TPBank tuyển dụng Chuyên viên chính/cao cấp Lập trình AI

Thỏa thuận Hạn: 2026-11-30

Phân tích kỹ năng cần có

1. Nhận định tổng quát

Tin tuyển dụng hiện rất sơ lược: không có mô tả công việc, yêu cầu, kinh nghiệm, phúc lợi và chỉ ghi mức lương là thỏa thuận. Vì vậy, nội dung dưới đây là phân tích theo vị trí Chuyên viên chính/cao cấp Lập trình AI - Khối Công nghệ Thông tin, chưa phải yêu cầu chính thức của TPBank.

Các điểm cần lưu ý:

Chức danh cho thấy đây là vị trí cấp cao, ưu tiên khả năng tự thiết kế, triển khai và vận hành hệ thống AI trong môi trường thực tế, không chỉ làm nghiên cứu thuật toán.
Phòng ban được ghi là Các Đơn vị kinh doanh, trong khi tên vị trí thuộc Khối Công nghệ Thông tin. Có thể đây là cơ chế tuyển dụng dùng chung, tuyển dụng cho nhiều đơn vị nghiệp vụ, hoặc dữ liệu phòng ban chưa được cập nhật chính xác. Ứng viên cần xác minh đơn vị trực tiếp, người quản lý và báo cáo công việc.
Mục Kinh nghiệm: N/A nhiều khả năng là thiếu dữ liệu, không đồng nghĩa với yêu cầu không cần kinh nghiệm.
Cấp bậc chính/cao cấp thường hàm ý khoảng 5 năm kinh nghiệm có liên quan hoặc kinh nghiệm tương đương, nhưng đây chỉ là suy luận để chuẩn bị.

2. Bản chất công việc có khả năng được giao

Ứng viên nên sẵn sàng cho các nhóm nhiệm vụ sau:

1. Xây dựng và cải thiện mô hình học máy hoặc mô hình ngôn ngữ cho các bài toán của ngân hàng như phát hiện gian lận, chấm điểm tín dụng, phân loại khách hàng, dự đoán nhu cầu, trợ lý kiểm tra hồ sơ, tìm kiếm tri thức hoặc tự động hóa quy trình.
2. Làm việc với dữ liệu nội bộ: dữ liệu khách hàng, giao dịch, tư vấn, hồ sơ vay, hợp đồng, khiếu nại; xử lý dữ liệu thiếu, trùng lặp, mất cân bằng và thay đổi hành vi khách hàng.
3. Xây dựng quy trình huấn luyện, đánh giá, đăng ký phiên bản, triển khai, theo dõi và triển khai lại mô hình.
4. Cung cấp dịch vụ mô hình qua giao diện lập trình ứng dụng hoặc tích hợp vào hệ thống ngân hàng, kiểm soát độ trễ, tính sẵn sàng và chi phí sử dụng.
5. Phối hợp với chuyên gia nghiệp vụ, bộ phận dữ liệu, an toàn thông tin, kiểm soát rủi ro mô hình và đội triển khai hạ tầng.
6. Đảm bảo có kiểm thử, nhật ký, truy vết, giải thích quyết định, kiểm soát truy cập và tuân thủ quy định về dữ liệu cá nhân.

3. Bản đồ kỹ năng cần có

Mức độ	Nhóm kỹ năng	Nội dung cần đạt	Bằng chứng nên thể hiện
Bắt buộc	Lập trình Python	Cấu trúc dữ liệu, lập trình hướng đối tượng, xử lý lỗi, kiểm thử, đa luồng, tối ưu hiệu năng cơ bản, đóng gói ứng dụng	Mã nguồn sạch, có kiểm thử tự động và tài liệu
Bắt buộc	Dữ liệu và SQL	Pandas, NumPy, SQL, xử lý dữ liệu vòng lặp, trực quan hóa, kiểm tra chất lượng dữ liệu	Bài phân tích dữ liệu có giải thích đặc trưng và phát hiện sai lệch
Bắt buộc	Học máy	Học có giám sát, không giám sát, hồi quy, phân loại, lựa chọn đặc trưng, đánh giá chéo, xử lý mất cân bằng, diễn giải mô hình	So sánh mô hình cơ sở với mô hình nâng cao, nêu rõ lý do lựa chọn
Rất quan trọng	Mô hình ngôn ngữ lớn	Transformer, mã hóa văn bản, ngữ cảnh, sinh văn bản, giới hạn kiến thức, tìm kiếm tăng cường với truy hồi, đánh giá câu trả lời	Một bản trình diễn có kiểm thử chất lượng, an toàn và so sánh phương án
Rất quan trọng	Vận hành học máy	Docker, Kubernetes, quy trình tích hợp và triển khai liên tục, quản lý mô hình, giám sát, phát hiện trôi dạng dữ liệu, triển khai lại	Sơ đồ kiến trúc từ dữ liệu đầu vào đến giám sát vận hành
Rất quan trọc	Kiến trúc hệ thống	Thiết kế dịch vụ, cơ sở dữ liệu vector, bộ nhớ đệm, hàng đợi, giao diện lập trình, xử lý lỗi, độ trễ và thông lượng	Một trường hợp thiết kế được trình bày theo bài toán, ràng buộc và đánh đổi
Rất quan trọc	An toàn và quản trị dữ liệu	Bảo mật dữ liệu, phân quyền, mã hóa, kiểm toán, chống rò rỉ dữ liệu, chống chèn lệnh trong mô hình ngôn ngữ	Quy trình kiểm soát phiên bản và đánh giá rủi ro được mô tả rõ
Có lợi	Kiến thức ngân hàng	Tín dụng, rủi ro, gian lận, phòng chống rửa tiền và tài trợ khủng bố, định danh khách hàng, chăm sóc khách hàng, xử lý khiếu nại	Một bài tình huống ngân hàng kèm ràng buộc giải thích và kiểm soát
Có lợi	Điện toán đám mây	AWS, Google Cloud hoặc Azure; dịch vụ dữ liệu, đào tạo, triển khai và giám sát	Dự án sử dụng đúng nền tảng mà nhà tuyển dụng ưu tiên
Có lợi	Tiếng Anh	Đọc tài liệu kỹ thuật, viết tài liệu thiết kế, họp với chuyên gia nước ngoài	Một bài trình bày ngắn bằng tiếng Anh về kiến trúc đã thực hiện

