CV/CVC/CVCC AI Engineer
Mô tả công việc
1. Phân tích bài toán và thiết kế giải pháp GenAI
-
Làm việc với các đơn vị nghiệp vụ để tiếp nhận yêu cầu, đánh giá khả năng ứng dụng GenAI và đề xuất hướng tiếp cận kỹ thuật phù hợp.
-
Phân tích bối cảnh sử dụng, dữ liệu đầu vào/đầu ra và rủi ro để thiết kế kiến trúc GenAI khả thi, an toàn.
-
Lựa chọn mô hình, nền tảng và phương thức triển khai (on-premise, private cloud, hybrid, API service) phù hợp với từng bài toán.
2. Phát triển và triển khai các dịch vụ GenAI
-
Thiết kế và triển khai giải pháp GenAI trên nền tảng mô hình mã nguồn mở hoặc dịch vụ API bên ngoài (ví dụ: OpenAI, Gemini hoặc tương đương), tuân thủ chính sách bảo mật và quản trị rủi ro của Ngân hàng.
-
Đóng gói ứng dụng GenAI thành dịch vụ (API/microservice) để tích hợp với hệ thống nghiệp vụ, cổng nội bộ và nền tảng số.
3. Phát triển giải pháp RAG (Retrieval-Augmented Generation)
-
Thiết kế và triển khai pipeline RAG, bao gồm thu thập, tiền xử lý, indexing và truy xuất tri thức từ dữ liệu nội bộ.
-
Kết hợp LLM với semantic search/vector database nhằm đảm bảo phản hồi đúng ngữ cảnh, bám sát dữ liệu nội bộ và hạn chế hallucination.
-
Phối hợp với Data Governance và BI để đảm bảo dữ liệu sử dụng cho RAG được phân loại, cấp quyền và kiểm soát theo quy định.
4. Phát triển AI Agent và tự động hóa thông minh
-
Thiết kế và triển khai AI Agent/Agentic Workflow thực hiện chuỗi tác vụ từ tiếp nhận yêu cầu, truy xuất, phân tích, phản hồi đến thực hiện hành động.
-
Tích hợp GenAI với các công cụ workflow automation (ví dụ: n8n hoặc nền tảng tương đương) nhằm tự động hóa quy trình nội bộ và hỗ trợ các tác vụ lặp lại.
-
Chuẩn hóa Agent và Workflow để tái sử dụng, mở rộng và triển khai trong toàn Ngân hàng.
5. Giám sát, kiểm soát và cải tiến ứng dụng GenAI
-
Thiết lập monitoring, logging và đánh giá chất lượng ứng dụng GenAI về độ chính xác, mức độ phù hợp ngữ cảnh, hallucination, hiệu năng và độ trễ.
-
Theo dõi chi phí sử dụng mô hình, tài nguyên hệ thống và tối ưu hiệu năng, chi phí vận hành.
-
Cải tiến prompt, pipeline và logic Agent khi dữ liệu hoặc yêu cầu nghiệp vụ thay đổi.
-
Đảm bảo ứng dụng GenAI đáp ứng yêu cầu về bảo mật, phân quyền và kiểm soát dữ liệu đầu vào/đầu ra.
6. Chuẩn hóa kiến trúc và chia sẻ tri thức GenAI
-
Tham gia xây dựng, chuẩn hóa và phát triển kiến trúc GenAI/Agentic AI dùng chung cho Ngân hàng.
-
Tài liệu hóa các giải pháp, pipeline, cấu hình và best practices.
-
Chia sẻ kiến thức, hướng dẫn kỹ thuật và hỗ trợ triển khai, nhân rộng các giải pháp trong toàn Ngân hàng.
Yêu cầu ứng viên
1. Trình độ học vấn
-
Tốt nghiệp Đại học trở lên các chuyên ngành Công nghệ thông tin, Khoa học máy tính, Trí tuệ nhân tạo, Khoa học dữ liệu hoặc các chuyên ngành liên quan.
