Toàn thời gian 2 chỉ tiêu

Mô tả công việc

1. Triển khai mô hình Machine Learning/Deep Learning vào production - Chuyển đổi các mô hình do Data Scientist phát triển thành sản phẩm hoàn chỉnh thông qua API/microservice sẵn sàng tích hợp với hệ thống nghiệp vụ. - Xây dựng và vận hành hệ thống inference realtime hoặc batch, phù hợp với từng bài toán nghiệp vụ. - Đảm bảo mô hình hoạt động ổn định trong môi trường production, đáp ứng yêu cầu về SLA, độ trễ và khả năng mở rộng. 2. Quản lý vòng đời mô hình (MLOps) - Thiết kế và vận hành các pipeline CI/CD cho ML, từ training, testing đến deploy và retrain. - Tự động hoá toàn bộ vòng đời mô hình: huấn luyện - kiểm thử - triển khai - giám sát - tái huấn luyện. - Quản lý model registry, versioning, rollback và kiểm soát thay đổi mô hình theo chuẩn MLOps. 3. Giám sát và duy trì hiệu năng mô hình - Theo dõi hiệu năng mô hình sau triển khai, phát hiện data drift, concept drift và các dấu hiệu suy giảm chất lượng. - Thiết lập hệ thống monitoring và cảnh báo khi mô hình không còn đáp ứng yêu cầu chất lượng. - Phối hợp với Data Scientist cải tiến mô hình dựa trên dữ liệu thực tế và phản hồi từ hệ thống. 4. Tối ưu hiệu suất và hạ tầng AI - Tối ưu tốc độ training và inference, đảm bảo hiệu năng trong môi trường production. - Sử dụng hiệu quả CPU/GPU và tài nguyên hệ thống, góp phần tối ưu chi phí vận hành. - Tham gia đánh giá và đề xuất phương án kiến trúc hạ tầng AI phù hợp với định hướng toàn hàng. 5. Phối hợp kỹ thuật và nghiệp vụ - Làm việc chặt chẽ với DE, DevOps, IT trong triển khai và vận hành giải pháp AI. - Phối hợp với các đơn vị nghiệp vụ trong quá trình tích hợp mô hình AI vào hệ thống. - Tham gia chuẩn hoá kiến trúc AI, nền tảng ML/MLOps trong toàn Ngân hàng.

Yêu cầu ứng viên