Kỹ năng mềm cần chứng minh

Tư duy sản phẩm: hiểu vấn đề nghiệp vụ trước khi chọn thuật toán; biết khi nào nên dùng quy tắc, mô hình truyền thống, mô hình ngôn ngữ lớn hoặc hệ thống quy tắc nghiệp vụ.
Tư duy sản phẩm theo vòng đời: không chỉ đưa mô hình lên môi trường thử nghiệm mà còn chịu trách nhiệm giám sát, xử lý sự cố và cập nhật mô hình.
Giao tiếp và trình bày: giải thích kết quả cho người không chuyên môn, chỉ ra giới hạn và rủi ro thay vì chỉ báo điểm chính xác.
Chủ động và sở hữu kết quả: đề xuất phương án, chủ động phối hợp, ghi nhận sai sót và cải thiện quy trình.
Làm việc nhóm và huấn luyện: review mã nguồn, hướng dẫn thành viên mới, chia sẻ tri thức và phản hồi có căn cứ.
Khả năng thích nghi: tin tuyển dụng chưa mô tả rõ nhiệm vụ, nên ứng viên giỏi cần chủ động xác minh mục tiêu, quy trình và tiêu chuẩn đánh giá.

4. Chứng chỉ gợi ý

Không nên sưu tầm chứng chỉ thiếu thực tế. Chỉ nên chọn chứng chỉ phù hợp với nền tảng mà nhà tuyển dụng đang dùng.

Chứng chỉ	Khi nào nên học	Mức độ ưu tiên
AWS Certified Machine Learning - Specialty	Khi vị trí sử dụng AWS hoặc cần chứng minh năng lực học máy trên đám mây	Trung bình
Azure AI Engineer Associate	Khi hệ thống dùng Azure hoặc dịch vụ AI của Azure	Trung bình
Google Cloud Machine Learning Engineer	Khi đội triển khai dùng Google Cloud	Trung bình
Certified Kubernetes Administrator	Khi cần quản trị, triển khai và khắc phục sự cố Kubernetes	Cao nếu vai trò có quản trị hạ tầng
Chứng chỉ TensorFlow Developer	Khi môi trường dùng TensorFlow; PyTorch thường phù hợp hơn với nhiều bài toán mô hình ngôn ngữ	Thấp
FRM hoặc chứng chỉ quản trị rủi ro	Chỉ hữu ích khi ứng tuyển hướng mô hình rủi ro, tín dụng hoặc kiểm soát mô hình	Thấp, không bắt buộc

5. Bộ hồ sơ nên chuẩn bị

Hồ sơ 2 trang, làm nổi bật kinh nghiệm lập trình AI đã đưa vào vận hành, quy mô dữ liệu, độ trễ, tiết kiệm chi phí, độ chính xác và tác động nghiệp vụ.
Một dự án chi tiết có thể trình bày sâu: bối cảnh, kiến trúc, lựa chọn mô hình, phương pháp đánh giá, rủi ro, kết quả và phương án triển khai lại.
Mã nguồn hoặc bản trình diễn phải được che thông tin khách hàng, không chứa dữ liệu thật của ngân hàng.
Sơ đồ kiến trúc một trang, kèm chỉ số giám sát và quy trình xử lý sự cố.
Hai câu chuyện theo mô hình tình huống, hành động, kết quả để trả lời câu hỏi về tình huống khó, ảnh hưởng của mô hình sai và cách phối hợp xử lý sự cố.

6. Những điểm phải xác minh với bộ phận Nhân sự

1. Cấp bậc chính thức là chuyên viên chính, chuyên viên cao cấp hay hai vị trí khác nhau?
2. Đội trực thuộc Khối Công nghệ Thông tin hay các đơn vị kinh doanh? Ai là người phê duyệt và trực tiếp hướng dẫn?
3. Phạm vi nhiệm vụ là nghiên cứu mô hình, xây dựng ứng dụng, dữ liệu, nền tảng hay vận hành mô hình?
4. Có bao nhiêu thành viên trong đội và mô hình phát triển sản phẩm hoạt động theo quy trình nào?
5. Ngôn ngữ lập trình, nền tảng đám mây, cơ sở dữ liệu và hệ thống điều phối đang sử dụng là gì?
6. Có dữ liệu thật được cung cấp trong giai đoạn đào tạo không, hay phải sử dụng dữ liệu tổng hợp?
7. Yêu cầu về bằng cấp, kinh nghiệm, chứng chỉ và phương pháp đánh giá chính xác là gì?
8. Chỉ tiêu hiệu quả công việc của vị trí trong 3 và 6 tháng đầu là gì?
9. Có ca trực sự cố, triển khai ngoài giờ hoặc hỗ trợ khẩn cấp không?
10. Cấu trúc lương cứng, thưởng theo hiệu quả công việc, phụ cấp và các chế độ phúc lợi như thế nào?

