Data Scientist (Speech AI & Conversational AI) - Hà Nội - TA174
Mô tả công việc
MỤC ĐÍCH CỦA CHỨC DANH
Tham gia triển khai và hỗ trợ Trưởng phòng và/hoặc các chuyên gia trong việc phối hợp với các đơn vị kinh doanh, đơn vị hỗ trợ kinh doanh, cùng các trung tâm/phòng ban khác trong nội bộ khối EDA; Thực hiện các nhiệm vụ được phân công liên quan đến việc ứng dụng các phương pháp phân tích nâng cao, học máy, học sâu và/hoặc GenAI để xây dựng các ứng dụng AI/phân tích dữ liệu, khai thác hệ thống dữ liệu phức tạp, hoặc hỗ trợ tìm kiếm các hiểu biết chuyên sâu về hành vi khách hàng nhằm đưa ra các đề xuất, khuyến nghị phù hợp.
CÁC HOẠT ĐỘNG CHÍNH
1. Tham gia và phối hợp triển khai các giải pháp khoa học dữ liệu và trí tuệ nhân tạo cho các đơn vị trong ngân hàng
- Phối hợp với các đơn vị kinh doanh, vận hành và chuyên gia AI/Data Science để phân tích yêu cầu, xác định bài toán và thiết kế các giải pháp AI/ML/GenAI đáp ứng nhu cầu nghiệp vụ, đảm bảo tính khả thi và hiệu quả khi triển khai thực tế.
- Tham gia phát triển, tích hợp và triển khai các mô hình AI/ML/GenAI vào các hệ thống và quy trình nghiệp vụ của ngân hàng; phối hợp với các nhóm kỹ thuật để đảm bảo giải pháp hoạt động ổn định, có khả năng mở rộng và đáp ứng các yêu cầu về hiệu năng, bảo mật và vận hành.
- Ứng dụng các kỹ thuật phân tích dữ liệu, học máy (Machine Learning), học sâu (Deep Learning), GenAI và Agentic AI để xây dựng các mô hình, dịch vụ và ứng dụng AI nhằm khai thác dữ liệu, tạo ra insight và nâng cao khả năng ra quyết định cho hoạt động kinh doanh và vận hành.
- Tham gia phát triển các ứng dụng và sản phẩm AI/ML/GenAI nhằm tự động hóa quy trình nghiệp vụ của ngân hàng, bao gồm xử lý hồ sơ, hỗ trợ thẩm định, chăm sóc khách hàng, trợ lý AI, khai thác tri thức doanh nghiệp, xử lý tài liệu và các quy trình vận hành nội bộ.
- Tham gia xây dựng, đánh giá và tối ưu các thành phần của hệ thống AI như Prompt Engineering, Retrieval-Augmented Generation (RAG), Agent Workflow, Tool Calling, Knowledge Base và Model Evaluation nhằm nâng cao chất lượng và độ tin cậy của các ứng dụng GenAI.
- Phối hợp triển khai, kiểm thử, đánh giá hiệu quả và giám sát các giải pháp AI trong môi trường vận hành; theo dõi chất lượng mô hình, đề xuất cải tiến và tối ưu liên tục để đáp ứng yêu cầu kinh doanh.
2. Nghiên cứu & cập nhật kỹ thuật, công nghệ mới
- Thường xuyên nghiên cứu, cập nhật các xu hướng, kỹ thuật tiên tiến trong lĩnh vực phân tích dữ liệu, học máy, học sâu và/hoặc GenAI theo định hướng từ cấp quản lý hoặc chuyên gia nội bộ.
- Chủ động tìm hiểu và thử nghiệm các công nghệ, framework và mô hình mới để nâng cao hiệu quả triển khai giải pháp dữ liệu và AI tại ngân hàng.
- Tích cực tham gia các diễn đàn chuyên môn, hội thảo nội bộ/ngoại bộ, seminar nhằm mở rộng kiến thức và chia sẻ kinh nghiệm thực tiễn với đội nhóm.
3. Thưc hiện các công việc khác theo phân công của cấp thẩm quyền.
CÁC KẾT QUẢ
- Triển khai thành công các giải pháp AI/ML/GenAI vào vận hành thực tế, đảm bảo đáp ứng các yêu cầu về hiệu năng, tính ổn định, khả năng mở rộng và mang lại giá trị cho các đơn vị kinh doanh và vận hành.
- Nâng cao hiệu quả kinh doanh và vận hành thông qua ứng dụng AI, góp phần cải thiện các chỉ số như tăng tỷ lệ chuyển đổi, giảm tỷ lệ khách hàng rời bỏ, giảm thời gian xử lý (SLA/TAT), tăng năng suất, tối ưu chi phí vận hành và gia tăng hiệu quả kinh doanh.
- Xây dựng và phát triển các năng lực AI dùng chung (AI Platform/AI Services) thông qua việc chuẩn hóa, tái sử dụng các thành phần AI (model, prompt, workflow, API, knowledge base...), rút ngắn thời gian triển khai các use case mới và thúc đẩy mở rộng ứng dụng AI trên toàn Ngân hàng.