1. Kinh nghiệm - Tối thiểu 2–4 năm kinh nghiệm triển khai và vận hành mô hình ML/DL trong môi trường production (đối với CVC); - 4–6 năm kinh nghiệm trở lên đối với vị trí CVCC, ưu tiên từng tham gia các dự án AI quy mô doanh nghiệp hoặc ngân hàng. - Có kinh nghiệm thực tế trong việc đóng gói, triển khai, giám sát và cải tiến mô hình ML sau khi đưa vào vận hành. 2. Trình độ chuyên môn & kỹ năng kỹ thuật - Lập trình & DevOps: Python, REST API, Linux, Git, CI/CD (Jenkins, GitLab CI hoặc tương đương). - ML/DL: TensorFlow, PyTorch, Scikit-learn, XGBoost, LightGBM; hiểu rõ các thuật toán Machine Learning và Deep Learning. - MLOps: Docker, Kubernetes, MLflow, Airflow, Kubeflow, Watsonx hoặc các nền tảng tương đương. - Monitoring: Prometheus, Grafana hoặc các công cụ giám sát tương đương. - Big Data / Streaming: Spark, Kafka, Hadoop ecosystem. - Cloud / Hybrid: AWS SageMaker, GCP Vertex AI hoặc các nền tảng AI tương đương. - Bảo mật: Có hiểu biết cơ bản về security, access control, logging và audit trong môi trường production. 3. Trình độ học vấn - Tốt nghiệp Đại học trở lên các chuyên ngành: Công nghệ thông tin, Khoa học Dữ liệu, Hệ thống Thông tin, Toán ứng dụng, Thống kê, Kỹ thuật phần mềm hoặc các ngành liên quan. - Ưu tiên ứng viên có Thạc sĩ hoặc các chứng chỉ quốc tế (AWS ML, GCP ML, Azure ML Engineer…). 4. Năng lực cá nhân - Tư duy hệ thống, tư duy tối ưu hiệu năng và độ ổn định. - Khả năng debug và xử lý sự cố production tốt. - Giao tiếp hiệu quả và phối hợp tốt với nhiều nhóm kỹ thuật khác nhau. - Chủ động, có khả năng hướng dẫn và dẫn dắt kỹ thuật (đặc biệt với vị trí CVCC). - Thích nghi tốt với môi trường Agile / fast-paced. IV. Quyền lợi - Thu nhập cạnh tranh, tương xứng với năng lực và kinh nghiệm. - Cơ hội làm việc với các bài toán AI thực tế, quy mô lớn trong ngân hàng, có tác động trực tiếp đến kinh doanh và vận hành. - Tham gia xây dựng và vận hành nền tảng AI & MLOps chiến lược của Ngân hàng. - Môi trường kỹ thuật chuyên sâu, có lộ trình phát triển rõ ràng theo hướng Senior/Lead MLE hoặc AI Platform Architect. - Được đào tạo, cập nhật kiến thức và tiếp cận các công nghệ AI/ML hiện đại trong và ngoài nước. - Hưởng đầy đủ các chế độ phúc lợi theo quy định của Ngân hàng.