Chuẩn bị phỏng vấn

1. Quy trình phỏng vấn dự kiến

Do tin tuyển dụng không nêu quy trình, ứng viên nên chuẩn bị cho các vòng sau:

Vòng	Nội dung có khả năng được hỏi	Cách chuẩn bị
Liên hệ ban đầu	Xác nhận nhu cầu, kinh nghiệm, mức lương mong muốn, thời gian làm việc và địa điểm	Chuẩn bị bản tóm tắt 90 giây và câu hỏi làm rõ mô tả công việc
Phỏng vấn kỹ thuật nền	Python, SQL, cấu trúc dữ liệu, học máy, đánh giá mô hình, mô hình ngôn ngữ lớn	Ôn bài theo phần nguyên tắc, giải thích trực tiếp bằng ví dụ ngân hàng
Bài thực hành hoặc phỏng vấn chuyên sâu	Xử lý dữ liệu, xây dịch vụ mô hình, thiết kế hệ thống, đánh giá giải pháp	Chuẩn bị một bài mã nguồn và một sơ đồ kiến trúc sẵn sàng trình bày
Phỏng vấn nghiệp vụ hoặc quản lý	Hiểu bài toán, khả năng ảnh hưởng, đánh đổi rủi ro, lãnh đạo và phối hợp	Chuẩn bị hai tình huống thật đã xử lý và cách đo lường kết quả
Phỏng vấn cuối	Mức độ phù hợp, điều kiện, thời gian ra vào, thông tin lương	Tổng hợp bằng chứng theo từng yêu cầu và chuẩn bị phương án thương lượng

2. Câu hỏi kỹ thuật thường gặp

Lập trình và thiết kế

Sự khác biệt giữa danh sách, bộ và từ điển trong Python là gì?
Khi nào nên chọn từ điển, khi nào nên dùng tập hợp hoặc danh sách?
Giải thích cách xử lý lỗi, kiểm thử và ghi nhật ký trong một dịch vụ sản xuất.
Viết hàm xử lý dữ liệu đầu vào có thể thiếu trường, trùng lặp và chứa giá trị bất thường.
Xây dựng giao diện lập trình dự đoán rủi ro giao dịch bằng FastAPI hoặc framework tương đương.
Làm thế nào để giảm độ trễ khi gọi mô hình nhiều lần trong một giao dịch?

Học máy

Phân biệt tập huấn luyện, tập kiểm định và tập kiểm tra thử như thế nào?
Vì sao không được chọn đặc trưng sau khi tách tập kiểm tra?
Khi nào nên dùng độ chính xác, độ hồi, độ chính xác theo lớp, điểm F1, đường cong ROC hoặc đường cong độ chính xác và độ hồi?
Xử lý mất cân bằng lớp như thế nào trong bài toán phát hiện gian lận?
Tại sao kiểm định chéo ngẫu nhiên có thể không phù hợp với dữ liệu theo thời gian?
Mô hình bị trôi dạng dữ liệu như thế nào và cần chỉ số nào để phát hiện?
Hiệu chuẩn xác suất khác với độ chính xác phân loại như thế nào?

Mô hình ngôn ngữ lớn và tìm kiếm tăng cường

Vì sao không nên đưa toàn bộ tài liệu vào lời nhắc mô hình?
Cách chia đoạn tài liệu ảnh hưởng đến chất lượng truy hồi ra sao?
Khi nào dùng tìm kiếm theo từ khóa, tìm kiếm ngữ nghĩa, mô hình xếp hạng lại hoặc truy hồi lai?
Đo độ trôi dạng dữ liệu của mô hình ngôn ngữ lớn bằng cách nào?
Làm thế nào giảm câu trả lời bịa đặt trong tình huống không có tài liệu?
Tấn công chèn lệnh trong mô hình ngôn ngữ lớn là gì và cần biện pháp nào?
Khi nào tinh chỉnh mô hình, khi nào dùng lời nhắc, khi nào dùng tìm kiếm tăng cường?

Môi trường vận hành

So sánh triển khai trực tiếp trên máy chủ với triển khai trong Kubernetes.
Làm thế nào để triển khai phiên bản mới mô hình mà không làm gián đoạn dịch vụ?
Quản lý bí mật, khóa mã hóa và quyền truy cập dữ liệu như thế nào?
Nếu độ trễ tăng từ 300 mili giây lên 2 giây, quy trình xử lý sự cố của bạn là gì?

3. Bài thiết kế hệ thống nên luyện

Ứng viên nên chuẩn bị bài hệ thống phát hiện giao dịch gian lận theo thời gian thực và trả lời theo cấu trúc:

1. Mục tiêu nghiệp vụ và dạng tổn thất cần ngăn chặn.
2. Nguồn dữ liệu, tần suất, độ trễ và quy mô lưu lượng.
3. Mô hình cơ sở có thể triển khai nhanh, chẳng hạn quy tắc nghiệp vụ hoặc phân loại truyền thống.
4. Kiến trúc dữ liệu, tính năng, dịch vụ mô hình, lưu trữ và giao diện phê duyệt.
5. Đánh giá mô hình, kiểm soát sai lệch và giới hạn mô hình đen.
6. Giám sát độ trễ, chất lượng, trôi dạng dữ liệu, chi phí và an toàn.
7. Triển khai thử nghiệm, so sánh phiên bản, đưa vào vận hành và khả năng hoàn tác.
8. Quy trình kiểm toán, giải thích quyết định và xử lý khiếu nại.
9. Cách phối hợp giữa ngành nghiệp vụ, dữ liệu, hạ tầng và kiểm soát rủi ro.

