Chuyên viên/Chuyên viên Cao cấp Công nghệ mô hình (AI/ML Ops) - Trung tâm mô hình kinh doanh - Khối Dữ liệu

Với yêu cầu tối thiểu 1 năm kinh nghiệm trong JD, cơ hội của em không cao nếu apply trực tiếp vị trí này. Tuy nhiên, em có thể: (1) Apply các vị trí fresher/junier data engineer tại MB hoặc các công ty tài chính để tích lũy 1 năm kinh nghiệm; (2) Làm các project cá nhân về MLOps trên GitHub (ví dụ: containerize một ML model, setup CI/CD pipeline với GitHub Actions); (3) Tham gia các chương trình Fresher/Intern tại MB Bank - họ thường đào tạo bài bản. Đặc biệt, em nên tập trung vào Docker + Python + SQL vì đây là 3 kỹ năng nền tảng quan trọng nhất.

Tin vui là em đã có nền tảng Backend khá tốt. Lộ trình chuyển đổi của em nên như sau: (1) Tháng 1-2: Học Python thay vì Java, làm quen với pandas, scikit-learn, FastAPI; (2) Tháng 2-3: Containerization với Docker, hiểu về Kubernetes cơ bản; (3) Tháng 3-4: Học về ML lifecycle, thử build và deploy một model đơn giản end-to-end; (4) Tháng 4-6: Học các tool MLOps chuyên dụng (MLflow, Kubeflow, Airflow). Với 2 năm backend, em có thể apply vị trí này ở MB hoặc các công ty fintech, e-commerce sau khi hoàn thành lộ trình trên. Kỹ năng Java/Spring Boot của em vẫn có giá trị vì nhiều hệ thống ngân hàng legacy dùng Java.

Tuy JD gộp chung nhưng thường phân biệt như sau: Chuyên viên (MJ - Middle Junior): 1-3 năm kinh nghiệm, làm việc độc lập với task được giao, hỗ trợ senior. Chuyên viên Cao cấp (Senior): 3-5+ năm, có thể lead dự án nhỏ, mentor junior, đưa ra quyết định kỹ thuật. Trong JD này, họ không ghi rõ số năm kinh nghiệm tối thiểu cho từng cấp, nên khi apply em nên: (1) Đọc kỹ JD, nếu em đáp ứng 60-70% yêu cầu thì apply Chuyên viên; (2) Nếu em có 3+ năm và đáp ứng 80%+ thì apply Chuyên viên Cao cấp; (3) Đừng 'over-claim' vì phỏng vấn sẽ test đúng level. HR sẽ tự đánh giá và đề xuất level phù hợp sau khi review CV.

Về mức lương: MLOps Engineer thường có mức lương cao hơn 10-20% so với Data Analyst ở cùng level, và tương đương hoặc cao hơn Data Scientist ở ngân hàng (vì ngân hàng đánh giá cao khả năng vận hành production). Về cơ hội: MLOps đang là skill khan hiếm ở Việt Nam vì đào tạo chính quy chưa nhiều, trong khi Data Scientist thì cạnh tranh cao hơn. Đặc biệt ở ngân hàng, MLOps Engineer gần như không thể thay thế vì liên quan đến hạ tầng production. Nhược điểm: công việc có thể ít 'glamorous' hơn so với Data Scientist vì bạn không trực tiếp tạo ra model, mà là người đảm bảo model chạy ổn định.

TOEIC 450 là mức tối thiểu, tương đương trình độ A2-B1 (giao tiếp cơ bản). Đây không phải là yêu cầu khó nếu em dành 2-3 tháng ôn tập. Gợi ý: (1) Học theo cuốn 'Economy TOEIC' hoặc 'Target TOEIC' - 2 cuốn phổ biến nhất; (2) Làm đề thi thử trên [teststreet.vn](https://teststreet.vn) hoặc [e4bank.vn](https://e4bank.vn); (3) Tập trung vào 2 phần Listening + Reading vì phần Speaking + Writing không bắt buộc; (4) Đặt mục tiêu 600+ để có lợi thế cạnh tranh hơn. Nếu em cần chứng chỉ khác tương đương, có thể dùng IELTS 4.0+, TOEFL iBT 30+, hoặc VSTEP B1.