Phân tích kỹ năng cần có

## Phân tích Kỹ năng Cần Có ### 🔧 Hard Skills (Kỹ năng kỹ thuật bắt buộc) | Cấp độ | Nhóm kỹ năng | Công nghệ cụ thể | Mức độ yêu cầu | |---------|-------------|------------------|----------------| | **Lập trình** | Python | Python 3.x, NumPy, Pandas | ⭐⭐⭐ Bắt buộc | | **Lập trình** | REST API | FastAPI/Flask, HTTP methods, microservices | ⭐⭐⭐ Bắt buộc | | **DevOps** | CI/CD | Jenkins, GitLab CI, Git | ⭐⭐⭐ Bắt buộc | | **ML Frameworks** | DL | TensorFlow, PyTorch | ⭐⭐⭐ Bắt buộc | | **ML Libraries** | Classical ML | Scikit-learn, XGBoost, LightGBM | ⭐⭐⭐ Bắt buộc | | **MLOps** | Container & Orchestration | Docker, Kubernetes | ⭐⭐⭐ Bắt buộc | | **MLOps** | ML Platforms | MLflow, Airflow, Kubeflow, Watsonx | ⭐⭐⭐ Bắt buộc | | **Monitoring** | Observability | Prometheus, Grafana | ⭐⭐ Bắt buộc | | **Big Data** | Streaming & Batch | Spark, Kafka, Hadoop | ⭐⭐ Ưu tiên | | **Cloud** | AI Platforms | AWS SageMaker, GCP Vertex AI | ⭐⭐ Ưu tiên | ### 🎯 Soft Skills (Kỹ năng mềm quan trọng) 1. **Tư duy hệ thống (System Thinking)** - Hiểu rõ end-to-end flow từ data → training → deployment → monitoring - Phân tích trade-off giữa latency, throughput, cost - Thiết kế scalable system architecture 2. **Debugging & Troubleshooting Production** - Khả năng phát hiện nhanh root cause khi model/API gặp sự cố - Sử dụng thành thạo log analysis, metrics monitoring - Xử lý sự cố dưới áp lực thời gian thực 3. **Giao tiếp & Phối hợp đa nhóm** - Làm việc với: Data Scientist, Data Engineer, DevOps, IT, Business units - Trình bày kỹ thuật cho audience không chuyên (stakeholder ngân hàng) - Document rõ ràng, hướng dẫn team members 4. **Với CVCC**: Khả năng dẫn dắt kỹ thuật, mentoring junior, đề xuất kiến trúc chiến lược ### 📜 Chứng chỉ gợi ý (Ưu tiên cao) | Chứng chỉ | Nhà cung cấp | Mức độ ưu tiên | |-----------|-------------|----------------| | AWS Certified Machine Learning - Specialty | AWS | ⭐⭐⭐ | | Google Professional ML Engineer | GCP | ⭐⭐⭐ | | Azure AI Engineer Associate | Microsoft | ⭐⭐ | | Certified MLOps Practitioner | Various | ⭐⭐ | | CKAD/CKA (Kubernetes) | CNCF | ⭐⭐ | ### 📊 So sánh CVC vs CVCC | Tiêu chí | CVC (2-4 năm) | CVCC (4-6+ năm) | |----------|--------------|-----------------| | **Phạm vi công việc** | Triển khai model theo hướng dẫn | Thiết kế kiến trúc MLOps tổng thể | | **Quy mô dự án** | Module riêng lẻ | Toàn bộ pipeline/platform | | **Kỹ năng lãnh đạo** | Hỗ trợ junior | Dẫn dắt nhóm kỹ thuật | | **Lộ trình tiếp theo** | Senior MLE | Lead MLE / AI Platform Architect | | **Mức lương tham khảo** | 25-45 triệu/tháng | 45-80 triệu/tháng | > *Lưu ý: Mức lương chỉ mang tính tham khảo, VietinBank trả thỏa thuận theo năng lực thực tế.*