Một câu trả lời tốt phải nêu rõ các đánh đổi. Không nên mặc định mô hình lớn luôn tốt hơn mô hình truyền thống.

4. Câu hỏi tình huống và hành vi

Bạn đã phát hiện mô hình hoạt động tốt trên tập kiểm tra nhưng kém trong môi trường thực tế. Bạn sẽ điều tra theo trình tự nào?
Nghiệp vụ muốn ra quyết định trong 100 mili giây nhưng dữ liệu chưa sẵn sàng. Bạn đề xuất giải pháp tạm thời và giải pháp dài hạn ra sao?
Hai bộ phận yêu cầu hai tiêu chuẩn đánh giá mô hình khác nhau. Bạn xử lý xung đột thế nào?
Bạn đã phản đối một quyết định kỹ thuật của quản lý như thế nào?
Kể một ví dụ bạn tự phát hiện lỗi trong dữ liệu hoặc mã nguồn của người khác.
Bạn đã dẫn dắt, huấn luyện hoặc cải thiện tiêu chuẩn kỹ thuật của đội như thế nào?

Nên trả lời theo cấu trúc tình huống - hành động - kết quả - bài học, có số liệu và bằng chứng cụ thể.

5. Bài thực hành nên chuẩn bị

Hãy chuẩn bị sẵn một bài cá nhân hóa với dữ liệu tổng hợp, chẳng hạn phân loại giao dịch có rủi ro cao. Bài nên có:

Quy trình làm sạch và tạo đặc trưng.
Mô hình cơ sở và mô hình cải thiện.
Đánh giá bằng tách theo thời gian, kiểm tra rò rỉ dữ liệu và phân tích sai lệch.
Dịch vụ dự đoán bằng giao diện lập trình.
Kiểm thử đơn vị và kiểm thử tích hợp.
Container hóa ứng dụng.
Tài liệu thiết kế, hướng dẫn chạy và giải thích các đánh đổi.
Bảng chỉ số về độ chính xác, độ trễ, chi phí và rủi ro.

6. Câu hỏi nên đặt cho nhà tuyển dụng

Vị trí này giải quyết bài toán nghiệp vụ cụ thể nào trong sáu tháng đầu?
Tỷ lệ thời gian dành cho nghiên cứu, phát triển, triển khai và xử lý sự cố như thế nào?
Đội đang dùng PyTorch hay TensorFlow, nền tảng đám mây nào, cơ sở dữ liệu vector nào?
Ai chịu trách nhiệm dữ liệu, nền tảng triển khai và kiểm soát rủi ro mô hình?
Quy trình phê duyệt một mô hình đưa vào sản xuất mất bao lâu?
Thước đo thành công của người mới trong 90 ngày đầu là gì?
Vị trí có thể làm việc từ xa một phần, có chính sách làm việc linh hoạt như thế nào?
Cấu trúc tổng thu nhập và mức ngân sách thưởng được xác định ra sao?

7. Hình thức và cách ứng xử

Trang phục an toàn là lịch sự, giản dị theo hướng công sở: áo sơ mi hoặc áo blouse, quần tây, giày kín đáo; màu trung tính, không quá phô khoe.
Mang sẵn bản in hồ sơ, mã nguồn hoặc sơ đồ kiến trúc nếu được yêu cầu, cùng thiết bị sạc đầy đủ và kết nối ổn định.
Trả lời theo cấu trúc kết luận trước - lý do - bằng chứng - giới hạn - cách cải thiện.
Nếu không biết một chi tiết kỹ thuật, nên thừa nhận, trình bày cách tìm hiểu và đưa ra phương án kiểm chứng; không bịa đặt trải nghiệm.
Sau phỏng vấn, gửi lời cảm ơn ngắn gọn, tóm tắt một điểm thể hiện giá trị của bạn và xác nhận bước tiếp theo.

Lộ trình ôn thi

1. Mục tiêu ôn tập

Sau lộ trình 10 đến 14 ngày, ứng viên cần đạt tối thiểu những kết quả sau:

Giải thích được toàn bộ quy trình từ dữ liệu đến mô hình được triển khai và giám sát.
Viết Python và SQL ở mức phỏng vấn chuyên viên chính/cao cấp.
Đánh giá mô hình đúng, nhận diện rò rỉ dữ liệu và mất cân bằng.
Trình bày bài toán tìm kiếm tăng cường với mô hình ngôn ngữ lớn, gồm đánh giá và bảo mật.
Thiết kế một dịch vụ AI trong kiến trúc ngân hàng thực tế.
Có một dự án mẫu sạch, có kiểm thử, tài liệu và sơ đồ kiến trúc.