-
Ưu tiên ứng viên có chứng chỉ quốc tế về GenAI, LLM, AI Engineering, MLOps, NLP hoặc AI Platform trên các nền tảng cloud/hybrid.
2. Kinh nghiệm
-
Tối thiểu 02 năm kinh nghiệm phát triển các giải pháp AI/GenAI đối với CV/CVC; từ 04 năm kinh nghiệm đối với CVCC.
-
Ưu tiên ứng viên có kinh nghiệm triển khai GenAI, RAG, AI Agent trong môi trường doanh nghiệp hoặc ngân hàng.
-
Có kinh nghiệm đưa các giải pháp AI từ giai đoạn POC đến triển khai thực tế.
3. Năng lực chuyên môn và kỹ thuật
-
Thành thạo Python; có kinh nghiệm làm việc với LLM và các framework GenAI.
-
Có khả năng triển khai RAG, prompt engineering và AI Agent orchestration.
-
Có khả năng đóng gói và triển khai dịch vụ GenAI dưới dạng API; có kiến thức về Docker và RESTful API.
-
Có kiến thức về kiến trúc hệ thống, tích hợp hệ thống và bảo mật đối với các ứng dụng AI.
4. Năng lực cá nhân
-
Có tư duy hệ thống, định hướng giải pháp và khả năng hiện thực hóa ý tưởng.
-
Có khả năng giao tiếp, phối hợp hiệu quả với đội ngũ kỹ thuật và các đơn vị nghiệp vụ.
-
Chủ động trong công việc; có khả năng dẫn dắt kỹ thuật ở cấp module/giải pháp, đặc biệt đối với CVCC.
-
Thích nghi tốt với môi trường Agile và công nghệ thay đổi nhanh.
5. Ngoại ngữ
-
Đọc hiểu tốt tài liệu tiếng Anh chuyên ngành AI/GenAI.
-
Có khả năng giao tiếp và trình bày các nội dung kỹ thuật cơ bản bằng tiếng Anh.
IV. Quyền lợi
-
Thu nhập cạnh tranh, tương xứng với năng lực và kinh nghiệm.
-
Cơ hội tham gia xây dựng các ứng dụng GenAI trọng yếu của Ngân hàng, tạo tác động trực tiếp đến hiệu quả kinh doanh và vận hành.
-
Môi trường công nghệ hiện đại, được tiếp cận và triển khai GenAI, RAG, Agentic AI ở quy mô doanh nghiệp.
-
Lộ trình phát triển rõ ràng theo hướng Senior/Lead AI Engineer, GenAI Architect.
-
Được đào tạo, cập nhật công nghệ AI mới và tham gia các chương trình phát triển chuyên môn.
-
Hưởng đầy đủ các chế độ phúc lợi theo quy định của Ngân hàng.
Phân tích kỹ năng cần có
Phân tích kỹ năng cho vị trí AI Engineer tại VietinBank
Vị trí này thuộc phòng Phát triển Trí tuệ nhân tạo, yêu cầu khá cao và toàn diện. Dưới đây là phân tích chi tiết:
1. Hard Skills (Kỹ năng kỹ thuật cốt lõi)
a) Lập trình & Framework GenAI
- Python thành thạo (đây là yêu cầu bắt buộc)
- LangChain, LlamaIndex — orchestration framework cho LLM
- Hugging Face Transformers — làm việc với model mã nguồn mở
- LiteLLM, OpenAI SDK, Google Gemini API — tích hợp API bên ngoài
b) RAG (Retrieval-Augmented Generation)
- Vector database: Pinecone, Weaviate, Qdrant, Milvus, ChromaDB
- Embedding models: OpenAI text-embedding-3, BGE, Vietnamese-specific (ví dụ: VoVanPhuc)
- Document parsing: Unstructured.io, PyMuPDF, Apache Tika
- Chunking strategies: semantic chunking, sliding window, hierarchical chunking
- Re-ranking, hybrid search (BM25 + vector)
c) AI Agent & Workflow Automation
- LangGraph, CrewAI, AutoGen, Semantic Kernel
- Tool-use / Function calling pattern
- N8N, Temporal, Airflow cho workflow orchestration
- Memory management: short-term, long-term, episodic
d) Kỹ năng DevOps & Triển khai
- Docker (yêu cầu trực tiếp), Kubernetes cơ bản
- RESTful API design, microservices architecture
- CI/CD: GitHub Actions, GitLab CI