Chuẩn bị phỏng vấn

## Hướng Dẫn Phỏng Vấn VietinBank - MLE ### 📋 Quy Trình Phỏng Vấn Dự Kiến Thông thường tuyển dụng ngân hàng nhà nước/OW quy mô có **3 vòng**: ``` Vòng 1: Sàng lọc hồ sơ + Kiểm tra kỹ thuật (Coding test) ↓ Vòng 2: Phỏng vấn chuyên môn (Với trưởng nhóm/Lead MLE) ↓ Vòng 3: Phỏng vấn vòng cuối (Với Lãnh đạo Trung tâm / HR) ``` ### 🎯 Chi Tiết Từng Vòng #### **Vòng 1: Sàng lọc + Technical Screening** **Hình thức:** - Review hồ sơ (CV + bằng cấp + chứng chỉ) - Có thể kèm bài kiểm tra kỹ thuật online (Python + ML concepts) hoặc take-home project **Câu hỏi thường gặp:** - Giới thiệu bản thân và project ML production gần nhất - Mô tả MLOps pipeline bạn đã xây dựng - Cách xử lý khi model production bị drift - Tại sao bạn muốn gia nhập VietinBank? **Tips chuẩn bị:** - Chuẩn bị portfolio với 2-3 project production thực tế - Có sẵn diagram mô tả kiến trúc hệ thống đã làm - Ôn lại Python + SQL + basic ML algorithms --- #### **Vòng 2: Phỏng vấn Chuyên môn (Kỹ thuật sâu)** **Chủ đề chính:** **1. ML Engineering & Deployment (Bắt buộc)** - Thiết kế REST API cho ML model (FastAPI/Flask) - Containerize model bằng Docker, triển khai lên Kubernetes - Quản lý model versioning với MLflow - Batch inference vs. Real-time inference: khi nào dùng cái nào? - Xử lý latency requirements trong banking (ví dụ: fraud detection < 100ms) **2. MLOps Pipeline (Trọng tâm)** - Thiết kế CI/CD pipeline cho ML (ví dụ: GitLab CI + MLflow) - Quy trình retrain tự động khi data drift được phát hiện - Model registry: quản lý version, rollback, A/B testing - Monitoring: metrics nào cần theo dõi sau deploy? **3. Infrastructure & Optimization** - Tối ưu GPU/CPU cho training và inference - Auto-scaling với Kubernetes HPA/VPA - Xử lý memory bottleneck khi serving large models - Cost optimization: spot instances, model compression (quantization/pruning) **4. Big Data (Tuỳ vị trí)** - Sử dụng Spark cho distributed training - Kafka cho real-time feature streaming - Feature store: Feast, Tecton hoặc tự xây **Câu hỏi tình huống cụ thể:** - *"Model credit scoring của bạn bắt đầu drift sau 3 tháng deploy. Bạn sẽ làm gì?"* - *"Thiết kế hệ thống giám sát cho 20+ models đang chạy production."* - *"Làm sao để đảm bảo model update không gây downtime?"* - *"So sánh Kubernetes vs. serverless (Lambda/Cloud Functions) cho ML serving."* **Tips chuẩn bị:** - Vẽ sơ đồ kiến trúc MLOps end-to-end trên giấy - Sẵn sàng code nháp (pseudo-code hoặc thực) cho API, Dockerfile, Kubernetes manifest - Đọc tài liệu VietinBank về định hướng Digital Transformation --- #### **Vòng 3: Vòng cuối (Cultural Fit + HR)** **Chủ đề:** - Định hướng phát triển sự nghiệp tại VietinBank - Hiểu biết về ngành ngân hàng & chuyển đổi số - Đánh giá soft skills: chủ động, teamwork, học hỏi công nghệ mới - Thảo luận mức lương và quyền lợi **Câu hỏi thường gặp:** - Bạn biết gì về định hướng AI của VietinBank? - 5 năm tới, bạn hình dung vị trí của mình ở đâu? - Tại sao rời công ty hiện tại? - Bạn xử lý conflict với business stakeholder như thế nào? --- ### 👔 Dress Code - **Form: Vest / Âu phục lịch sự** (ngân hàng nhà nước vẫn giữ văn hóa formal) - Nam: áo sơ mi trắng, quần âu, giày da - Nữ: áo sơ mi/cam cổ, chân váy/quần âu - Tránh: jeans, sneaker, áo phông ### ✅ Checklist Trước Ngày Phỏng Vấn - [ ] Ôn lại các khái niệm: data drift, concept drift, model versioning - [ ] Chuẩn bị 2-3 câu chuyện project production (STAR format) - [ ] Vẽ sẵn kiến trúc MLOps pipeline trên giấy - [ ] Cập nhật CV: ghi rõ công nghệ đã dùng, scale của hệ thống - [ ] Tìm hiểu về VietinBank Digital Bank / Chiến lược AI ngân hàng - [ ] Chuẩn bị câu hỏi cho nhà tuyển dụng (thể hiện sự quan tâm nghiêm túc)