2. Lộ trình 14 ngày

Ngày	Nội dung	Đầu ra cần đạt
Ngày 1	Làm rõ mô tả công việc, xác định cấp bậc và tự chấm điểm năng lực	Danh sách 10 kỹ năng cần cải thiện, mục tiêu điểm phỏng vấn
Ngày 2	Python: kiểu dữ liệu, hàm, lập trình hướng đối tượng, xử lý lỗi, kiểm thử	Viết lại 3 bài tập xử lý dữ liệu có kiểm thử
Ngày 3	SQL: truy vấn, nhóm, cửa sổ, chỉ mục, tối ưu cơ bản	Hoàn thành 10 câu truy vấn trên dữ liệu giao dịch tổng hợp
Ngày 4	Học máy: hồi quy, phân loại, đặc trưng, mất cân bằng	Xây một mô hình cơ sở với lý do lựa chọn
Ngày 5	Đánh giá mô hình: tách dữ liệu, kiểm định chéo, sai lệch, hiệu chuẩn	Bảng so sánh nhiều mô hình và chọn phương án theo mục tiêu nghiệp vụ
Ngày 6	PyTorch hoặc TensorFlow, mạng nơ-ron, huấn luyện, điều chỉnh siêu tham số	Hiểu được một vòng huấn luyện và giải thích overfitting
Ngày 7	Transformer, mã hóa văn bản, ngữ cảnh, sinh văn bản	Giải thích cơ chế chú ý và giới hạn của mô hình ngôn ngữ lớn
Ngày 8	Tìm kiếm tăng cường: chia đoạn, mã hóa, cơ sở dữ liệu vector, xếp hạng lại	Sơ đồ một hệ thống trả lời từ tài liệu nội bộ tổng hợp
Ngày 9	Đánh giá mô hình ngôn ngữ lớn, chống bịa đặt, chèn lệnh, kiểm soát truy cập	Bộ tiêu chí đánh giá gồm đúng đắn, trung thành, an toàn, độ trễ và chi phí
Ngày 10	Docker, Kubernetes, đường ống triển khai, giám sát và quản lý phiên bản	Container hóa dịch vụ và sơ đồ vận hành
Ngày 11	Bài toán ngân hàng: tín dụng, gian lận, rủi ro, định danh khách hàng	Phân tích một bài toán theo giá trị kinh doanh và rủi ro
Ngày 12	Thiết kế hệ thống phát hiện gian lận theo thời gian thực	Trình bày 15 phút về kiến trúc và các đánh đổi
Ngày 13	Luyện câu hỏi kỹ thuật và tình huống quản lý	Hoàn thành hai phiên luyện có ghi âm và nhận phản hồi
Ngày 14	Rà soát hồ sơ, dự án, thông điệp xin việc và chuẩn bị câu hỏi	Bộ hồ sơ hoàn chỉnh, sẵn sàng trình bày trong 10 phút

Nếu chỉ có 10 ngày, nên gộp ngày 2 và 3, ngày 6 và 7, đồng thời dành ít nhất hai ngày cho dự án và luyện tập trả lời.

3. Kiến thức nền cần ôn

Toán và thống kê

Xác suất cơ bản, phân phối, kỳ vọng, phương sai, tương quan.
Đại số tuyến tính: vectơ, ma trận, tích vô hướng, giá trị riêng.
Tối ưu hóa: hàm mất mát, gradient, chuẩn hóa, điều chỉnh siêu tham số.
Thống kê suy luận: khoảng tin độ tin cậy, kiểm định giả thuyết, sai lệch và phương sai.

Ứng viên không cần đi sâu như nhà nghiên cứu nếu vị trí tập trung vào ứng dụng và kỹ thuật, nhưng vẫn phải giải thích được ý nghĩa thực tế của các khái niệm này.

Kỹ thuật phần mềm

Thiết kế cấu trúc dữ liệu và thuật toán cơ bản.
Quản lý phiên bản mã nguồn với Git.
Kiểm thử đơn vị, kiểm thử tích hợp và kiểm thử tự động.
Thiết kế giao diện lập trình, xác thực, ghi nhật ký và quản lý lỗi.
Nguyên tắc viết mã sạch, review mã nguồn và quản lý nợ kỹ thuật.

Dữ liệu và học máy

Pandas, NumPy, scikit-learn.
Làm sạch, tổng hợp, chia đoạn thời gian và xử lý rò rỉ dữ liệu.
Chọn mô hình theo hàm mất mát và chi phí sai lệch, không chỉ theo điểm tổng hợp.
Phân tích lỗi theo nhóm khách hàng, sản phẩm, kênh và thời gian.
Giám sát trôi dạng dữ liệu, trôi dạng khái niệm và suy giảm hiệu năng.

Mô hình ngôn ngữ lớn

Giới hạn kiến thức, cửa sổ ngữ cảnh, lời nhắc, chuỗi giải mã và xác suất sinh.
Tìm kiếm tăng cường với truy hồi, mã hóa văn bản và cơ sở dữ liệu vector.
Tinh chỉnh có tham số hiệu quả như LoRA.
Đánh giá tự động kết hợp đánh giá của chuyên gia.
Rủi ro bịa đặt, chèn lệnh, rò rỉ dữ liệu và tấn công chuỗi cung ứng.

4. Tài liệu tham khảo

Tài liệu chính thức Python, Pandas, NumPy, scikit-learn, PyTorch và FastAPI.
Introduction to Statistical Learning để củng cố nền tảng học máy.
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow để thực hành.
Designing Machine Learning Systems để nắm thiết kế hệ thống và vận hành.
AI Engineering để hiểu cách xây dựng ứng dụng AI có chất lượng.
Tài liệu Hugging Face về mô hình ngôn ngữ, đánh giá và tinh chỉnh.
Bài báo gốc về Transformer và tìm kiếm tăng cường với truy hồi; đọc phần phương pháp và giới hạn, không cần học thuộc toàn bộ.
Tài liệu Docker, Kubernetes và các nguyên tắc triển khai liên tục.
Danh sách rủi ro ứng dụng mô hình ngôn ngữ lớn của OWASP để kiểm tra bảo mật.