- Các phương pháp và kỹ thuật mới được áp dụng thực tế trong EDA
- Hoàn thành các công việc theo phân công.
CÁC YÊU CẦU ĐỐI VỚI CÔNG VIỆC
1. Trình độ đào tạo
Tốt nghiệp Đại học trở lên trong các lĩnh vực liên quan như: Khoa học Máy tính (Computer Science), Toán học/Toán ứng dụng (Mathematics/Applied Mathematics), Thống kê (Statistics), Kỹ thuật (Engineering), Khoa học Dữ liệu (Data Science), Kinh tế lượng, Tài chính định lượng (Econometrics, Quantitative Finance), hoặc các ngành liên quan.
2. Kiến thức/ Chuyên môn có liên quan
- Nắm chắc kiến thức về các mô hình thống kê, kỹ thuật dự báo, thuật toán học máy, học sâu và/hoặc GenAI; có khả năng lựa chọn và áp dụng phù hợp với bài toán thực tế.
- Có khả năng vận dụng các kỹ thuật phân tích thống kê, kiểm định giả thuyết và phân tích dữ liệu phức tạp; có khả năng đưa ra các phân tích và khuyến nghị mang tính thực tiễn cao.
- Thành thạo Python và các thư viện phổ biến phục vụ cho phân tích nâng cao, học máy, học sâu (như Pandas, Scikit-learn, TensorFlow, PyTorch) và GenAI (Transformers, LangChain...).
- Hiểu và có thể tuân thủ quy trình phát triển dự án phân tích dữ liệu nâng cao – từ xử lý dữ liệu, huấn luyện mô hình, đánh giá đến triển khai ứng dụng AI/ML/GenAI vào thực tế.
3. Các kỹ năng
- Kỹ năng thuyết trình.
- Kỹ năng làm việc nhóm.
- Kỹ năng giải quyết vấn đề.
4. Các kinh nghiệm liên quan
- Tối thiểu 1-3 năm kinh nghiệm làm việc về phân tích nâng cao/ phát triển mô hình học máy/ học sâu, và/hoặc ứng dụng AI/GenAI.
- Kinh nghiệm phát triển các phân tích nâng cao, xây dựng và triển khai mô hình dự báo/mô hình học máy/ học sâu và/hoặc ứng dụng AI/GenAI trên các nền tảng cloud phổ biến như AWS, Azure, Google Cloud, và/hoặc Databricks,..
- Kinh nghiệm phân tích dữ liệu và báo cáo; có khả năng diễn giải dữ liệu và đưa ra các gợi ý hành động cụ thể, phục vụ các mục tiêu kinh doanh.
- Kinh nghiệm phối hợp và làm việc nhóm (bao gồm các nhóm kỹ thuật và kinh doanh) để triển khai giải pháp.
- Kinh nghiệm làm việc với SQL và Excel để xử lý và phân tích dữ liệu.
- Ưu tiên ứng viên có kinh nghiệm làm việc tại các tổ chức lớn.
5. Các năng lực cần có
- Khả năng chịu áp lực cao trong công việc.
- Khả năng thích nghi với sự thay đổi và tự nghiên cứu.
- Năng lực tự học.
CÁC QUYỀN LỢI CỦA ỨNG VIÊN
- Thu nhập hấp dẫn, lương thưởng cạnh tranh theo năng lực, gói thu nhập 15-18 tháng lương/năm
- Thưởng các Ngày lễ, Tết (theo chính sách ngân hàng)
- Được vay ưu đãi theo chính sách ngân hàng từng thời kỳ
- Chế độ ngày phép hấp dẫn theo cấp bậc công việc
- Bảo hiểm theo luật lao động + Bảo hiểm VPBank care cho CBNV theo cấp bậc và thời gian công tác
- Cơ hội làm việc tại một Ngân hàng tiên phong ứng dụng AI & ML trong thúc đẩy giá trị kinh doanh với hệ sinh thái đa dạng: Ngân hàng, Tài chính, Chứng khoán, Bảo hiểm,...
- Cơ hội phát triển tại môi trường dẫn đầu thị trường ngân hàng về khối lượng dữ liệu; tham gia nhiều dự án, sáng kiến dữ liệu lớn, không ngừng tạo ra giá trị gia tăng cho khách hàng
- Được tham gia các khóa đào tạo tùy thuộc vào Khung đào tạo cho từng vị trí
- Môi trường làm việc chuyên nghiệp với cơ hội làm việc trực tiếp cùng ban lãnh đạo ngân hàng lớn, mở ra nhiều cơ hội học hỏi và phát triển sự nghiệp.