- Cloud: AWS SageMaker/Bedrock, Azure AI Foundry, GCP Vertex AI
- MLOps: MLflow, Weights & Biases, model versioning
e) Bảo mật & Tuân thủ trong Ngân hàng
- Data classification, PII handling
- Prompt injection prevention
- Output filtering, guardrails (NeMo Guardrails, Guardrails AI)
- RBAC, audit logging
- Hiểu biết về quy định của NHNN về AI/ML trong ngân hàng
2. Soft Skills (Kỹ năng mềm)
| Kỹ năng | Mức độ quan trọng | Lý do |
|---|---|---|
| Tư duy hệ thống | Cao | Thiết kế kiến trúc GenAI phức tạp |
| Giao tiếp đa đối tượng | Cao | Làm việc với cả kỹ thuật và nghiệp vụ (tín dụng, thanh toán, KH...) |
| Khả năng dẫn dắt kỹ thuật | Rất cao (CVCC) | Chuẩn hóa giải pháp toàn ngân hàng |
| Tinh thần chủ động | Cao | GenAI thay đổi nhanh, cần tự học liên tục |
| Khả năng làm việc trong Agile | Trung bình-Cao | Sprint planning, daily standup, retrospective |
3. Chứng chỉ quốc tế gợi ý
Ưu tiên cao:
- AWS Certified Machine Learning — Specialty
- Azure AI Engineer Associate (AI-102)
- Google Professional Machine Learning Engineer
- NVIDIA Deep Learning Institute (DLI) — Generative AI courses
- DeepLearning.AI Specialization (Andrew Ng):
- Generative AI with Large Language Models
- AI Agents in LangGraph
- Building and Evaluating Advanced RAG
Bổ sung giá trị:
- Hugging Face NLP Course (miễn phí)
- MLOps Zoomcamp (DataTalks.Club)
- Các chứng chỉ về Responsible AI / AI Governance
4. Bảng so sánh yêu cầu giữa các cấp bậc
| Yếu tố | CV (Chuyên viên) | CVC (Chuyên viên chính) | CVCC (Chuyên viên cao cấp) |
|---|---|---|---|
| Kinh nghiệm | ≥ 2 năm | ≥ 2 năm (ưu tiên 3-4 năm) | ≥ 4 năm |
| Phạm vi công việc | Module/feature | Giải pháp/module lớn | Kiến trúc tổng thể, dẫn dắt |
| Mức độ độc lập | Có hướng dẫn | Làm việc độc lập | Dẫn dắt kỹ thuật, mentor |
| Dự kiến hỗ trợ | Senior hướng dẫn | Đề xuất, thuyết trình | Định hướng chiến lược AI |
Chuẩn bị phỏng vấn
Hướng dẫn phỏng vấn vị trí AI Engineer - VietinBank
Quy trình tuyển dụng dự kiến (3-5 vòng)
Vòng 1: HR Screening (15-30 phút, có thể qua điện thoại)
- Giới thiệu bản thân, kinh nghiệm tổng quát
- Lý do ứng tuyển VietinBank
- Mức lương kỳ vọng, thời gian có thể đi làm
- Xác nhận các thông tin cơ bản
Vòng 2: Bài test kỹ thuật online (60-90 phút)
- Coding Python (thuật toán, xử lý dữ liệu, OOP)
- Câu hỏi về LLM, prompt engineering
- Bài toán thiết kế RAG pipeline
- Multiple choice về kiến trúc AI
Vòng 3: Phỏng vấn kỹ thuật vòng 1 (60-90 phút)
- Đi sâu vào kinh nghiệm thực tế với GenAI/RAG/Agent
- Live coding hoặc coding trên bảng trắng
- System design: thiết kế chatbot ngân hàng, hệ thống tóm tắt hợp đồng
Vòng 4: Phỏng vấn kỹ thuật vòng 2 / kiến trúc sư (60-90 phút)
- Thiết kế kiến trúc GenAI end-to-end cho ngân hàng
- Trade-off giữa on-premise, private cloud, public API
- Bảo mật, compliance (NHNN, PSD2 tương đương VN)
- Chi phí vận hành
Vòng 5: Phỏng vấn leadership (đặc biệt với CVCC)
- Tầm nhìn chiến lược AI cho ngân hàng
- Khả năng dẫn dắt team, mentor
- Xử lý xung đột kỹ thuật
Câu hỏi kỹ thuật hay gặp
Về LLM & Prompt Engineering:
1. "Hãy giải thích sự khác biệt giữa fine-tuning, RAG và prompt engineering. Khi nào nên dùng cái nào?"