5. Dự án ôn tập đề xuất

Xây một trợ lý phân loại ý định và mức độ rủi ro của yêu cầu giao dịch bằng dữ liệu tổng hợp. Dự án cần có:

1. Quy trình tiền xử lý và kiểm tra chất lượng dữ liệu.
2. Mô hình phân loại truyền thống làm mốc so sánh.
3. Một phương án dựa trên văn bản đã mã hóa, nhưng chỉ dùng khi phù hợp.
4. Đánh giá theo thời gian và theo nhóm khách hàng.
5. Dịch vụ dự đoán, kiểm thử và đóng gói bằng Docker.
6. Chỉ số giám sát, kiểm soát truy cập và quy trình triển khai lại.
7. Tài liệu nói rõ điểm mạnh, điểm yếu và các rủi ro.

Không sử dụng dữ liệu khách hàng thật. Nếu chưa có đề tài ngân hàng, có thể dùng dữ liệu tín dụng công khai, nhưng phải kiểm tra giấy phép và chất lượng trước khi trình bày.

6. Bộ câu hỏi tự kiểm tra

Tôi có thể giải thích cách chọn chỉ số đánh giá theo hậu quả kinh doanh không?
Tôi có thể chứng minh mô hình không rò rỉ thông tin từ tập kiểm tra không?
Tôi có thể thiết kế đường ống giám sát sau khi mô hình lên sản xuất không?
Tôi có thể trả lời câu hỏi về thời gian dự kiến, chi phí và rủi ro của một thiết kế không?
Tôi có thể trình bày một quyết định khó và đo lường kết quả không?
Tôi có thể bảo vệ một lựa chọn kỹ thuật bằng dữ liệu và lý do kinh doanh không?
Tôi có thể xác định rõ phần nào của hệ thống cần giải thích và phần nào có thể dùng mô hình đen không?

Tư vấn nghề nghiệp

1. Định vị chiến lược

Đây là cơ hội để phát triển theo hai hướng:

Chuyên gia kỹ thuật: Chuyên viên chính/cao cấp về AI, sau đó là kỹ sư cấp cao, chuyên gia kiến trúc AI, chuyên gia nền tảng mô hình hoặc chuyên gia vận hành học máy.
Quản lý và sản phẩm: Chuyên viên chính/cao cấp, trưởng nhóm AI, trưởng bộ phận kỹ thuật hoặc quản lý sản phẩm AI.

Với cấp bậc hiện tại, lợi thế lớn nhất là kết hợp ba năng lực: kỹ thuật AI, kỹ thuật phần mềm và hiểu biết nghiệp vụ ngân hàng. Chỉ biết dùng thư viện mô hình ngôn ngữ lớn thường chưa đủ để cạnh tranh ở cấp cao; cần chứng minh khả năng đưa hệ thống vào vận hành và tạo giá trị.

2. Lộ trình 12 tháng

Trong 30 ngày

Làm rõ cấu bậc, nhiệm vụ, báo cáo công việc và ngân sách thưởng.
Chuẩn bị hồ sơ và một dự án minh họa năng lực lập trình AI.
Xây bảng năng lực và kế hoạch học theo các khoảng trống thực tế.

Trong 90 ngày

Làm chủ một luồng dữ liệu, một mô hình và một dịch vụ được triển khai thử nghiệm.
Học cách truy vết phiên bản dữ liệu, mô hình và mã nguồn.
Tham gia review thiết kế, kiểm thử và ứng cứu sự cố.
Xây quan hệ với nghiệp vụ tín dụng, gian lận, chăm sóc khách hàng và dữ liệu.

Trong 6 tháng

Sở hữu một sản phẩm hoặc năng lực kỹ thuật rõ ràng như phát hiện gian lận, đánh giá tín dụng, tìm kiếm tri thức hoặc nền tảng triển khai.
Có số liệu chứng minh tác động: giảm thời gian xử lý, giảm tỷ lệ bỏ sót, giảm chi phí, tăng tốc độ ra quyết định hoặc cải thiện trải nghiệm.
Dẫn dắt thiết kế, review mã nguồn và hướng dẫn ít nhất một thành viên.

Trong 12 tháng

Xây dựng hồ sơ năng lực ở cấp chuyên gia hoặc trưởng nhóm.
Chọn rõ mục tiêu: đi sâu về mô hình, nền tảng, vận hành hay quản lý sản phẩm.
Chuẩn bị một đóng góp kỹ thuật đáng chú ý như bài báo nội bộ, công cụ mã nguồn mở hoặc sáng kiến giảm chi phí và độ trễ.

3. Kỹ năng nên phát triển thêm

Thiết kế hệ thống phân tán và giao tiến giữa dịch vụ.
Kiểm soát chi phí hạ tầng và tối ưu độ trễ của mô hình ngôn ngữ lớn.
Quản trị mô hình, kiểm toán và giải thích quyết định trong bối cảnh ngân hàng.
Tiếng Anh chuyên ngành và viết tài liệu thiết kế.
Kỹ năng định hướng kinh doanh, xác định giá trị và quản lý đối tác.
Lãnh đạo không chính thức, phản hồi hiệu quả và huấn luyện thành viên mới.