Phân tích kỹ năng cần có
Phân tích kỹ năng chi tiết — Data Scientist (Speech AI & Conversational AI) tại VPBank
1. Tổng quan vị trí
Đây là vị trí Data Scientist chuyên sâu trong lĩnh vực Speech AI & Conversational AI — một mảng khá "hot" hiện nay. Bạn sẽ thuộc Khối EDA (Enterprise Data & Analytics), làm việc trong hệ sinh thái dữ liệu lớn của VPBank bao gồm ngân hàng, chứng khoán, bảo hiểm. Điểm đặc biệt là vị trí này không chỉ làm ML/DL truyền thống mà còn liên quan đến GenAI, Agentic AI, RAG, Voice Bot, Chatbot — những công nghệ đang được các ngân hàng lớn đầu tư mạnh.
---
2. Hard Skills — Bảng phân tích chi tiết
| Nhóm kỹ năng | Kỹ năng cụ thể | Mức độ yêu cầu | Ghi chú |
|---|---|---|---|
| Ngôn ngữ lập trình | Python (Pandas, NumPy, Scikit-learn) | ★★★★★ Bắt buộc | Thành thạo, dùng hàng ngày |
| ML Framework | TensorFlow, PyTorch | ★★★★☆ Quan trọng | Cần ít nhất 1 framework chuyên sâu |
| GenAI/LLM | Transformers, LangChain, LlamaIndex | ★★★★☆ Rất quan trọng | Đây là điểm cạnh tranh của ứng viên |
| Speech AI | Whisper, Wav2Vec2, Kaldi, ESPnet | ★★★★☆ Cốt lõi | Phục vụ ASR/TTS cho Voice Bot |
| NLP | BERT, GPT, Sentence-Transformers, RAG | ★★★★☆ Cốt lõi | Nền tảng cho Conversational AI |
| Vector DB | Pinecone, Weaviate, Milvus, FAISS | ★★★☆☆ Ưu tiên | Phục vụ Knowledge Base & RAG |
| Cloud Platform | AWS/Azure/GCP/Databricks | ★★★★☆ Quan trọng | Cần có kinh nghiệm triển khai thực tế |
| SQL & Data | SQL nâng cao, BigQuery, Spark | ★★★★☆ Bắt buộc | Kéo dữ liệu từ data warehouse |
| MLOps | Docker, Kubernetes, MLflow, CI/CD | ★★★☆☆ Ưu tiên | Triển khai model vào production |
| Visualization | Power BI, Tableau, Streamlit | ★★★☆☆ Tốt có | Phục vụ báo cáo cho business |
---
3. Soft Skills
- Kỹ năng thuyết trình: Phải trình bày được kết quả mô hình cho cả ban lãnh đạo (không kỹ thuật) và team kỹ thuật. Đặc biệt quan trọng khi làm việc với các đơn vị kinh doanh ngân hàng.
- Kỹ năng làm việc nhóm đa phòng ban: Kết nối IT, Kinh doanh, Vận hành, Pháp chế — đây là đặc thù của ngân hàng, không đơn thuần là kỹ thuật.
- Giải quyết vấn đề: Các bài toán thực tế trong ngân hàng thường không có "đáp án chuẩn", cần tư duy phản biện.
- Khả năng chịu áp lực: Dự án AI ở ngân hàng có deadline nghiêm ngặt, đặc biệt khi liên quan đến tuân thủ pháp lý (NHNN).
- Tự học & thích nghi: Công nghệ AI thay đổi theo tuần, không thể chờ ai dạy.
---
4. Chứng chỉ & Khóa học gợi ý (nếu muốn bổ sung CV)
| Chứng chỉ/Khóa học | Tổ chức | Giá trị |
|---|---|---|
| AWS Certified Machine Learning Specialty | AWS | Cloud ML cho môi trường production |
| Google Professional ML Engineer | Tương đương, nhiều doanh nghiệp ưu tiên | |
| Azure AI Engineer Associate | Microsoft | Phù hợp nếu VPBank dùng Azure stack |
| Databricks Certified ML Professional | Databricks | Nếu platform chính là Databricks |
| Deep Learning Specialization | Coursera (Andrew Ng) | Nền tảng DL vững |
| NLP Specialization | Coursera (DeepLearning.AI) | Rất liên quan đến Conversational AI |
| Generative AI with LLMs | Coursera/DeepLearning.AI | Xu hướng GenAI hiện tại |
> 💡 Lưu ý thực tế: VPBank thường không quá yêu cầu chứng chỉ, mà đánh giá qua phỏng vấn kỹ thuật và portfolio. Một GitHub repo có demo Speech Bot hoạt động thực tế sẽ giá trị hơn 5 chứng chỉ.
---
5. Yêu cầu kinh nghiệm — Cách hiểu đúng
JD ghi "1-3 năm" nhưng đây là mức tối thiểu. Thực tế:
- 1 năm: Làm được junior role, cần support nhiều
- 2-3 năm: Làm chủ được 1-2 use case end-to-end
- Trên 3 năm: Có thể apply vị trí Senior Data Scientist hoặc Lead
Nếu bạn fresher mạnh về portfolio (có sản phẩm Speech Bot, Chatbot deploy thực tế), vẫn có cơ hội. Nếu đã 2-3 năm kinh nghiệm nhưng chỉ làm ML truyền thống, cần chứng minh được khả năng học GenAI/Speech AI nhanh.
