Chuyên gia Kiến trúc dữ liệu (Data & AI Architect) - Hà Nội - TA105

Chào em, vị trí này yêu cầu tối thiểu 7 năm kinh nghiệm trong data management/architecture và 2 năm thiết kế AI/ML/GenAI, nên hiện tại chưa phù hợp với em. Em nên bắt đầu từ các vị trí Junior/Mid Data Engineer hoặc ML Engineer tại VPBank hoặc các công ty công nghệ trước. Sau 4–5 năm tích lũy kinh nghiệm thực tế với data warehouse, ETL pipeline, và các dự án AI, em có thể ứng tuyển lại vị trí này. Trong thời gian chờ đợi, em nên học thêm về cloud (AWS/Azure/GCP), Spark, data modeling, và bắt đầu làm quen với GenAI/LLM thông qua các dự án cá nhân.

Cơ hội vẫn có nhưng sẽ khó hơn. JD yêu cầu 2 năm thiết kế AI/ML/GenAI — nếu anh/chị chưa có, cần bổ sung bằng cách: (1) Học và làm các dự án AI/ML thực tế (có thể tự host hoặc freelance), (2) Tham gia các khóa học DeepLearning.AI, MLOps Specialization trên Coursera, (3) Xây dựng portfolio gồm 2–3 dự án AI/ML hoàn chỉnh (ví dụ: credit scoring, customer churn, fraud detection), (4) Trong CV, nhấn mạnh những phần công việc Data Engineer có yếu tố ML liên quan (feature engineering, model serving, data pipeline cho ML). Nếu anh/chị đã làm feature engineering hoặc data pipeline cho data scientists thì vẫn có thể position là "hands-on với ML pipeline". Tuy nhiên, nên thành thật trong phỏng vấn — VPBank đánh giá cao sự trung thực.

JD rất rõ ràng: cần 2 năm thiết kế AI/ML HOẶC Generative AI — tức là biết ML truyền thống là đủ minimum. Tuy nhiên, JD cũng đề cập nhiều thuật ngữ GenAI cụ thể: vector store, RAG, prompt management, GenAI/LLM services, AI Agent platform. Điều này cho thấy VPBank đang đẩy mạnh GenAI và sẽ ưu tiên ứng viên có kinh nghiệm GenAI. Lời khuyên: anh/chị nên dành 2–4 tuần học GenAI/LLM cơ bản (LangChain, RAG, prompt engineering, vector database), xây dựng 1–2 dự án demo, rồi position bản thân là người có thể "bridge giữa ML truyền thống và GenAI". Đây là profile rất có giá trị vì nhiều người chỉ biết GenAI mà quên ML nền tảng.

JD ghi "Thỏa thuận" nên không công khai. Mức lương ước lượng cho vị trí Architect (7+ năm) tại ngân hàng tư nhân lớn như VPBank thường dao động 70–150 triệu VND gross/tháng tùy năng lực, có thể cao hơn nếu ứng viên có kinh nghiệm GenAI/LLM. Ngoài ra, VPBank có ESOP (Employee Stock Ownership Plan) cho cấp quản lý — đây có thể là phần thu nhập lớn nhất nếu giá cổ phiếu VPB tăng. Phúc lợi khác: thưởng Tết, vay ưu đãi nhân viên, ngày phép. Lưu ý: mức lương có thể thay đổi tùy ngân hàng và thời điểm, đây chỉ là tham khảo.

Một ngày điển hình sẽ có sự kết hợp giữa: (1) Họp & tư vấn (30–40% thời gian): họp với leadership, business team, vendor về chiến lược data/AI; review solution design. (2) Thiết kế kiến trúc (30% thời gian): vẽ diagram, viết ADR (Architecture Decision Records), review design của team. (3) Review & governance (15%): review code, design, MLOps pipeline, đảm bảo compliance. (4) Quản lý team & mentoring (10%): 1-on-1, hiring, performance review. (5) Học & nghiên cứu (5–10%): đọc paper, đánh giá công nghệ mới. So với Data Engineer (80% hands-on), Architect làm ít hands-on hơn nhưng phải có tầm nhìn rộng và kỹ năng giao tiếp tốt.

