vấn.

Quá trình này tồn tại nhiều vấn đề:

Mất nhiều thời gian khi phải đọc CV thủ công.
HR có thể không hiểu sâu toàn bộ thuật ngữ kỹ thuật.
Tiêu chí đánh giá chưa được chuẩn hóa.
Cùng một CV có thể được những người khác nhau đánh giá khác nhau.
Kết quả thường chỉ có điểm tổng mà không giải thích rõ lý do.
Khó xác định AI dựa vào thông tin nào trong CV.
Mô hình ngôn ngữ có thể suy diễn hoặc tạo ra evidence không tồn tại.
HR và người phỏng vấn phải ghi chép, tổng hợp báo cáo thủ công.
Dữ liệu ứng viên, tài khoản và quyền sử dụng cần được quản lý tập trung.

Nhiều hệ thống CV matching hiện nay dựa trên từ khóa hoặc trả về một similarity score chung. Ví dụ, hệ thống có thể kết luận ứng viên phù hợp 80%, nhưng HR vẫn không biết:

Ứng viên đáp ứng requirement nào?
Requirement nào chỉ đáp ứng một phần?
Requirement nào còn thiếu?
Đoạn nào trong CV chứng minh kết luận đó?
Evidence có thật hay do AI suy diễn?
Điểm số được tính theo nguyên tắc nào?

1.2. Bài toán cốt lõi

TalentScreen AI tập trung giải quyết câu hỏi:

Làm thế nào để đối chiếu từng requirement trong JD với evidence có thật trong CV, tạo ra kết quả ổn định, có thể giải thích và hỗ trợ HR ra quyết định?

Hệ thống không được chỉ tìm từ khóa giống nhau. Ví dụ:

JD: Yêu cầu tối thiểu 3 năm kinh nghiệm Python Backend.

CV: Có 2 năm phát triển Backend bằng Python.

Ứng viên có đúng kỹ năng nhưng chưa đáp ứng số năm. Vì vậy, kết quả phù hợp phải là partial, không phải supported.

Một ví dụ khác:

Phụ lục — Demo & Slides

Video demo

Bản demo trực tiếp

Slide trình bày

JD: Có kinh nghiệm triển khai hệ thống trên production.

CV: Xây dựng một personal project sử dụng Docker.

flowchart TD
    A["HR cung cấp JD và CV"] --> B["Parse, normalize và chunk tài liệu"]
    B --> C["Khóa JD và tạo rubric"]
    C --> D["AI phân tích từng requirement"]
    D --> E["Local Evidence Validator"]
    E --> F["Deterministic Python Scoring"]
    F --> G["HR review kết quả"]
    G --> H["Interview Copilot"]
    H --> I["Speech-to-Text và báo cáo"]

parse_documents
→ analyze_jd
→ analyze_cv
→ match_requirements
→ validate_evidence
→ build_evaluation

Trạng thái	Ý nghĩa
`supported`	Ứng viên đáp ứng đầy đủ requirement và có evidence hợp lệ
`partial`	Ứng viên đáp ứng một phần nhưng còn thiếu điều kiện
`missing`	CV không thể hiện requirement
`insufficient_information`	Chưa đủ dữ liệu để kết luận an toàn

Requirement: Python, FastAPI và tối thiểu 3 năm kinh nghiệm Backend.

CV:
- Có Python.
- Có FastAPI.
- Chỉ xác minh được 2 năm kinh nghiệm.

status = partial

Không có verified evidence → không nhận điểm

Trạng thái	Hệ số điểm
`supported` và có verified evidence	100% requirement weight
`partial` và có verified evidence	50% requirement weight
`missing`	0%
`insufficient_information`	0%
Không có verified evidence	0%

earned_points = requirement_weight × status_factor

Tổng điểm	Kết quả
80–100	`strong_match`
65–79	`good_match`
50–64	`partial_match`
Dưới 50	`weak_match`

CV cho biết ứng viên sử dụng FastAPI nhưng chưa thể hiện kinh nghiệm production.

Câu hỏi đề xuất:
Bạn có thể mô tả một hệ thống FastAPI đã triển khai lên production, quy mô người dùng và vấn đề kỹ thuật khó nhất bạn từng xử lý không?

JSON Schema success = 100%
Fabricated evidence = 0
Status macro-F1 >= 0.80
Supported precision >= 0.90
Mỗi case có score range <= 2 điểm qua 10 lần chạy
Recommendation agreement = 100%
Protected-attribute invariance = 100%

Nhận CV
→ Sàng lọc
→ HR review
→ Phỏng vấn kỹ thuật
→ Báo cáo
→ Con người quyết định

Rủi ro	Phương án
AI bịa evidence	Kiểm chứng evidence bằng code local
Kết quả dao động	Khóa rubric, temperature thấp, structured output và scoring bằng Python
Model bỏ sót kỹ năng	Benchmark, retrieval và cải thiện dataset
Speech-to-Text nhận sai	Cho phép kiểm tra và chỉnh sửa transcript
Prompt injection trong CV	Xem JD/CV là untrusted data và không cho tài liệu thay đổi system instruction
Lộ dữ liệu cá nhân	RBAC, tenant isolation, không log raw CV và chính sách xóa dữ liệu
Rubric thay đổi giữa các ứng viên	Khóa JD và tạo version mới khi cần chỉnh sửa
AI ảnh hưởng quyết định tuyển dụng	Human-in-the-loop và không tự động tuyển/loại
Chi phí API cao	Provider abstraction, caching phù hợp và local model
Model local chậm	Queue xử lý nền, quantization và giới hạn concurrency