Chuẩn bị phỏng vấn
Hướng dẫn phỏng vấn — Data Scientist (Speech AI & Conversational AI) tại VPBank
1. Quy trình tuyển dụng dự kiến (4-6 vòng)
Dựa trên quy trình chuẩn của VPBank cho vị trí chuyên gia:
Vòng 1: HR Screen (30-45 phút)
- Xác nhận thông tin cơ bản, mức lương mong muốn, thời gian onboard
- Tìm hiểu động lực ứng tuyển, tại sao chọn VPBank
- Kiểm tra sơ bộ về background và kỹ năng
Vòng 2: Technical Test / Assignment (có thể có)
- VPBank thường cho bài test online hoặc take-home assignment về:
- Xử lý dữ liệu với Python/SQL
- Xây dựng một mô hình ML/DL nhỏ
- Hoặc case study về RAG/Chatbot
- Thời gian thường 2-4 giờ hoặc 2-3 ngày
Vòng 3: Technical Interview (60-90 phút)
Phỏng vấn chuyên sâu với Trưởng phòng hoặc Senior Data Scientist:
- Câu hỏi ML/DL cốt lõi
- Câu hỏi về Speech AI / NLP / Conversational AI
- Live coding hoặc whiteboard coding
- Thảo luận về dự án đã làm
Vòng 4: Manager Interview / Business Round (45-60 phút)
- Phỏng vấn với Head of Data/AI hoặc GĐ Khối EDA
- Tập trung vào tư duy kinh doanh, khả năng kết nối kỹ thuật với bài toán ngân hàng
- Đánh giá cultural fit
Vòng 5: Final Interview — Ban lãnh đạo / HR Director (30-45 phút)
- Câu hỏi về tầm nhìn nghề nghiệp
- Thỏa thuận cuối cùng về lương, benefit, cấp bậc
---
2. Câu hỏi phỏng vấn hay gặp theo từng vòng
Vòng Technical — Câu hỏi ML/DL nền tảng
1. Giải thích sự khác nhau giữa Bagging và Boosting. Cho ví dụ cụ thể.
2. Overfitting là gì? Làm sao phát hiện và xử lý?
3. Precision vs Recall — khi nào nên ưu tiên cái nào trong bài toán ngân hàng (ví dụ: phát hiện gian lận)?
4. ROC-AUC và PR-AUC khác nhau thế nào?
5. Transformer hoạt động như thế nào? Self-attention là gì?
6. Fine-tuning LLM là gì? So sánh với Prompt Engineering và RAG?
Vòng Technical — Câu hỏi Speech AI & Conversational AI (điểm cộng lớn)
7. ASR (Automatic Speech Recognition) pipeline gồm những bước nào? Bạn biết những model nào (Whisper, Wav2Vec2, Conformer...)?
8. Làm sao đánh giá chất lượng một Voice Bot? Các metric quan trọng?
9. RAG hoạt động thế nào? Làm sao tối ưu retrieval quality?
10. Agentic AI khác gì so với chatbot truyền thống? Tool calling là gì?
11. Làm sao xử lý giọng nói tiếng Việt có dấu, phương ngữ vùng miền?
12. Latency của Voice Bot — làm sao giảm thời gian phản hồi xuống dưới 1 giây?
Vòng Business — Câu hỏi tình huống ngân hàng
13. Nếu phải xây dựng AI Chatbot tư vấn sản phẩm thẻ tín dụng, bạn tiếp cận thế nào từ đầu?
14. Làm sao đảm bảo AI không tiết lộ thông tin khách hàng hoặc vi phạm quy định NHNN?
15. Nếu model accuracy chỉ đạt 85%, bạn có dám triển khai không? Vì sao?
Câu hỏi mềm
16. Tại sao bạn muốn làm AI trong ngân hàng mà không phải ở công ty tech (FPT, VNG...)?
17. Mô tả một dự án khó nhất bạn đã làm. Bạn học được gì?
18. Bạn cập nhật công nghệ AI mới như thế nào?
---
3. Tips chuẩn bị quan trọng
📌 Trước phỏng vấn 1 tuần
- ✅ Đọc kỹ báo cáo thường niên VPBank, các sản phẩm chính (thẻ, vay, tiết kiệm số)
- ✅ Tìm hiểu về VPBank Neo — app ngân hàng số, vì nhiều use case AI hướng đến đây
- ✅ Xem tin tức về chiến lược chuyển đổi số của VPBank gần đây
- ✅ Chuẩn bị 2-3 dự án có số liệu cụ thể (tăng bao nhiêu % conversion, giảm bao nhiêu giây xử lý...)
