Khi AI chỉ giúp sửa câu văn, rủi ro thường thấp. Nhưng khi AI xếp hạng khách hàng tiềm năng, gợi ý tài sản, cảnh báo hồ sơ, hỗ trợ định giá, sàng lọc quỹ đất, ưu tiên bảo trì hay đề xuất quyết định đầu tư, đầu ra có thể làm thay đổi cơ hội, chi phí hoặc quyền lợi của con người. Lúc đó “mô hình cho điểm như vậy” không thể là lời giải thích cuối cùng.
Thiên lệch có thể xuất hiện trước cả khi mô hình chạy: dữ liệu lịch sử lệch, mẫu quan sát không đại diện, tiêu chí thay thế cho thuộc tính nhạy cảm, nhãn do con người gắn thiếu nhất quán, hoặc quy trình chỉ ghi nhận những trường hợp đã được phục vụ. Vì vậy quản trị công bằng phải đi xuyên từ xác định bài toán đến giám sát sau triển khai.
Chuyên đề: AI ứng dụng trong Bất động sản · Bài 46 · Triển khai, an toàn và quản trị AI
Biên soạn: ThS. Nguyễn Mạnh Hùng
GV. Khoa QLĐĐ&BĐS – ĐH Nông Lâm TP.HCM
Email: nguyenmanhhung@hcmuaf.edu.vn
1. Phân biệt sai số, thiên lệch và bất công
| Khái niệm | Ví dụ trong BĐS | Câu hỏi kiểm soát |
|---|---|---|
| Sai số | AI trích sai diện tích 82 m² thành 28 m² | Có thể đối chiếu với trường dữ liệu hoặc tài liệu gốc không? |
| Thiên lệch dữ liệu | Dữ liệu giao dịch tập trung ở khu vực có thanh khoản cao | Mẫu dùng để suy luận có đại diện cho phạm vi quyết định không? |
| Thiên lệch quy trình | Chỉ lead từng được nhân viên gọi mới có nhãn “chuyển đổi” | Những người không được phục vụ có biến mất khỏi dữ liệu huấn luyện không? |
| Bất công trong tác động | Một nhóm khách thường xuyên bị xếp ưu tiên thấp vì biến đại diện | Sự khác biệt có căn cứ nghiệp vụ hợp lý, cần thiết và được kiểm chứng không? |
Một mô hình có độ chính xác trung bình cao vẫn có thể gây tác động không cân xứng cho một nhóm hoặc một khu vực. Ngược lại, không phải mọi khác biệt thống kê đều tự động chứng minh có đối xử bất công. Cần phân tích bối cảnh, dữ liệu, mục tiêu và quy định áp dụng.
2. Thiên lệch đi vào hệ thống từ đâu?
- Định nghĩa bài toán: tối ưu “khả năng chốt nhanh” có thể khác hoàn toàn tối ưu “mức phù hợp với nhu cầu khách”.
- Dữ liệu: thiếu giao dịch, thiếu khu vực, thiếu nhóm tài sản hoặc dữ liệu quá cũ.
- Nhãn: “khách tốt”, “rủi ro”, “chất lượng khu vực” có thể chứa phán đoán chủ quan.
- Biến đại diện: mã bưu chính, loại thiết bị, hành vi trực tuyến hoặc vị trí có thể gián tiếp phản ánh đặc điểm con người.
- Ngưỡng quyết định: cùng một điểm số nhưng cách đặt ngưỡng ưu tiên có thể làm thay đổi mạnh ai được phục vụ trước.
- Vòng phản hồi: nhóm được ưu tiên nhiều hơn tạo thêm dữ liệu thành công, khiến hệ thống càng tin rằng ưu tiên ban đầu là đúng.
Do đó, kiểm thiên lệch sau khi mô hình đã hoàn thành là quá muộn. Phải ghi lại giả định và điểm kiểm soát ngay từ lúc thiết kế use case – trường hợp sử dụng.