Lộ trình ôn thi

## Ôn Thi & Chuẩn Bị Kiến Thức ### 📚 Lộ Trình Chuẩn Bị (2-4 tuần) ``` Tuần 1: Nền tảng ML Engineering ├── Python & Data Processing (Pandas, NumPy) ├── ML Concepts (supervised/unsupervised, evaluation metrics) ├── Deep Learning basics (CNN, RNN/LSTM, Transformers) └── Thực hành: Xây dựng baseline model với Scikit-learn Tuần 2: MLOps & Deployment ├── Docker fundamentals ├── Kubernetes basics (Pod, Deployment, Service, HPA) ├── FastAPI cho ML serving ├── MLflow cho experiment tracking & model registry └── Thực hành: Containerize model + deploy lên K8s local Tuần 3: Pipeline & Monitoring ├── CI/CD cho ML (GitLab CI / Jenkins) ├── Airflow cho workflow orchestration ├── Prometheus + Grafana cho monitoring ├── Data drift detection (Evidently AI, alibi-detect) └── Thực hành: Xây dựng end-to-end MLOps pipeline Tuần 4: Big Data + Cloud + Mock Interview ├── Spark MLlib / PySpark ├── Kafka (basic concepts) ├── AWS SageMaker / GCP Vertex AI overview ├── Ôn tập tổng hợp └── Mock interview + review portfolio ``` --- ### 📖 Tài Liệu Tham Khảo Bắt Buộc **Sách:** | Sách | Chủ đề | Ưu tiên | |------|--------|---------| | *Designing Machine Learning Systems* (Chip Huyen) | ML system design tổng quát | ⭐⭐⭐ | | *Introducing MLOps* (Mark Treveil) | MLOps fundamentals | ⭐⭐⭐ | | *Building ML Pipelines* (Kaiser & Lobel) | Pipeline engineering | ⭐⭐ | | *Faster ML* (Hannes Hapke & Catherine Nelson) | Production ML optimization | ⭐⭐ | **Khoá học miễn phí:** - **Coursera**: *MLOps Fundamentals* (Google Cloud) - ~15 giờ - **DataTalks.Club**: *MLOps Zoomcamp* (free, rất thực tế) - ⭐⭐⭐ Rất khuyến khích - **Udemy**: *ML Deployment with FastAPI & Docker* - **YouTube**: MLE interview prep (System Design for ML) **Tài liệu chuyên ngành ngân hàng:** - Website VietinBank: mục về Chuyển đổi số / Định hướng AI - NHNN: Đề án phát triển Fintech & AI trong ngân hàng - Các bài báo về AI application trong banking Việt Nam --- ### 🔥 Trọng tâm ôn tập (Top 80% câu hỏi interview rơi vào đây) **1. Model Serving & API (90% gặp)** ``` # Ví dụ concept cần nắm vững: - REST API vs gRPC cho ML serving - Batch inference với Spark - Real-time inference với FastAPI + uvicorn - Model serialization: pickle vs ONNX - Latency optimization: batching, caching, pre-processing ``` **2. MLOps Lifecycle (95% gặp)** ``` # Nắm chắc từng stage: Data → Feature Engineering → Training → Evaluation → Registry → Deployment → Monitoring → Drift Detection → Retraining → Repeat ``` **3. Container & Kubernetes (85% gặp)** ``` - Viết Dockerfile cho Python app - Kubernetes deployment manifest - Horizontal Pod Autoscaling (HPA) - Resource limits & requests - Health check (liveness/readiness probe) ``` **4. Monitoring & Reliability (80% gặp)** ``` - Metrics cần theo dõi: latency, throughput, error rate, data drift - Alerting rules với Prometheus - Dashboard với Grafana - Logging best practices (structured logging) ``` **5. Banking AI Use Cases (câu hỏi vòng cuối)** ``` - Credit scoring & risk management - Fraud detection (real-time transaction monitoring) - Customer segmentation & personalization - Anti-money laundering (AML) - Chatbot/Virtual assistant ``` --- ### 🛠️ Portfolio Chuẩn Bị (Rất quan trọng) Nếu chưa có project production thực tế, chuẩn bị tối thiểu: 1. **End-to-end ML pipeline** (GitHub repo có README chi tiết) - Data ingestion → Feature engineering → Training → Evaluation → Deployment - Sử dụng: MLflow + FastAPI + Docker + GitHub Actions 2. **ML Model Serving API** (Demo trên Render/Heroku free tier) - Endpoint prediction, health check, Swagger docs 3. **Monitoring dashboard** (screenshot/demo video) - Prometheus metrics + Grafana dashboard > **⚠️ Lưu ý:** Đối với vị trí CVC/CVCC, nhà tuyển dụng sẽ hỏi rất sâu về production experience. Nếu chỉ có pet projects, cần chuẩn bị giải thích rõ giới hạn và những gì bạn đã học được.