2. "So sánh GPT-4, Claude, Gemini cho use case tóm tắt hợp đồng tín dụng."
3. "Làm thế nào để giảm hallucination trong ứng dụng ngân hàng?"
4. "Viết một prompt để trích xuất thông tin từ báo cáo tài chính với structured output."
Về RAG:
5. "Thiết kế RAG pipeline cho hệ thống FAQ nội bộ của ngân hàng với 500GB tài liệu."
6. "Vector database nào phù hợp cho dữ liệu tiếng Việt? Tại sao?"
7. "Làm sao để xử lý khi câu hỏi nằm ngoài phạm vi tài liệu?"
8. "Chunk size bao nhiêu là hợp lý cho hợp đồng tín dụng?"
Về AI Agent:
9. "Thiết kế AI Agent tự động phân loại email khách hàng và route đến phòng ban phù hợp."
10. "Sự khác biệt giữa ReAct agent và multi-agent system?"
11. "Làm sao để Agent gọi được internal API một cách an toàn?"
Về kiến trúc & bảo mật:
12. "So sánh triển khai LLM on-premise vs gọi API OpenAI cho ngân hàng."
13. "Làm sao đảm bảo dữ liệu khách hàng không bị leak qua LLM?"
14. "Thiết kế guardrail cho chatbot tư vấn tài chính."
Tips chuẩn bị
✅ Nên làm:
- Ôn lại các dự án GenAI đã làm (sẵn sàng demo code)
- Chuẩn bị 2-3 case study cụ thể về RAG/Agent đã triển khai
- Đọc về VietinBank: sản phẩm số (iPay, QR Pay, VietinBank Pay), chiến lược chuyển đổi số
- Thực hành system design bằng bảng trắng (Excalidraw, Miro)
- Chuẩn bị câu hỏi ngược cho interviewer (thể hiện tư duy chiến lược)
❌ Không nên:
- Chỉ lý thuyết, không có kinh nghiệm thực tế → nhà tuyển dụng phát hiện ngay
- Nói quá về khả năng — GenAI ngân hàng yêu cầu tính cẩn trọng cao
- Thiếu hiểu biết về compliance ngân hàng Việt Nam
Dress code
- Vòng technical: Business casual (áo sơ mi, quần tây, không cần vest)
- Vòng leadership/final: Smart business (vest, giày tây) — thể hiện sự chuyên nghiệp với môi trường ngân hàng nhà nước
- Tóc gọn gàng, không phụ kiện quá cầu kỳ
Lộ trình ôn thi
Lộ trình ôn tập 1-2 tuần trước phỏng vấn
Tuần 1: Nền tảng GenAI & LLM
Ngày 1-2: Ôn kiến thức nền
- Đọc lại kiến trúc Transformer (Attention is All You Need)
- Hiểu rõ: tokenization, embedding, context window, temperature, top-p
- Tài liệu: 3Blue1Brown video về LLM, blog Jay Alammar
Ngày 3-4: Prompt Engineering
- Các kỹ thuật: zero-shot, few-shot, chain-of-thought, ReAct
- Structured output với JSON schema, function calling
- Thực hành: Viết prompt trích xuất thông tin từ hợp đồng vay, báo cáo tài chính
- Tài liệu: Anthropic Prompt Engineering Guide, OpenAI Cookbook
Ngày 5-7: LangChain & LlamaIndex
- Hoàn thành quickstart của LangChain
- Build một chatbot đơn giản với memory
- Hiểu: chains, agents, tools, retrievers
- Tài liệu: LangChain docs chính thức, DeepLearning.AI short courses
Tuần 2: RAG, Agent, Production
Ngày 8-10: RAG nâng cao