📌 Trong ngày phỏng vấn
- ✅ Mang theo laptop có sẵn demo (nếu được), hoặc link GitHub repo
- ✅ Chuẩn bị sẵn 3-5 slide giới thiệu bản thân + dự án (nếu phỏng vấn onsite)
- ✅ Đặt câu hỏi ngược cho interviewer: "Team hiện đang dùng stack nào? Có những use case AI nào đang chạy production?"
---
4. Dress Code
- Vòng HR/Manager: Smart casual hoặc áo sơ mi (vest không bắt buộc)
- Vòng Technical: Business casual, gọn gàng, thoải mái
- VPBank: Không quá formal như Techcombank/Vietcombank, nhưng vẫn nên lịch sự
- Nếu phỏng vấn online: Áo sơ mi, background sạch sẽ, ánh sáng tốt
Lộ trình ôn thi
Lộ trình ôn tập & chuẩn bị trong 1-2 tuần
Tuần 1 — Nền tảng kỹ thuật
Ngày 1-2: Ôn lại Python + SQL
- Python: Luyện Pandas, NumPy, xử lý missing values, outliers, feature engineering
- SQL: Window functions, CTEs, GROUP BY nâng cao, time series queries
- Tài liệu: LeetCode SQL 50 bài medium, Kaggle Pandas exercises
Ngày 3-4: ML cốt lõi
- Hồi quy (Linear, Logistic), cây quyết định, Random Forest, XGBoost, LightGBM
- Các metric: Accuracy, Precision, Recall, F1, ROC-AUC, PR-AUC
- Cross-validation, Grid Search, Hyperparameter tuning
- Tài liệu: "Hands-On Machine Learning" (Aurélien Géron), Kaggle Titanic Competition
Ngày 5: Deep Learning cơ bản
- Neural Network, CNN, RNN, LSTM
- Backpropagation, Gradient Descent, Optimizers (Adam, SGD)
- Tài liệu: Deep Learning Specialization (Coursera - Andrew Ng) — phần 1-3
Ngày 6-7: Transformer & NLP
- Self-attention, Multi-head Attention, Positional Encoding
- BERT, GPT, T5 (hiểu kiến trúc, không cần implement từ đầu)
- Tokenization, Word Embedding, Sentence Embedding
- Tài liệu: "Attention is All You Need" paper, HuggingFace NLP Course (miễn phí)
---
Tuần 2 — Speech AI & GenAI (điểm tạo khác biệt)
Ngày 8-9: Speech AI / ASR / TTS
- ASR Models: Whisper (OpenAI), Wav2Vec2 (Meta), Conformer (Google)
- TTS Models: Tacotron, VITS, XTTS (hỗ trợ tiếng Việt)
- Pipeline thực tế: Audio → ASR → Text → NLU → Response → TTS → Audio
- Thử nghiệm: Dùng Whisper transcribe file audio tiếng Việt, đánh giá WER (Word Error Rate)
- Tài liệu: OpenAI Whisper GitHub, HuggingFace Audio Course
Ngày 10: LLM & GenAI
- OpenAI API, Anthropic Claude API, Google Gemini API
- Prompt Engineering: Zero-shot, Few-shot, Chain-of-Thought, ReAct
- Fine-tuning: LoRA, QLoRA, PEFT
- Tài liệu: LangChain docs, LlamaIndex docs, DeepLearning.AI Prompt Engineering course
Ngày 11: RAG & Vector Database
- Vector Database: FAISS, Chroma, Weaviate, Pinecone, Milvus
- Embedding models: text-embedding-3, BGE, Vietnamese-specific embeddings
- RAG pipeline: Document Loading → Chunking → Embedding → Retrieval → Generation
- Thử nghiệm: Xây dựng RAG với tài liệu nội bộ (ví dụ: FAQ ngân hàng)
Ngày 12: Agentic AI
- LangChain Agents, LangGraph, AutoGen, CrewAI
- Tool Calling, Function Calling
- Multi-agent systems
- Thử nghiệm: Xây dựng agent có thể tra cứu tỷ giá, lãi suất, tạo ticket CSKH
Ngày 13-14: Mocks & Portfolio
- Luyện phỏng vấn: Tự record video trả lời câu hỏi, xem lại
- Cập nhật CV + GitHub: Highlight các dự án Speech/Conversational AI
- Chuẩn bị 3 dự án demo có số liệu rõ ràng
---
Tài liệu tham khảo quan trọng
| Chủ đề | Tài liệu | Link/Note |
|---|---|---|
| ML Foundations | "Hands-On ML with Scikit-Learn, Keras and TensorFlow" | Aurélien Géron |
| Deep Learning | Deep Learning Book (Goodfellow) | Free online |
| NLP/Transformer | "Speech and Language Processing" | Dan Jurafsky, Stanford (free) |
| LLM Engineering | "Build a Large Language Model (From Scratch)" | Sebastian Raschka |
| Speech AI | "Automatic Speech Recognition" | Lecture slides của các trường |
| MLOps | "Designing Machine Learning Systems" | Chip Huyen |
| LangChain/LlamaIndex | Official documentation | LangChain.com |
| Vietnamese NLP | Underthesea, PhoBERT, ViT5 | GitHub |
---
Dự án nên làm trước khi apply
1. Voice Bot tiếng Việt: Dùng Whisper + GPT + TTS → Demo trên Streamlit/Gradio
2. RAG Chatbot cho FAQ ngân hàng: Sử dụng LangChain + FAISS + GPT
3. Fine-tuning LLM tiếng Việt: Dùng LoRA với mô hình Vistral/Vietnamese Llama
4. Sentiment Analysis cho review khách hàng: BERT/PhoBERT + dashboard
> 💡 Mẹo pro: Nếu thiếu thời gian, làm 1 dự án thật tốt (deploy lên cloud, có user thật dùng) sẽ tốt hơn 10 dự án trên GitHub không ai xem.