3. Bản đồ tác động trước khi chọn thước đo
Không nên bắt đầu bằng câu hỏi “dùng chỉ số fairness nào?”. Hãy bắt đầu bằng bản đồ tác động: quyết định gì, ai nhận đầu ra, ai bị ảnh hưởng, mức độ ảnh hưởng, có quyền khiếu nại hay sửa dữ liệu không, và hậu quả nếu AI sai là gì.
| Use case | AI tác động | Kiểm soát tối thiểu |
|---|---|---|
| Gợi ý BĐS | Tài sản nào khách được nhìn thấy trước | Cho phép chỉnh tiêu chí; tách điểm phù hợp khỏi lợi ích bán hàng; kiểm phạm vi lựa chọn |
| Lead scoring | Ai được nhân viên ưu tiên liên hệ | Không để điểm AI tự động loại khách; rà biến đại diện; so sánh tỷ lệ phục vụ |
| Định giá | Mức giá tham khảo và giải trình | Kiểm dữ liệu so sánh theo khu vực/phân khúc; reviewer nghề nghiệp ký duyệt |
| Sàng lọc pháp lý | Hồ sơ nào bị gắn Red Flag | Evidence Trail; trạng thái NEEDS_REVIEW; không biến nghi ngờ thành kết luận |
| Vận hành tòa nhà | Yêu cầu nào được xử lý trước | Ưu tiên theo mức độ sự cố/SLA đã công bố; có cơ chế khẩn cấp và điều chỉnh thủ công |
4. Kiểm công bằng không được tách khỏi chất lượng dữ liệu
Nếu một nhóm chỉ có vài quan sát, tỷ lệ sai có thể dao động mạnh và dẫn đến kết luận thiếu chắc chắn. Báo cáo cần hiển thị kích thước mẫu, khoảng thời gian, nguồn dữ liệu và tỷ lệ thiếu. Với BĐS, phải đặc biệt chú ý khác biệt địa lý: mô hình tốt ở quận trung tâm không mặc nhiên tốt ở khu vực ngoại thành hoặc phân khúc đất nông nghiệp.
Khi trường dữ liệu quan trọng thiếu, không nên để mô hình suy đoán ngầm. Dùng các trạng thái MISSING, UNCLEAR hoặc NEEDS_REVIEW và chuyển cho người phụ trách.
5. Tách “AI đề xuất” khỏi “quyết định nghề nghiệp”
RICS yêu cầu duy trì phán đoán nghề nghiệp và kiểm soát công việc chuyên môn khi AI có ảnh hưởng trọng yếu. Điều đó có nghĩa người chịu trách nhiệm phải hiểu đầu ra, giới hạn của hệ thống và bằng chứng đủ để quyết định có chấp nhận hay không. Chữ ký của con người không có ý nghĩa nếu reviewer chỉ bấm duyệt máy móc.
- AI nêu đề xuất và mức độ chắc chắn.
- Hệ thống hiển thị dữ liệu nguồn, rule/công cụ đã chạy và ngoại lệ.
- Reviewer có quyền sửa, từ chối hoặc yêu cầu bổ sung dữ liệu.
- Lý do override – bác hoặc sửa đề xuất – được lưu để học từ lỗi hệ thống.
- Quyết định có tác động cao cần thẩm quyền tương xứng, không giao cho agent tự thực hiện.
6. Minh bạch vừa đủ cho đúng đối tượng
Minh bạch không có nghĩa công khai toàn bộ thuật toán. Khách hàng, nhân viên nghiệp vụ, kiểm toán viên và đội kỹ thuật cần các mức thông tin khác nhau. Người bị ảnh hưởng cần biết AI có tham gia đáng kể hay không, dữ liệu nào quyết định kết quả ở mức phù hợp, cách yêu cầu xem lại hoặc sửa dữ liệu. Reviewer cần sâu hơn: phiên bản mô hình, ngưỡng, dữ liệu kiểm thử, lịch sử lỗi và thay đổi.
7. Tình huống: hệ thống xếp hạng lead “hiệu quả” nhưng sai mục tiêu
Một sàn dùng AI xếp hạng lead dựa trên lịch sử giao dịch. Sau ba tháng, nhóm điểm cao có tỷ lệ chốt tốt. Nhìn bề ngoài mô hình thành công. Nhưng audit phát hiện nhân viên chỉ gọi nhóm điểm cao; nhóm điểm thấp gần như không được tiếp cận nên không có cơ hội tạo dữ liệu chuyển đổi. Đây là vòng phản hồi tự củng cố.