- Đọc paper: "Retrieval-Augmented Generation for Large Language Models: A Survey"
- Thực hành xây dựng RAG pipeline với:
- Document loader (PDF, Word, HTML)
- Chunking strategies (recursive, semantic)
- Vector DB (Qdrant hoặc Milvus - dễ deploy local)
- Reranking với Cohere hoặc cross-encoder
- Đánh giá: RAGAS framework, LangSmith
Ngày 11-12: AI Agent
- Học LangGraph (orchestration framework)
- Thực hành: Agent có tool để query database nội bộ
- Đọc về AutoGen, CrewAI
Ngày 13-14: Triển khai & Bảo mật
- Docker compose cho LLM service
- REST API với FastAPI
- Logging, monitoring (Langfuse, LangSmith)
- Tìm hiểu quy định về AI trong tài chính của NHNN, Thông tư liên quan
Tài liệu tham khảo cốt lõi
Khóa học (miễn phí/trả phí):
1. Generative AI with Large Language Models — DeepLearning.AI + AWS (miễn phí trên Coursera audit)
2. Building Applications with Vector Databases — DeepLearning.AI
3. AI Agents in LangGraph — DeepLearning.AI (mới nhất)
4. LLM Bootcamp - Full Stack Deep Learning (Spring 2023)
5. Hugging Face NLP Course (miễn phí)
Sách:
- Designing Machine Learning Systems — Chip Huyen (rất phù hợp cho banking AI)
- AI Engineering — Chip Huyen (xuất bản 2024)
- Generative AI with LangChain — Ben Auffarth
Blog/Paper nên đọc:
- Lilian Weng's blog (về agents, RAG)
- LangChain blog
- Anthropic research blog
- Eugene Yan (về evaluation)
Cộng đồng Việt:
- VietAI group trên Facebook
- Vietnam AI Lab
- Zalo group AI/ML Vietnam
- Cộng đồng MLOps Vietnam
Kiến thức ngân hàng cần bổ sung
- Quy trình tín dụng, KYC, AML
- Sản phẩm ngân hàng số của VietinBank (iPay, VietinBank Pay, LiveBank)
- Chiến lược chuyển đổi số của VietinBank giai đoạn 2023-2028
- Quy định NHNN về công nghệ thông tin trong hoạt động ngân hàng
- Thông tư 17/2024/TT-NHNN về an toàn thông tin
Checklist ngày phỏng vấn
- [ ] Demo sản phẩm GenAI đã làm (video ngắn + repo GitHub)
- [ ] Ôn lại 3 dự án chi tiết (vai trò, công nghệ, kết quả)
- [ ] Chuẩn bị sơ đồ kiến trúc 1 hệ thống GenAI ngân hàng
- [ ] Tính sẵn chi phí vận hành ước lượng (token cost, infrastructure)
- [ ] Câu hỏi cho interviewer (5-7 câu)
- [ ] Trang phục chỉnh tề, CV in sẵn 2 bản
Tư vấn nghề nghiệp
Lời khuyên sự nghiệp cho AI Engineer ngân hàng
Lộ trình thăng tiến trong ngân hàng
```
AI Engineer (CV) → Senior AI Engineer (CVC) → Lead AI Engineer (CVCC)
↓ ↓ ↓
[2 năm] [3-5 năm] [5-7 năm]
↓
GenAI Architect / Principal Engineer
↓
[7-10 năm]
↓
Head of AI / Chief AI Officer
↓
[10+ năm, có MBA/strategic mindset]
```
Cross-over paths:
- Sang phòng Data Science / MLOps
- Chuyển sang khối kinh doanh làm Product Owner dòng sản phẩm AI
- Khởi nghiệp fintech sau 5-7 năm tích lũy
- Tư vấn AI cho ngân hàng khác / regulator