JD ghi 'Ưu tiên ứng viên có kinh nghiệm làm việc trong lĩnh vực Ngân hàng' - nghĩa là ưu tiên, không phải bắt buộc. Nếu em từ fintech hoặc e-commerce xử lý lượng lớn data và đã triển khai ML models, đó vẫn là asset tốt. Khi phỏng vấn em nên: (1) Nhấn mạnh quy mô data em đã xử lý (số lượng user, transactions, GB/TB data); (2) Nếu fintech em làm có liên quan đến thanh toán, cho vay, eKYC - hãy kể chi tiết vì đây là bài toán ngân hàng cũng gặp; (3) Thể hiện sự hiểu biết về compliance, security, audit (những thứ fintech cũng phải tuân thủ). Nhiều ngân hàng lớn như MB, Techcombank, VPBank đang tuyển rất nhiều từ fintech.

Hoàn toàn nên apply! JD thường liệt kê mong muốn lý tưởng chứ không phải yêu cầu phải giỏi hết tất cả. Đọc kỹ em sẽ thấy hầu hết bắt đầu bằng 'Ưu tiên' - nghĩa là không bắt buộc. Nguyên tắc của em: giỏi 2-3 công nghệ chính, có nền tảng về phần còn lại là đủ. Ví dụ: nếu em giỏi Docker + Python + SQL vững, biết cơ bản về Spark và MLflow, em đã đủ hồ sơ. Khi apply em không cần giấu điểm yếu - thay vào đó nói rõ: 'Em giỏi nhất ở X, Y, Z và đang học thêm A, B'. Nhà tuyển dụng đánh giá cao sự trung thực và khả năng tự học hơn là một CV 'biết hết' nhưng thực tế không sâu.

Khác biệt khá nhiều: (1) Về quy trình: Ngân hàng tuân thủ quy định NHNN nghiêm ngặt, mọi model phải audit được, giải thích được - không như Google chấp nhận black-box model; (2) Về tốc độ đổi mới: Ngân hàng chậm hơn, phải qua nhiều vòng approval; (3) Về công nghệ: Ngân hàng thường dùng nhiều legacy system, nhưng gần đây MB, Techcombank, VPBank đang đầu tư mạnh vào cloud-native; (4) Về phạm vi công việc: Ở ngân hàng em thường làm full-stack MLOps hơn (từ infra đến model), trong khi ở Google chuyên môn hóa rất sâu. Thu nhập: Công ty công nghệ lớn (Tiki, Shopee) thường cao hơn 20-30%, nhưng ngân hàng có job security và phúc lợi tốt hơn.

Với 4 năm Data Engineer, em đã có nền tảng tốt về data pipeline (Spark, Airflow, Kafka) - đây là lợi thế lớn. Để chuyển sang Senior MLOps em cần: (1) Bổ sung kiến thức ML: hiểu về model training, validation, deployment, không cần phải train model giỏi nhưng phải hiểu lifecycle; (2) Containerization & Orchestration: Docker thành thạo, K8s ở mức production-ready (không chỉ dev); (3) MLOps Platforms: MLflow tracking + model registry, Kubeflow pipelines - đây là điểm phân biệt với Data Engineer thông thường; (4) Demonstrate impact: Trong CV và phỏng vấn, chỉ ra được 1-2 dự án em đã đưa ML model vào production (nếu có), hoặc project cá nhân trên GitHub; (5) Soft skills: Ở level Senior, em sẽ được đánh giá về khả năng design system, mentor junior, communicate với stakeholder.

Hoàn toàn có thể! Từ MLOps Engineer, các hướng phát triển phổ biến: (1) Theo chuyên môn (Technical Track): Senior → Principal → Distinguished Engineer → Chief Architect (ở các ngân hàng lớn); (2) Theo quản lý (Management Track): Senior → Tech Lead → Engineering Manager → Head of Data/AI Department → CDO (Chief Data Officer) hoặc CTO; (3) Theo chiều ngang: Chuyển sang AI Product Manager, AI Solution Architect, hoặc AI Consultant. Để lên Director/Head level, em cần: (a) Business acumen: hiểu sâu về ngân hàng, không chỉ kỹ thuật; (b) People skills: quản lý team 10-50 người; (c) Strategic thinking: đề xuất được roadmap AI/ML cho toàn ngân hàng; (d) Network trong ngành: tham gia cộng đồng AI Việt Nam, hội thảo, viết bài. Nhiều CDO hiện tại ở VN xuất phát từ Data/AI background.