Cách sửa không phải chỉ “huấn luyện lại”. Doanh nghiệp cần giữ một mẫu phục vụ không phụ thuộc điểm AI để đo đối chứng, kiểm biến đầu vào, đánh giá tỷ lệ liên hệ và chuyển đổi theo nhóm/phân khúc, đồng thời quy định AI chỉ ưu tiên chứ không tự loại. KPI phải đo cả hiệu quả lẫn mức bao phủ dịch vụ.
8. Bộ kiểm tra trước khi cho AI ảnh hưởng quyết định
- Mục tiêu nghiệp vụ có được viết rõ và không đánh tráo bằng một chỉ số dễ tối ưu?
- Có nhóm tài sản, khu vực hoặc đối tượng nào thiếu dữ liệu?
- Nhãn và tiêu chí có chứa phán đoán lịch sử cần xem lại?
- Đã kiểm biến đại diện và vòng phản hồi chưa?
- Đã đánh giá sai số theo phân khúc thay vì chỉ số trung bình chưa?
- Người dùng có thấy nguồn, giới hạn và đường dẫn yêu cầu xem lại không?
- Ai là người chịu trách nhiệm cuối cùng và khi nào bắt buộc họ duyệt?
- Có log đủ để điều tra một quyết định cụ thể sau nhiều tháng không?
9. Trách nhiệm nghề nghiệp là thiết kế của cả hệ thống
NIST AI RMF tiếp cận rủi ro theo vòng đời; ISO/IEC 42001 đặt AI trong hệ thống quản lý; RICS đưa yêu cầu đó vào bối cảnh nghề khảo sát và BĐS. Điểm chung là trách nhiệm không nằm ở một prompt hay một mô hình. Nó nằm ở chính sách, dữ liệu, thẩm quyền, kiểm thử, hồ sơ bằng chứng, truyền thông và cơ chế cải tiến.
Khi một quyết định BĐS có giá trị lớn hoặc tác động đến quyền lợi con người, câu hỏi đúng không phải “AI có chính xác không?” mà là “hệ thống quyết định này có đủ dữ liệu, đủ kiểm soát, đủ khả năng giải trình và có người chịu trách nhiệm hay chưa?”.
Ghi nhớ trong 30 giây
- Thiên lệch có thể sinh ra từ mục tiêu, dữ liệu, nhãn, biến đại diện, ngưỡng và vòng phản hồi – không chỉ từ mô hình.
- Độ chính xác trung bình cao không chứng minh hệ thống công bằng ở mọi phân khúc.
- AI có thể đề xuất; quyết định nghề nghiệp có tác động cao phải có người đủ thẩm quyền hiểu và duyệt.
- Kiểm công bằng phải gắn với Evidence Trail, quyền xem lại và giám sát sau triển khai.
- Mục tiêu là hệ thống quyết định có thể kiểm chứng và chịu trách nhiệm, không phải một “điểm fairness” đẹp.
Nguồn tham khảo
- RICS – Responsible use of artificial intelligence in surveying practice, 1st edition; có hiệu lực từ 09/03/2026, bao gồm quản trị và rủi ro, phán đoán nghề nghiệp, độ tin cậy đầu ra, truyền thông với khách hàng, mua sắm và thẩm định hệ thống AI.
- NIST – Artificial Intelligence Risk Management Framework (AI RMF) 1.0 và NIST AI 600-1 Generative AI Profile. Tính đến 04/10/2026, NIST cho biết AI RMF 1.0 đang được sửa đổi; khi áp dụng phải kiểm tra phiên bản hiện hành.
- ISO/IEC 42001:2023 – Information technology — Artificial intelligence — Management system; tiêu chuẩn hệ thống quản lý AI đang ở trạng thái Published, hỗ trợ quản trị rủi ro, trách nhiệm, khả năng truy vết và cải tiến liên tục.
- Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15; ban hành 26/06/2025, có hiệu lực từ 01/01/2026.
Bài tiếp theo
Bài 47: Chọn nền tảng và nhà cung cấp AI: dữ liệu, chi phí, tích hợp, SLA, kiểm toán và quyền thoát