Mức lương kỳ vọng theo cấp bậc (ước lượng tham khảo, có thể thay đổi tùy ngân hàng và thời điểm)
| Cấp bậc | Kinh nghiệm | Mức lương Gross/tháng (VND) | Ghi chú |
|---|---|---|---|
| CV (Junior-Mid) | 2 năm | 25 - 40 triệu | Tùy năng lực thực tế |
| CVC (Mid) | 3-5 năm | 40 - 70 triệu | Có thể có LTI/ESOP nếu startup |
| CVCC (Senior) | 5-7 năm | 70 - 110 triệu | Top tier ngân hàng có thể cao hơn |
| Lead/Principal | 7-10 năm | 100 - 180 triệu | Thường kèm thưởng KPI cuối năm |
| Architect/Head | 10+ năm | 150 - 300+ triệu | Có thể thương lượng theo dự án |
> Lưu ý quan trọng: Mức lương có thể thay đổi tùy ngân hàng và thời điểm. Ngân hàng nhà nước (VietinBank, VCB, BIDV...) thường có phần thưởng Tết, lương tháng 13, bảo hiểm VPBank care... Ngân hàng tư nhân (Techcombank, MB, TPBank) có thể cao hơn nhưng áp lực lớn hơn.
Kỹ năng cần phát triển thêm trong 12-24 tháng tới
Cấp CV → CVC:
1. Đào sâu RAG nâng cao: hybrid search, reranking, evaluation
2. Multi-modal (vision, speech) — xu hướng tất yếu
3. MLOps thực chiến: CI/CD cho model, A/B testing
4. Tìm hiểu quy định ngân hàng Việt Nam sâu hơn
Cấp CVC → CVCC:
1. AI Agent orchestration phức tạp (multi-agent systems)
2. Kiến trúc enterprise: event-driven, microservice
3. Cost optimization ở quy mô lớn (token economics)
4. AI Governance & Responsible AI
5. Mentoring và technical leadership
Kỹ năng "phi kỹ thuật" quan trọng:
- Viết tài liệu kỹ thuật rõ ràng (rất có giá trị trong ngân hàng)
- Presales — thuyết trình giải pháp cho ban lãnh đạo
- Hiểu business model ngân hàng để đề xuất use case có ROI rõ ràng
Cơ hội thị trường 2024-2026
Tại sao nên chọn AI Engineer ngân hàng?
- Ngân hàng Việt Nam đang đẩy mạnh chuyển đổi số, ngân sách AI tăng mạnh
- Là một trong những nơi AI có tác động thực tế lớn nhất (risk, fraud, customer service)
- Dữ liệu phong phú, bài toán đa dạng
- Background ngân hàng + AI = rất hiếm và giá trị cao trên thị trường
Cạnh tranh:
- Vị trí này thu hút cả ứng viên từ Big Tech, fintech, và từ nước ngoài về
- Cần có portfolio/demo thực tế để nổi bật
Lời khuyên thực chiến
1. Đừng chỉ học lý thuyết — Hãy build ít nhất 1-2 sản phẩm GenAI hoàn chỉnh để demo
2. Hiểu domain ngân hàng — Một AI Engineer hiểu tín dụng/fraud có giá trị gấp đôi chỉ biết Python
3. Networking — Tham gia cộng đồng AI Việt Nam, gặp gỡ team VietinBank tại các sự kiện
4. Đọc job description kỹ — JD này rất cụ thể, mỗi keyword là gợi ý về câu hỏi phỏng vấn
5. CV nên có metrics — "Xây RAG giảm 60% thời gian tra cứu nội bộ" tốt hơn "Tham gia xây RAG"
Câu hỏi thường gặp
Em là sinh viên năm cuối ngành CNTT, muốn ứng tuyển vị trí này thì cần chuẩn bị gì?