TalentScreen-Qwen

HR tải batch CV
→ CV vào hàng đợi
→ Worker xử lý nền
→ Cập nhật trạng thái
→ HR xem kết quả khi hoàn thành

Nhóm	Stage	Vai trò
Kiểm tra mã nguồn	Checkout, Branch validation, Dependency integrity	Đảm bảo đúng commit, đúng nhánh, lock file khớp với `requirements*.txt`
Kiểm thử backend	Lint (ruff), Test (pytest), AI safety/eval tests, AI Deterministic Baseline	Chặn build nếu vi phạm chuẩn code, test thất bại, hoặc kết quả AI benchmark trôi khỏi baseline đã duyệt
Kiểm thử frontend	Frontend npm ci, lint, typecheck, build	Đảm bảo Next.js build sạch trước khi đóng gói image
Build & phát hành	Metadata, Build/scan/push (API, Demo, Web), Digest verify, Update/Validate/Commit GitOps	Đóng gói, quét lỗ hổng, đẩy registry, xác minh digest, cập nhật GitOps

Vault (KV, self-hosted trong cụm)
   → External Secrets Operator (ESO) đọc theo SecretStore "vault-backend"
   → Kubernetes Secret được ESO tạo/đồng bộ tự động (chu kỳ 1h)
   → Mount vào Pod dưới dạng biến môi trường hoặc file (ví dụ credential Firebase)

Nhóm	Metric	Ý nghĩa
HTTP (RED)	`HTTP_REQUESTS_TOTAL`, `HTTP_REQUEST_DURATION_SECONDS`	Tốc độ, độ trễ request theo endpoint
Auth & Database	`AUTH_ATTEMPTS_TOTAL`, `DATABASE_OPERATIONS_TOTAL`, `DATABASE_OPERATION_DURATION_SECONDS`, `DATABASE_ERRORS_TOTAL`, `DATABASE_REACHABLE`	Tình trạng xác thực và tầng dữ liệu
Evaluation	`EVALUATIONS_TOTAL`, `EVALUATION_DURATION_SECONDS`	Số lượt và thời gian chấm điểm CV
LLM	`LLM_REQUESTS_TOTAL`, `LLM_REQUEST_DURATION_SECONDS`, `LLM_ERRORS_TOTAL`, `LLM_INPUT/OUTPUT/TOTAL_TOKENS_TOTAL`, `LLM_CACHED_INPUT_TOKENS_TOTAL`, `LLM_CACHE_MISS_INPUT_TOKENS_TOTAL`, `LLM_ESTIMATED_COST_USD_TOTAL`	Khối lượng, độ trễ, lỗi và token tiêu thụ theo provider/model

flowchart LR
    Dev["Developer\nnhánh hoanganh"] --> GitLab["GitLab\n(self-hosted, origin)"]
    GitLab -->|"webhook"| Jenkins["Jenkins\n(pod trong cụm)"]

    subgraph Pipeline["Jenkins Pipeline"]
        direction LR
        QA["Lint · Pytest\nAI safety/eval\nDeterministic baseline"] --> FE["Frontend\nnpm ci · lint\ntypecheck · build"]
        FE --> Build["Build image\n(kaniko: api/demo/web)"]
        Build --> Scan["Trivy scan\n(Critical chặn tuyệt đối)"]
    end

    Jenkins --> Pipeline
    Scan --> Harbor["Harbor Registry\nsha-<git-sha>"]
    Harbor --> Verify["Digest verify\n(build vs Harbor)"]
    Verify --> GitOpsCommit["Commit values.yaml\n(digest mới) → talentscreen-gitops"]
    GitOpsCommit --> ArgoCD["Argo CD\n(phát hiện diff)"]
    ArgoCD --> PreSync["PreSync Hook\nalembic upgrade head"]
    PreSync --> K8s["Kubernetes\nnamespace talentscreen-dev"]

    Dev -.->|"mirror công khai"| GitHub["GitHub"]

flowchart TB
    Internet(("Internet")) --> Ingress["ingress-nginx\n+ cert-manager (Let's Encrypt)"]

    subgraph AWS["AWS EC2 — Kubespray cluster (containerd, Calico)"]
        subgraph NS_APP["namespace: talentscreen-dev"]
            Web["talentscreen-web\n(Next.js)"]
            Api["talentscreen-api\n(FastAPI)"]
            Demo["talentscreen-demo"]
            Pg[("talentscreen-postgres\nStatefulSet + TLS")]
            Web --> Api
            Api --> Pg
        end

        subgraph NS_PLATFORM["Nền tảng CI/CD & GitOps"]
            Jenkins["Jenkins"]
            Harbor["Harbor Registry"]
            Argo["Argo CD"]
        end

        subgraph NS_SEC["Bảo mật & Secret"]
            Vault["Vault"]
            ESO["External Secrets Operator"]
            Vault --> ESO
            ESO --> NS_APP
        end

        subgraph NS_OBS["Giám sát"]
            Prom["Prometheus"]
            Grafana["Grafana"]
            Loki["Loki + Promtail"]
        end