Tư vấn nghề nghiệp
Lời khuyên sự nghiệp — Data Scientist tại VPBank
1. Lộ trình thăng tiến trong ngân hàng
```
Fresher/Junior DS (0-2 năm)
↓
Data Scientist (1-3 năm) ← Vị trí này
↓
Senior Data Scientist (3-5 năm)
↓
Lead Data Scientist / AI Architect (5-8 năm)
↓
Head of Data Science / CDO (8+ năm)
```
Mốc thời gian thực tế tại VPBank
- Năm 1-2: Làm quen môi trường ngân hàng, làm chủ 1-2 use case đơn giản (như Recommendation, Churn Prediction)
- Năm 2-3: Dẫn dắt 1 use case end-to-end, mentor junior
- Năm 3-5: Senior, định hướng kỹ thuật cho team, kiến trúc hệ thống AI
- Năm 5+: Quản lý team 5-10 người hoặc chuyên gia cao cấp
---
2. Mức lương kỳ vọng theo cấp bậc (tham khảo 2025-2026)
| Cấp bậc | Kinh nghiệm | Mức lương Gross (VNĐ/tháng) | Tổng thu nhập năm (gồm 13-18 tháng) |
|---|---|---|---|
| Junior Data Scientist | 0-2 năm | 18-25 triệu | 280-450 triệu |
| Data Scientist (vị trí này) | 1-3 năm | 25-40 triệu | 400-720 triệu |
| Senior Data Scientist | 3-5 năm | 40-65 triệu | 650M - 1.1 tỷ |
| Lead Data Scientist | 5-8 năm | 60-100 triệu | 1-1.8 tỷ |
| Head/Manager | 8+ năm | 90-150 triệu | 1.5-2.7 tỷ |
> 💡 Lưu ý: VPBank là ngân hàng tư nhân, lương thường cao hơn big4 nhà nước (VCB, BID, CTG, AGR). Gói 15-18 tháng lương là rất cạnh tranh. Ngoài ra còn có stock/ESOP tùy cấp bậc và thời điểm.
---
3. Kỹ năng cần phát triển thêm trong 1-2 năm tới
Ưu tiên cao 🔥
- MLOps thực chiến: Triển khai model lên production, monitoring, A/B testing
- LLM Fine-tuning & Quantization: Kỹ năng cốt lõi cho làm AI ngân hàng (bảo mật dữ liệu)
- Edge AI / On-device deployment: Cho mobile banking app
- Knowledge Graph: Áp dụng cho chống gian lận, quản lý quan hệ khách hàng
Ưu tiên trung bình
- Data Engineering: Spark, Airflow, Kafka — để hiểu pipeline dữ liệu
- BI & Dashboard: Power BI, Tableau — cho stakeholder truy cập insight
- Tiếng Anh: Đọc paper, tham gia hội thảo quốc tế
Phát triển bản thân
- Tham gia cộng đồng AI Việt Nam: VietAI, AI4VN, Kaggle Vietnam
- Viết blog / chia sẻ: Tăng uy tín, network
- Lấy chứng chỉ cloud khi có budget từ công ty
---
4. So sánh: VPBank vs các lựa chọn khác
| Tiêu chí | VPBank | Fintech (MoMo, ZaloPay) | Big Tech VN (FPT, VNG) | Bank nhà nước |
|---|---|---|---|---|
| Lương | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |
| Dữ liệu | ⭐⭐⭐⭐⭐ (rất nhiều) | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ |
| Work-life balance | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| Độ chính trong dự án | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| Cơ hội học GenAI | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐ |
| Brand cho CV | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
> Gợi ý chiến lược: Nếu bạn thích dữ liệu lớn + ứng dụng AI thực tế vào business + mức lương tốt, VPBank là lựa chọn rất sáng. Nếu muốn research nhiều hơn, hãy cân nhắc FPT AI hoặc VinAI.
---
5. Lời khuyên cuối cùng
🎯 Vị trí này phù hợp với ai?