Vị trí yêu cầu tối thiểu 2 năm kinh nghiệm nên với sinh viên mới ra trường sẽ khó cạnh tranh. Lời khuyên của anh/chị: (1) Dành 6 tháng làm 1-2 project GenAI hoàn chỉnh đưa lên GitHub (ví dụ: chatbot tư vấn tài chính cá nhân, hệ thống RAG tóm tắt tài liệu). (2) Học tốt Python, Docker, cơ bản về LLM qua các khóa miễn phí của DeepLearning.AI. (3) Thử ứng tuyển vị trí Fresher/Junior AI Engineer trước, hoặc internship tại các công ty fintech để có 1-2 năm kinh nghiệm rồi ứng tuyển. Đừng vội vào ngân hàng lớn khi chưa sẵn sàng — sẽ khó thuyết phục hội đồng tuyển dụng.
Mức lương kỳ vọng bao nhiêu là hợp lý khi phỏng vấn vị trí CVC?
Mức lương cho AI Engineer CVC (3-5 năm kinh nghiệm) tại ngân hàng lớn Hà Nội thường dao động 40-70 triệu gross/tháng — đây là ước lượng tham khảo, mức lương có thể thay đổi tùy ngân hàng và thời điểm. Nếu bạn có portfolio mạnh (đã làm POC thành production) hoặc chứng chỉ quốc tế, có thể đề xuất 60-80 triệu. Mẹo: khi HR hỏi mức lương, đừng nói con số đầu tiên. Hãy hỏi lại budget range của vị trí trước, sau đó đưa ra khoảng 10-15% cao hơn mức bạn thực sự mong muốn. Nhớ tính cả thưởng Tết, lương tháng 13, bảo hiểm VPBank care, phụ cấp ăn trưa... vào tổng đãi ngộ.
Em đang làm Backend Developer 3 năm (Java/Spring Boot), muốn chuyển sang AI Engineer thì cần học thêm gì?
Tin vui là nền tảng backend của em rất có giá trị! GenAI system thực chất là microservice phức tạp. Lộ trình chuyển đổi 6 tháng: (1) Học Python cơ bản đến nâng cao trong 1 tháng (anh đã biết Java thì rất nhanh). (2) Học LLM foundation + Prompt Engineering qua khóa DeepLearning.AI (2-3 tuần). (3) Làm 2 project RAG end-to-end với LangChain + Qdrant + FastAPI (2 tháng). (4) Học Docker, cơ bản Kubernetes (1 tháng). (5) Tìm hiểu MLOps cơ bản. Kinh nghiệm backend giúp em hiểu về API design, scalability, security — đây là điểm cộng lớn. Em có thể apply vị trí 'AI/ML Engineer' hoặc 'LLM Application Developer' — đừng apply thẳng 'AI Researcher' vì không hợp background.
RAG và AI Agent khác nhau thế nào? Khi nào nên dùng cái nào?
RAG (Retrieval-Augmented Generation) là pattern: truy vấn dữ liệu → đưa vào context LLM → sinh câu trả lời. Phù hợp khi cần trả lời câu hỏi dựa trên tài liệu nội bộ (FAQ, hợp đồng, chính sách). AI Agent là hệ thống có khả năng lập kế hoạch, gọi tool, thực hiện action để hoàn thành mục tiêu. Agent thường dùng RAG như một tool trong tay nó. Ví dụ thực tế: RAG = chatbot hỏi đáp chính sách ngân hàng; AI Agent = hệ thống tự động đọc email KH → phân loại → trích xuất thông tin từ database → gọi API tạo ticket hỗ trợ → phản hồi. Trong JD VietinBank, bạn sẽ làm cả hai: RAG cho tra cứu tri thức, Agent cho tự động hóa quy trình. Hãy chuẩn bị cả hai để gây ấn tượng.
Có cần chứng chỉ quốc tế để được tuyển vào vị trí này không?