4. Tham vọng mức lương

Tin tuyển dụng chỉ ghi thỏa thuận, không công bố con số. Dưới đây là khoảng tham khảo tại thị trường Hà Nội, không phải mức lương chính thức:

Cấp bậc định hướng	Kinh nghiệm tham khảo	Tổng thu nhập trước thuế hằng tháng
Chuyên viên có kinh nghiệm tốt	Khoảng 3 đến 5 năm	Khoảng 35 đến 55 triệu đồng
Chuyên viên chính hoặc cao cấp	Khoảng 5 đến 8 năm	Khoảng 50 đến 80 triệu đồng
Chuyên gia nền tảng, kiến trúc hoặc kỹ thuật dẫn dắt	Khoảng 8 năm trở lên và có phạm vi sở hữu rõ ràng	Khoảng 65 đến 100 triệu đồng hoặc cao hơn

Khoảng trên có thể thay đổi đáng kể theo kinh nghiệm mô hình ngôn ngữ lớn, nền tảng dữ liệu, quy mô trách nhiệm, địa điểm, chính sách lương và khả năng tuyển dụng hiếm. Mức lương có thể thay đổi tùy ngân hàng và thời điểm.

Trước khi thương lượng, cần hỏi rõ:

Lương cứng theo tháng và mức đóng bảo hiểm.
Thưởng theo hiệu quả công việc, thưởng dự án và thưởng cuối năm.
Phụ cấp ăn trưa, đi lại, điện thoại, công tác và đào tạo.
Chính sách làm việc linh hoạt, làm thêm và ca trực.
Thưởng cổ phiếu hoặc quyền lợi dài hạn nếu có, cùng điều kiện thực nhận.

Có thể nói: “Dựa trên phạm vi cấp bậc và trách nhiệm tôi đã đảm nhận, tôi mong xét mức tổng thu nhập cố định trong khoảng X đến Y triệu đồng mỗi tháng, cộng với thưởng theo hiệu quả công việc. Tôi cũng muốn hiểu rõ cấu trúc thưởng và ngân sách tăng cấp để đặt mục tiêu phù hợp.”

5. Lời khuyên khi ra quyết định

Không chỉ nhìn lương; cần đánh giá quyền tiếp cận dữ liệu, chất lượng đội, văn hóa review, mức độ tự chủ kỹ thuật và khả năng tiếp cận bài toán thực tế.
Một tin tuyển dụng thiếu mô tả là dấu hiệu cần làm rõ, không phải dấu hiệu chắc chắn về chất lượng công việc. Hãy yêu cầu bản mô tả đầy đủ trước khi nộp hồ sơ.
Nếu phạm vi thực tế chỉ là bảo trì mã hãy ra nhãn trong khi vai trò được đặt tên cao cấp, ứng viên nên hỏi rõ về quyền quyết định kiến trúc, quy mô dữ liệu, tiêu chuẩn chất lượng và đóng góp của người phụ trách.
Ưu tiên nơi có cơ chế review kỹ thuật tốt, dữ liệu có chất lượng và vấn đề thực sự thuộc về khách hàng, thay vì chỉ chú trọng danh tiếng công ty.
Trong ba tháng đầu, hãy tạo danh sách bài toán mở, tài liệu quyết định và chỉ số hiệu quả công việc. Điều này vừa giúp tạo giá trị, vừa tạo tài liệu cho đánh giá tăng lương hoặc thăng chức.

Câu hỏi thường gặp

Tôi là sinh viên năm cuối ngành công nghệ thông tin, chưa có kinh nghiệm làm AI thật. Tôi có nên ứng tuyển vị trí chuyên viên chính/cao cấp không?

Bạn vẫn nên ứng tuyển nếu bảng điểm vượt qua phần lớn vị trí, nhưng cần thể hiện sẵn sàng bắt đầu ở cấp phù hợp. Hãy đưa vào hồ sơ các dự án cá nhân, kỹ năng Python, SQL, học máy và triển khai ứng dụng. Trong lời nhắn ứng tuyển, nói rõ bạn đáp ứng tốt yêu cầu kỹ thuật nhưng còn thiếu kinh nghiệm vận hành hệ thống trong ngân hàng. Cơ hội này vẫn đáng thử nếu mức cấp bậc không bị ghi quá cứng trong hồ sơ. Tuy nhiên, hãy chuẩn bị phương án ứng tuyển các vị trí kỹ sư AI hoặc lập trình viên cấp thấp hơn nếu cần.

Tôi đang làm lập trình viên và muốn chuyển sang mảng AI trong ngân hàng. Tôi nên học theo thứ tự nào?

Bạn đã có lợi thế về kỹ thuật phần mềm. Hãy học theo trục dữ liệu và vận hành trước: Python, SQL, Pandas, scikit-learn, Docker và kiểm thử; sau đó đến PyTorch, Transformer, tìm kiếm tăng cường với truy hồi, đánh giá và triển khai mô hình. Đồng thời học một bài toán ngân hàng như phát hiện gian lận hoặc phân loại rủi ro. Điểm khác biệt của bạn so với ứng viên chỉ biết mô hình là khả năng đưa hệ thống vào vận hành, vì vậy hãy làm một dự án có kiểm thử, giám sát và tài liệu thiết kế.

Chuyên viên chính và chuyên viên cao cấp khác nhau như thế nào? Tôi nên tự xếp cấp bậc thế nào trong hồ sơ?