- Data Scientist 1-3 năm muốn chuyển sang mảng Generative AI/Speech AI
- ML Engineer muốn apply AI vào ngân hàng (dữ liệu nhiều hơn, bài toán thực tế)
- Sinh viên mới ra trường có portfolio Speech/NLP mạnh
- Người đang làm ở fintech muốn chuyển sang ngân hàng để ổn định hơn
⚠️ Cân nhắc trước khi apply
- Ngân hàng có quy trình pháp lý chặt chẽ → tốc độ triển khai chậm hơn tech company
- Tuân thủ NHNN về AI trong tài chính → có nhiều ràng buộc
- Nếu bạn thích "build từ đầu không giới hạn", ngân hàng có thể không phải nơi phù hợp
🚀 Action items ngay bây giờ
1. Cập nhật CV, highlight dự án Speech AI/NLP/GenAI
2. Làm 1 dự án demo Voice Bot tiếng Việt deploy lên cloud
3. Research về VPBank và ứng dụng AI hiện có của họ
4. Apply sớm — vị trí tốt đóng nhanh trong 2-4 tuần
Câu hỏi thường gặp
Em mới ra trường, có 6 tháng thực tập làm ML ở công ty fintech. Em có nên apply vị trí Data Scientist tại VPBank không khi JD ghi 1-3 năm kinh nghiệm?
Hoàn toàn có thể apply! JD ghi "tối thiểu 1-3 năm" là mong muốn lý tưởng nhưng VPBank vẫn xét trường hợp ngoại lệ nếu bạn có portfolio ấn tượng. Bí quyết: (1) Làm 1-2 dự án demo Speech AI hoặc RAG Chatbot thực tế, deploy lên cloud và chia sẻ link GitHub; (2) Trong CV, đừng ghi "thực tập" mà ghi rõ "đã tham gia phát triển", kèm số liệu (ví dụ: "xây dựng chatbot giảm 30% thời gian xử lý CSKH"); (3) Chuẩn bị sẵn để giải thích bài học từ thực tập và cách bạn tự học thêm GenAI. Nhiều trường hợp VPBank vẫn tuyển junior nếu tiềm năng rõ.
Lương Data Scientist VPBank khoảng bao nhiêu cho người có 2 năm kinh nghiệm? Em đang nhận offer 35 triệu ở công ty fintech nhỏ, có nên nhảy sang?
Với 2 năm kinh nghiệm tại VPBank, mức gross dao động 28-40 triệu/tháng, tổng thu nhập năm (gồm thưởng 13-18 tháng + các khoản khác) có thể đạt 450-700 triệu. So với 35 triệu ở fintech nhỏ: (1) Thu nhập có thể tương đương nhưng ổn định hơn; (2) VPBank có brand mạnh hơn cho CV tương lai; (3) Được tiếp cận lượng dữ liệu khách hàng cực lớn (hàng chục triệu KH), điều fintech nhỏ không có; (4) Hệ sinh thái đa dạng (Bank + Chứng khoán + Bảo hiểm) tạo cơ hội chuyển đội nội bộ; (5) Nhược điểm: quy trình chậm hơn, ít quyền quyết định hơn. Nếu bạn ưu tiên sự ổn định và phát triển dài hạn → VPBank. Nếu ưu tiên tốc độ và equity → ở lại fintech.
Em đang làm Data Analyst ở ngân hàng khác (BIDV) 4 năm, muốn chuyển sang làm Data Scientist tại VPBank. Có khả thi không và cần chuẩn bị gì?
Rất khả thi và đây là profile VPBank đang tìm! Với 4 năm DA ở BIDV, bạn có lợi thế lớn về: (1) Hiểu biết nghiệp vụ ngân hàng (tín dụng, thẻ, tiền gửi, khách hàng...); (2) Quen thuộc quy trình tuân thủ NHNN; (3) Có data lineage và quan hệ với stakeholders. Tuy nhiên, cần bổ sung: (1) Kỹ năng Python/ML thực chiến — làm 2-3 dự án ML cá nhân (churn, fraud, recommendation); (2) GenAI/LLM — học LangChain, làm 1 RAG project đơn giản; (3) SQL nâng cao — window functions, optimization; (4) Cloud platform cơ bản — AWS/Azure free tier. Khi phỏng vấn, nhấn mạnh vào "domain expertise + technical upskilling". Đây là combo VPBank rất thích vì junior mạnh kỹ thuật nhưng không hiểu ngân hàng sẽ khó triển khai thực tế.
Speech AI và Conversational AI khác nhau như thế nào? Vị trí này em nên tập trung học cái nào trước?
Speech AI và Conversational AI là 2 mảng liên quan nhưng khác biệt: Speech AI tập trung xử lý âm thanh/giọng nói — bao gồm ASR (Speech-to-Text), TTS (Text-to-Speech), Speaker Recognition, Noise Reduction. Conversational AI tập trung vào hội thoại — Chatbot, Voice Bot, Intent Recognition, Dialogue Management, Context tracking. Trong thực tế Voice Bot = Speech AI (ở 2 đầu) + Conversational AI (ở giữa). Lộ trình học gợi ý: Tuần 1-2 học Conversational AI trước (dễ hơn, dùng LLM + RAG + LangChain); Tuần 3-4 mới học Speech AI (cần hiểu về audio, signal processing, Whisper, TTS). Nếu chỉ có 1 tuần, ưu tiên Conversational AI + RAG vì đây là phần "business impact" rõ nhất với ngân hàng.