JD ghi 'ưu tiên' chứ không phải 'bắt buộc', nên không có chứng chỉ vẫn có thể pass nếu portfolio và kinh nghiệm tốt. Tuy nhiên, chứng chỉ giúp bạn nổi bật với HR sàng lọc hồ sơ nhanh hơn, đặc biệt khi bạn từ ngân hàng khác hoặc startup chuyển sang. Ưu tiên học: (1) AWS Machine Learning Specialty — được VietinBank và hầu hết ngân hàng VN đánh giá cao. (2) DeepLearning.AI specialization về GenAI Agents — kiến thức sát JD nhất. (3) NVIDIA DLI — phù hợp nếu sau này muốn làm on-premise model. Thời gian chuẩn bị: 2-3 tháng cho mỗi chứng chỉ. Nếu không có budget, các khóa miễn phí của Hugging Face, Andrej Karpathy's videos cũng đủ cung cấp kiến thức nền vững.
Anh/chị ơi, so với làm AI ở fintech (MoMo, ZaloPay) thì làm ở ngân hàng có gì khác biệt?
Khác biệt khá lớn, bạn nên cân nhắc: Ở ngân hàng (VietinBank): Dữ liệu lớn hơn, bài toán đa dạng (rủi ro tín dụng, fraud, KYC, chống rửa tiền, tư vấn đầu tư), ổn định cao, đãi ngộ tốt, thương hiệu lớn trong CV. Tuy nhiên quy trình chậm hơn, đôi khi phải làm việc với hệ thống legacy, áp lực tuân thủ cao (NHNN audit), tốc độ thử nghiệm thấp hơn. Ở fintech: Tốc độ nhanh, văn hóa startup, dễ ship sản phẩm, làm việc với tech mới nhưng dữ liệu hẹp hơn (chủ yếu thanh toán), đãi ngộ có thể cao hơn nhưng rủi ro thị trường lớn. Lời khuyên: nếu bạn thích chiều sâu, muốn làm AI có ảnh hưởng thực tế đến kinh tế → ngân hàng. Nếu thích tốc độ, muốn 'move fast' → fintech. Cả hai đều có thể chuyển đổi sau 2-3 năm.
Làm AI Engineer trong ngân hàng có phải lo bị AI thay thế không?
Câu hỏi hay! Thực tế là AI Engineer trong ngân hàng đang ở vị trí dẫn dắt cuộc cách mạng AI chứ không bị thay thế — chính các AI Engineer là người xây hệ thống tự động hóa. Tuy nhiên, vai trò sẽ thay đổi: 2024-2026 là giai đoạn nhu cầu cực cao vì thiếu người có domain knowledge banking + AI. Nhưng 2027+ có thể một số tác vụ cơ bản (viết prompt, build chatbot đơn giản) sẽ được AI hỗ trợ mạnh hơn, người chỉ làm 'AI wrapper' có thể bị ảnh hưởng. Để an toàn, hãy đào sâu vào: AI architecture ở quy mô enterprise, AI governance & compliance, business strategy, leadership. Mục tiêu dài hạn nên là 'AI Architect' hoặc 'AI Strategy Lead' chứ không dừng ở 'AI Engineer thực thi'.
Phỏng vấn vòng kiến trúc GenAI ngân hàng thì cần chuẩn bị những gì?
Vòng này thường có 1-2 Principal/Architect ngồi lại, đánh giá tư duy hệ thống. Hãy chuẩn bị: (1) Vẽ kiến trúc 1 hệ thống GenAI ngân hàng hoàn chỉnh trên giấy — từ frontend (chat widget), API gateway, LLM service, RAG pipeline, vector DB, monitoring layer, đến security layer. (2) Trade-offs: Tại sao chọn on-premise (bảo mật) thay vì OpenAI API? Trade-off giữa latency, cost, security. (3) Security: Prompt injection prevention, PII masking, output filtering, audit logging. (4) Cost calculation: Ước tính chi phí token/1M request, chi phí vector DB storage, GPU cost. (5) Failure modes: LLM down, hallucination, dữ liệu bị leak, latency cao. (6) Banking context: Hiểu rõ KYC, AML, compliance. Phỏng vấn vòng này không cần code, mà là tư duy end-to-end — hãy tập vẽ trên Excalidraw 3-4 lần trước khi đi.