Thông thường, chuyên viên chính thể hiện khả năng tự chủ trong một phạm vi công việc rõ ràng, còn chuyên viên cao cấp thường có phạm vi rộng hơn, ảnh hưởng đến kiến trúc và người khác. Tuy nhiên, từng ngân hàng có định nghĩa khác nhau và tin này chưa công bố tiêu chuẩn. Hãy tránh tự ghi cấp bậc quá cao. Dựa trên kinh nghiệm thực tế, hãy đề xuất cấp bập phù hợp nhất và giải thích rõ phạm vi trách nhiệm. Trước phỏng vấn, hãy hỏi bộ phận Nhân sự về tiêu chuẩn chính thức của từng cấp.

Mức lương hợp lý cho vị trí này ở Hà Nội là bao nhiêu?

Vì tin tuyển dụng ghi “thỏa thuận”, chưa có mức chính thức. Tham khảo tại Hà Nội, chuyên viên có kinh nghiệm tốt thường khoảng 35 đến 55 triệu đồng tổng thu nhập trước thuất mỗi tháng; chuyên viên chính hoặc cao cấp khoảng 50 đến 80 triệu đồng; chuyên gia dẫn dắt có thể cao hơn. Mức lương có thể thay đổi tùy ngân hàng và thời điểm. Hãy đề xuất khoảng mong muốn dựa trên giá trị công việc và tổng thu nhập, đồng thời hỏi rõ lương cứng, thưởng hiệu quả công việc và phúc lợi trước khi chốt.

Công việc này có yêu cầu làm thêm hoặc trực sự cố không?

Không có thông tin chính thức trong tin tuyển dụng. Với hệ thống AI trong ngân hàng, yêu cầu triển khai ngoài giờ hoặc trực sự cố là có khả năng, nhưng mức độ phụ thuộc vào hạ tầng và cam kết dịch vụ. Hãy hỏi cụ thể về lịch trực, thời gian phản hồi sự cố, chính sách làm thêm và cách phân bổ ngoài giờ. Nếu đây là yếu tố quyết định, cần đưa vào thỏa thuận tuyển dụng thay vì chỉ nhận miệng.

Chỉ tiêu hiệu quả công việc của một chuyên viên AI cấp cao trong ngân hàng thường là gì?

Tin tuyển dụng chưa công bố chỉ tiêu chính thức. Ở cấp cao, đánh giá thường không chỉ dựa vào số mô hình hoàn thành mà còn vào giá trị nghiệp vụ, chất lượng kỹ thuật, độ ổn định, tuân thủ, tốc độ triển khai, khả năng hướng dẫn và mức độ phối hợp. Các chỉ số có thể gồm giảm tỷ lệ gian lận bị bỏ sót, giảm thời gian xử lý, cải thiện tỷ lệ chuyển đổi, giảm chi phí vận hành hoặc nâng tỷ lệ tự động hóa. Hãy đề xuất chỉ số có thể đo trong giai đoạn thử nghiệm và hỏi rõ mục tiêu 90 ngày đầu.

Trong một bài toán ngân hàng, khi nào nên dùng mô hình ngôn ngữ lớn thay vì mô hình truyền thống?

Hãy chọn phương án đơn giản, rẻ và dễ giải thích nếu bài toán có cấu trúc, dữ liệu đủ và quy tắc ổn định. Mô hình ngôn ngữ lớn phù hợp hơn với nội dung không cấu trúc, nhiều ngôn ngữ, trích xuất thông tin, tóm tắt, phân loại ngữ nghĩa hoặc hỗ trợ tra cứu nhưng cần kiểm soát bịa đặt, chi phí, độ trễ và bảo mật. Một thiết kế tốt có thể kết hợp mô hình truyền thống để lọc hoặc xếp hạng, rồi dùng mô hình ngôn ngữ lớng cho phần cần hiểu ngôn ngữ. Trước khi triển khai, hãy so sánh với mô hình cơ sở trên cùng bộ đánh giá.

Tôi đã có 6 năm kinh nghiệm nhưng chưa từng làm triển khai mô hình. Tôi có đủ điều kiện ứng tuyển cấp chính/cao cấp không?

Bạn có thể đủ điều kiện nếu kinh nghiệm hiện tại thể hiện tư duy thiết kế, lãnh đạo và sản phẩm ở cấp cao. Tuy nhiên, cần bù lỗ hổng về vận hành AI bằng một dự án thực tế: đóng gói dịch vụ, kiểm thử, giám sát, đánh giá mô hình, xử lý trôi dạng dữ liệu và triển khai. Trong phỏng vấn, trình bày rõ bạn sở hữu quyết định nào, ảnh hưởng ra sao và kế hoạch lấp khoảng trống kỹ thuật trong 3 tháng đầu. Đừng giấu nhận thiếu kinh nghiệm; hãy chứng minh khả năng học và thiết kế.

Tin tuyển dụng không có yêu cầu và mô tả công việc. Tôi có nên ứng tuyển ngay không?

Bạn vẫn có thể ứng tuyển nếu hồ sơ phù hợp, nhưng nên gửi câu hỏi làm rõ trước khi đầu tư quá nhiều thời gian: cấp bậc chính thức, đơn vị trực tiếp, nhiệm vụ chính, nền tảng công nghệ, yêu cầu kinh nghiệm, tiêu chuẩn đánh giá và cấu trúc lương. Một tin tuyển dụng chưa đầy đủ vẫn có thể là tin đang cập nhật. Nếu nhà tuyển dụng phản hồi rõ và mức độ phù hợp cao, hãy tiếp tục; nếu các điểm cốt lõi vẫn mơ hồ sau hai lần liên hệ, cần cân nhắc ưu tiên cơ hội minh bạch hơn.

Chuyên viên chính/cao cấp Lập trình AI - Khối Công nghệ Thông tin