Anh/chị đã có nền tảng architecture tốt, cần bổ sung: (1) Data modeling: 3NF, Dimensional, Data Vault — khác hoàn toàn so với OOP modeling. (2) Data stack: Hadoop, Spark, Kafka, Airflow, Snowflake/BigQuery/Databricks. (3) Cloud data services: S3, Glue, Redshift, hoặc tương đương Azure/GCP. (4) AI/ML basics: scikit-learn, MLflow, model deployment, MLOps. (5) GenAI/LLM: LangChain, RAG, vector DB, prompt engineering. (6) Domain knowledge: ngân hàng, tài chính, risk, compliance. Lộ trình khả thi: 6–12 tháng học tập trung (kết hợp với dự án cá nhân) + tìm vị trí Data Architect trong công ty hiện tại trước khi ứng tuyển vị trí này. Nên học qua Databricks Academy, AWS Skill Builder, hoặc Coursera.

Theo thông lệ chung của các ngân hàng lớn tại Việt Nam, VPBank thường có: (1) Ngân sách đào tạo cho nhân viên cấp quản lý chuyên môn (có thể chi trả chứng chỉ AWS, Azure, Databricks, Snowflake). (2) Chương trình internal training cho kỹ năng mềm, leadership, compliance. (3) Hội thảo & conference — hỗ trợ tham dự các hội nghị công nghệ trong nước và quốc tế. Tuy nhiên, anh/chị nên hỏi rõ trong phỏng vấn: "Ngân sách đào tạo và chứng chỉ hàng năm cho vị trí này là bao nhiêu?" Đây cũng là câu hỏi tốt để đánh giá cam kết của nhà tuyển dụng với sự phát triển chuyên môn của anh/chị.

AI Agent là hệ thống AI có khả năng tự chủ đưa ra quyết định và thực hiện chuỗi hành động để hoàn thành mục tiêu, thay vì chỉ trả lời câu hỏi như chatbot truyền thống. Ví dụ: AI Agent có thể tự động đọc email khách hàng, tra cứu database, cập nhật CRM, và soạn phản hồi — tất cả trong 1 workflow. JD yêu cầu vì VPBank muốn xây dựng nền tảng AI Agent cho toàn hệ sinh thái (ngân hàng + công ty con): ví dụ Agent cho chăm sóc khách hàng, Agent cho thẩm định tín dụng, Agent cho compliance check. Đây là xu hướng rất hot 2024–2026 và chỉ những ngân hàng tiên phong mới tuyển Architect level cho lĩnh vực này. Nếu anh/chị sớm làm chủ AI Agent, đây sẽ là cơ hội rất lớn để trở thành chuyên gia hàng đầu.

Ngân hàng (VPBank):

• Ưu: ổn định, ESOP, phúc lợi tốt, làm việc với dữ liệu lớn & đa dạng, cơ hội học compliance/risk.
• Nhược: quy trình chậm, legacy system, change resistance, có thể thiếu tính innovation so với fintech.

Fintech (MoMo, ZaloPay, Timo):

• Ưu: tốc độ nhanh, công nghệ mới nhất, văn hóa startup, lương cash cao hơn 20–40%.
• Nhược: áp lực KPI lớn, ít ổn định hơn, không có ESOP, data ít đa dạng hơn.

Lời khuyên: Nếu bạn đang ở giai đoạn 5–8 năm kinh nghiệm và muốn xây dựng nền tảng vững, ngân hàng là lựa chọn tốt. Nếu bạn ưa thích tốc độ và muốn maximize lương cash, fintech phù hợp hơn. Với vị trí Data & AI Architect tại VPBank, bạn sẽ được làm việc ở quy mô enterprise thực sự — đây là kinh nghiệm rất quý để sau này move sang bất kỳ đâu.

Lộ trình 30 ngày gợi ý: Tuần 1: Đọc kỹ JD, nghiên cứu VPBank, review lại kiến thức data architecture, data modeling. Làm 2 bài SQL test khó. Tuần 2: Học sâu về cloud data platform (AWS/Azure/GCP) — chọn 1 platform. Thiết kế 1 case study end-to-end (ví dụ: customer 360 cho ngân hàng). Tuần 3: Học về MLOps, feature store, model registry. Thử design một ML platform cho use case credit scoring. Tuần 4: Học về GenAI/LLM, vector DB, RAG. Prototype 1 AI Agent workflow. Chuẩn bị CV, portfolio, 3 case study với diagram. Luyện tập STAR method. Trong suốt 30 ngày, viết 2–3 bài blog chia sẻ kiến thức trên LinkedIn để tăng visibility. Quan trọng nhất: đừng cố gắng học hết mọi thứ, hãy tập trung vào 5 lĩnh vực cốt lõi trong JD và chứng minh bạn có thể áp dụng vào bài toán ngân hàng.