Em làm ML Engineer 3 năm ở FPT Software, giờ muốn chuyển sang VPBank làm AI cho ngân hàng. Cần học thêm những gì?
Nền tảng của em đã khá vững (Python, ML, có thể đã có cloud). Cần bổ sung 3 trụ cột: (1) Domain knowledge ngân hàng: Tìm hiểu về Basel II/III, tỷ lệ dự phòng, NPL, CIC, scoring tín dụng, các quy định NHNN về AI (Decision 2345/QĐ-NHNN năm 2023 về triển khai giải pháp AI). Đọc báo cáo thường niên của VPBank 2 năm gần nhất. (2) Generative AI: Học LangChain, LLM APIs, RAG, Fine-tuning cơ bản (LoRA), Vector Database — đây là yêu cầu mạnh trong JD. (3) Data trong ngân hàng: Dữ liệu ngân hàng rất lớn, nhiều loại (transaction, CRM, social media, call center audio) — học Spark, Data Lake, Data Warehouse concepts. Ngoài ra, kỹ năng mềm: thuyết trình cho người không kỹ thuật (cán bộ tín dụng, chi nhánh) quan trọng không kém technical skill.
Công việc Data Scientist ngân hàng có áp lực KPI không? Một ngày đi làm cụ thể như thế nào?
Có KPI nhưng khác với sales. KPI của Data Scientist ngân hàng thường gồm: (1) Số use case AI deploy lên production; (2) Business impact đo lường được (tăng conversion, giảm churn, giảm thời gian xử lý); (3) Chất lượng mô hình (accuracy, stability); (4) Đóng góp vào AI platform dùng chung; (5) Cải tiến kỹ thuật / research paper nội bộ. Một ngày điển hình: 9h-9h30 daily standup với team; 9h30-12h coding/experiment/model training; 13h-14h lunch; 14h-16h meeting với đơn vị kinh doanh hoặc review code; 16h-17h30 document, học kỹ thuật mới, viết blog nội bộ. Giờ giấc linh hoạt hơn tech company — thường 8h-17h hoặc 9h-18h, ít khi OT đến 10-11h đêm như startup. Thứ 7 đôi khi họp nhưng không thường xuyên.
Em đọc JD thấy có yêu cầu về GenAI nhưng em mới chỉ biết ML truyền thống (sklearn, XGBoost). Có cần học GenAI trước khi apply không?
Không nhất thiết phải master GenAI trước khi apply, nhưng PHẢI có kiến thức nền tảng. Ngưỡng tối thiểu: (1) Hiểu LLM là gì, cách gọi OpenAI/Claude API; (2) Biết Prompt Engineering cơ bản (zero-shot, few-shot, CoT); (3) Hiểu RAG là gì và tại sao quan trọng với ngân hàng; (4) Biết LangChain ở mức cơ bản; (5) Có thể demo 1 chatbot đơn giản. Thời gian học: 1-2 tuần focused learning là đủ để apply. VPBank đánh giá cao việc "đang trong quá trình upskill" hơn là "đã biết hết". Trong CV, ghi rõ: "Đã tự học và xây dựng demo RAG chatbot với LangChain + FAISS" kèm link GitHub sẽ gây ấn tượng tốt. Phỏng vấn có thể hỏi sâu hơn về prompt engineering, vector DB, evaluation metrics.
Sau 2-3 năm làm Data Scientist ở VPBank, em có thể nhảy sang đâu? Lộ trình nghề nghiệp dài hạn như thế nào?
Có nhiều hướng đi rất sáng: (1) Ở lại VPBank lên Senior/Lead — sau 3-5 năm, lương 60-100 triệu, quản lý team 5-10 người, tham gia định hướng chiến lược AI ngân hàng; (2) Nhảy sang công ty tech lớn hơn (VinAI, FPT AI, Zalo AI) để làm research sâu hơn; (3) Chuyển sang Fintech/Insurance (MoMo, VNPay, Manulife, Prudential) — vẫn là AI nhưng môi trường agile hơn; (4) Ra nước ngoài — kinh nghiệm AI trong banking ở Việt Nam được đánh giá cao tại Singapore, Nhật, EU; (5) Khởi nghiệp — sau khi hiểu sâu pain point ngân hàng, có thể build startup AI cho BFSI; (6) Tư vấn / Freelance — Data Science consultant cho SME ngân hàng vừa và nhỏ. Nói chung, nền tảng Data Science trong ngân hàng lớn là "insurance" nghề nghiệp rất tốt, mở ra nhiều hướng đi đa dạng.