Tư vấn nghề nghiệp

## Lời Khuyên Sự Nghiệp ### 🚀 Lộ Trình Phát Triển Tại VietinBank ``` Junior MLE (0-2 năm) ↓ CVC MLE (2-4 năm) ← [Bạn đang ứng tuyển] ↓ CVCC MLE (4-6 năm) ← [Mục tiêu ngắn hạn] ↓ Senior MLE / Lead MLE (6-8 năm) ↓ AI Platform Architect / Manager (8+ năm) ``` ### 💰 Mức Lương Kỳ Vọng (Tham khảo, thỏa thuận theo năng lực) | Cấp bậc | Kinh nghiệm | Mức lương tháng (VND) | Notes | |---------|------------|----------------------|-------| | CVC MLE | 2-4 năm | 25.000.000 - 45.000.000 | Tùy tech stack & scaling | | CVCC MLE | 4-6 năm | 40.000.000 - 70.000.000 | Có leadership bonus | | Senior MLE | 6-8 năm | 60.000.000 - 90.000.000 | Specified domain | | Lead / Architect | 8+ năm | 80.000.000 - 120.000.000+ | Ngân hàng lớn | > *VietinBank là ngân hàng TMCP nhà nước lớn, mức lương MLE ở đây thường **thấp hơn 20-30%** so với các công ty fintech/tech (VNG, FPT, startup), nhưng bù lại bằng: job security, quy mô dữ liệu lớn, và cơ hội thử nghiệm AI trong banking thực tế.* --- ### 🎯 Kỹ Năng Cần Phát Triển Thêm (90 ngày đầu) **Nếu bạn vào làm CVC:** 1. **Deep-dive Kubernetes** - Đây là hạ tầng chính của ngân hàng 2. **Học thêm về banking domain** - Credit risk, fraud, compliance 3. **MLflow + Airflow** - Đây là core tools của team 4. **Communication** - Trình bày kỹ thuật cho non-technical stakeholders **Nếu bạn muốn lên CVCC:** 1. **System Design** - Thiết kế kiến trúc ML platform tổng thể 2. **Leadership** - Mentoring, code review, technical decision-making 3. **Cost optimization** - Show impact qua KPI giảm chi phí vận hành 4. **Strategic thinking** - Đóng góp vào roadmap AI của toàn ngân hàng --- ### ⚖️ Ưu Điểm & Nhược Điểm Của Vị Trí Này **✅ Ưu điểm:** - Tiếp cận dữ liệu ngân hàng **quy mô lớn** (hàng triệu khách hàng, giao dịch/ngày) - Bài toán AI có **tác động thực tế** rõ ràng đến business - Môi trường ngân hàng nhà nước: **ổn định**, không bị layoff bất ngờ - Đội ngũ AI đang trong giai đoạn **xây dựng & mở rộng** - nhiều cơ hội thể hiện - Lộ trình thăng tiến rõ ràng: Senior MLE → Lead → Architect **⚠️ Nhược điểm:** - Lương **thấp hơn thị trường tech** 20-30% (đặc biệt so với fintech/startup) - Quy trình **phê duyệt & thay đổi chậm** hơn công ty tư nhân - Nhiều compliance/security requirements có thể làm chậm iteration - Văn hóa ngân hàng nhà nước có phần **bảo thủ** hơn startup --- ### 🔄 So Sánh Với Các Lựa Chọn Khác | Tiêu chí | VietinBank (MLE) | Startup Tech (MLE) | Fintech (MLE) | |----------|-----------------|-------------------|---------------| | Lương | 6-7/10 | 7-9/10 | 7-8/10 | | Job Security | 9/10 | 5/10 | 6/10 | | Learning curve | 7/10 | 9/10 | 8/10 | | Impact thực tế | 8/10 | 7/10 | 8/10 | | Work-life balance | 7/10 | 5/10 | 6/10 | | Thăng tiến | 6/10 | 8/10 | 7/10 | **Kết luận:** Phù hợp nếu bạn muốn **ổn định lâu dài** trong ngành banking, học hỏi AI ở quy mô lớn. Không phù hợp nếu bạn ưu tiên **lương cao nhất thị trường** hoặc muốn môi trường **nhanh, nhiều thử nghiệm**.

Câu hỏi thường gặp

Mức lương cho vị trí CVC/CVCC MLE tại VietinBank là bao nhiêu?

VietinBank để lương 'thỏa thuận' trong JD, không công khai con số cụ thể. Tham khảo thị trường: CVC (2-4 năm kinh nghiệm) khoảng 25-45 triệu/tháng, CVCC (4-6 năm) khoảng 40-70 triệu/tháng. Lưu ý rằng mức này thường thấp hơn 20-30% so với các công ty tech/finttech tư nhân, nhưng bù lại bằng job security và quy mô dữ liệu lớn để học hỏi.

Vị trí CVC và CVCC khác nhau như thế nào?