        Api -.->|"metrics"| Prom
        NS_APP -.->|"logs"| Loki
        Api -->|"proxy nội bộ, không public"| Prom
    end

    Ingress --> Web
    Ingress --> Jenkins
    Ingress --> Harbor
    Ingress --> Argo
    Ingress --> Grafana
    Jenkins --> Harbor
    Harbor --> Argo
    Argo --> NS_APP

Lớp (Layer)	Công nghệ	Vai trò
Hạ tầng	AWS EC2, Kubespray, Kubernetes v1.35.4, containerd, Calico CNI	Cấp phát và vận hành cụm Kubernetes
CI	Jenkins (Kubernetes Pod Template), kaniko, Trivy	Build, kiểm thử, quét lỗ hổng image
Registry	Harbor v2.15.2	Lưu trữ image riêng tư, scan tích hợp
GitOps	Argo CD, Helm	Đồng bộ trạng thái cụm theo Git
Database	PostgreSQL (StatefulSet), Alembic	Lưu trữ dữ liệu, quản lý schema migration
Secret	HashiCorp Vault, External Secrets Operator	Nguồn sự thật duy nhất cho mọi secret runtime
Networking	ingress-nginx, cert-manager (Let's Encrypt)	Định tuyến traffic, TLS tự động
Giám sát hạ tầng	kube-prometheus-stack (Prometheus, Grafana, Alertmanager), Loki + Promtail	Metric và log tập trung
Giám sát ứng dụng	prometheus-client (Python), Recharts	Native LLMOps/System Observability trong Admin Dashboard
Backend	FastAPI, SQLAlchemy (async), asyncpg, LangGraph, Firebase Admin SDK	API, ORM bất đồng bộ, orchestration AI, xác thực
Frontend	Next.js 16, React 19	Giao diện người dùng, BFF proxy tới backend
Xác thực	Firebase Authentication (Google Sign-In + email/password)	Định danh người dùng

Đang in số ★

TalentScreen AI

TALENTSCREEN AI

1. Bài toán

1.1. Bối cảnh

1.2. Bài toán cốt lõi

Phụ lục — Demo & Slides

1.3. Người dùng mục tiêu

HR

Admin

1.4. Phạm vi quyết định của AI

2. Giải pháp kỹ thuật

2.1. Kiến trúc tổng thể

2.2. Tiếp nhận JD và CV

2.3. Khóa JD và chốt rubric

2.4. AI workflow

2.5. Requirement-level assessment

2.6. Evidence validation

2.7. Deterministic scoring

2.8. Interview Copilot

2.9. Speech-to-Text

2.10. Báo cáo sau phỏng vấn

2.11. Quản lý tài khoản và gói sử dụng

2.12. Bảo mật và quyền riêng tư

3. Tính khả thi

3.1. Khả thi về kỹ thuật

3.2. Khả thi về triển khai

Cloud model

Local model

3.3. Khả thi về dữ liệu

3.4. Khả thi về kiểm thử

Correctness benchmark

Stability benchmark

3.5. Khả thi về sản phẩm

3.6. Rủi ro và phương án kiểm soát

4. Hướng phát triển

4.1. Fine-tune mô hình riêng

4.2. Batch CV và xử lý bất đồng bộ

4.3. Tích hợp email và ATS

4.4. Phát triển Interview Copilot

4.5. Nâng cấp Speech-to-Text

4.6. Báo cáo và cộng tác

4.7. Hoàn thiện hệ thống gói sử dụng

4.8. Multi-tenancy và bảo mật doanh nghiệp

4.9. Monitoring AI

5. Giá trị khác biệt

6. DevOps, Triển khai & Platform Engineering

6.1 Mục tiêu DevOps

6.2 Quản lý mã nguồn & Chiến lược nhánh

6.3 CI Pipeline — Jenkins

6.4 Đóng gói ứng dụng (Containerization)

6.5 Harbor Private Registry

6.6 GitOps — Argo CD

6.7 Helm & Triển khai Kubernetes

6.8 Triển khai Database & Alembic Migration

6.9 Quản lý Secret

6.10 Triển khai Firebase Auth & Storage

6.11 Ingress / Domain / TLS

6.12 Observability

6.13 LLMOps Observability

6.14 Bảo mật (Security)

6.15 Độ tin cậy & Xử lý sự cố thực tế (Reliability & Incident Hardening)

6.16 Backup / Rollback / Retention

6.17 Sơ đồ luồng CI/CD

6.18 Sơ đồ kiến trúc triển khai

6.19 Bảng công nghệ sử dụng

6.20 Năng lực kỹ thuật thể hiện qua dự án

6.21 Kết quả đạt được

Phụ lục — Demo & Slides

Đang in số