CVC (Chuyên viên cao cấp) yêu cầu 2-4 năm kinh nghiệm, tập trung triển khai model theo hướng dẫn, quản lý pipeline cụ thể. CVCC (Chuyên viên cao cấp chính) yêu cầu 4-6+ năm, ưu tiên kinh nghiệm AI quy mô doanh nghiệp, có khả năng thiết kế kiến trúc tổng thể, dẫn dắt kỹ thuật và mentoring junior. CVCC cũng có quyền đề xuất kiến trúc AI chiến lược cho toàn ngân hàng.

Kỹ năng nào quan trọng nhất để pass phỏng vấn MLE tại VietinBank?

Ba kỹ năng quan trọng nhất: (1) Production ML experience - bạn phải có ít nhất 1-2 project đã deploy thực tế, không chỉ pet projects; (2) MLOps fundamentals - hiểu rõ vòng đời model từ training đến monitoring, data drift detection, CI/CD cho ML; (3) Kubernetes & Docker - đây là hạ tầng chính của ngân hàng. Nếu thiếu 1 trong 3, rất khó qua vòng chuyên môn.

Có cần chứng chỉ cloud (AWS/GCP) không?

Không bắt buộc, nhưng là lợi thế lớn. VietinBank ưu tiên ứng viên có chứng chỉ AWS ML Specialty, GCP Professional ML Engineer hoặc Azure AI Engineer. Nếu chưa có, có thể học và thiết trong 2-3 tháng. Ngoài ra, CKAD/CKA (Kubernetes) cũng rất giá trị vì đây là core infrastructure của team AI.

Môi trường làm việc tại Trung tâm PT dữ liệu & AI của VietinBank như thế nào?

Đây là đơn vị mới thành lập, đang trong giai đoạn xây dựng nền tảng AI từ đầu. Văn hóa kỹ thuật tương đối open, tiếp xúc với công nghệ hiện đại. Tuy nhiên, vì là ngân hàng nhà nước nên vẫn có quy trình phê duyệt, compliance nghiêm ngặt (đặc biệt về bảo mật, audit). Team size khá nhỏ gọn, làm việc chặt chẽ với nhau.

Học ngành không liên quan (ví dụ: Kinh tế, Marketing) có ứng tuyển được không?

Khó khả thi cho vị trí này. Yêu cầu bắt buộc là tốt nghiệp CNTT, Khoa học Dữ liệu, Toán ứng dụng, Thống kê hoặc Kỹ thuật phần mềm. Với yêu cầu kỹ thuật sâu như MLOps, containerization, Kubernetes, model serving... đòi hỏi nền tảng kỹ thuật vững. Tuy nhiên, bạn có thể học thêm ngành liên quan (thạc sĩ CNTT, Khoa học Dữ liệu) rồi ứng tuyển sau.

Lộ trình thăng tiến từ CVC MLE lên Senior/Lead MLE mất bao lâu?

Thông thường: CVC → CVCC: 2-3 năm (nếu thể hiện tốt), CVCC → Senior MLE: 2-3 năm, Senior → Lead/Architect: 2-3 năm. Tổng cộng khoảng 6-9 năm để lên vị trí Lead MLE hoặc AI Platform Architect. Tốc độ phụ thuộc vào: (1) hiệu suất công việc, (2) đóng góp vào các dự án chiến lược, (3) khả năng leadership & mentoring, (4) certifications/knowledge growth.

Work-life balance ở vị trí này như thế nào? Có OT nhiều không?

So với startup tech, work-life balance tốt hơn đáng kể. Ngân hàng nhà nước thường giờ hành chính, ít OT. Tuy nhiên, khi có dự án lớn cần deploy (ví dụ: quý hoàn thuế, đợt ra mắt tính năng mới), có thể cần OT. Đặc biệt với MLE, khi model production gặp sự cố (incident), bạn cần on-call để xử lý. Tổng thể: 7-8/10, tốt hơn hầu hết công ty tech.

CVC/CVCC Kỹ sư học máy (MLE)