Data Scientist
Mô tả công việc
Mô tả công việc: Chịu trách nhiệm (i) Phát triển các mô hình học máy; (ii) Bảo mật các mô hình; (iii) Xây dựng giải pháp AI/ML cho các qui trình nghiệp vụ.
Yêu cầu công việc:
1. Phát triển mô hình - 35%
- Thiết kế, triển khai và tối ưu hóa các mô hình học sâu, các kỹ thuật AI tạo sinh (ví dụ: GAN, VAE, Graph RAG), và các kĩ thuật học máy hiện đại như học Tăng cường (Reinforcement Learning), học Chuyển giao (Transfer Learning), học Liên kết (Federated Learning) để tạo ra các mô hình có khả năng dự đoán chất lượng cao và tạo ra dữ liệu tổng hợp.
- Theo dõi và phân tích sự thay đổi dữ liệu (sự thay đổi biến phụ thuộc, sự thay đổi nhãn) để đảm bảo hiệu suất và khả năng thích ứng của mô hình theo thời gian. Triển khai các chiến lược để điều chỉnh các mô hình theo sự thay đổi phân phối dữ liệu (data distribution).
2. Bảo mật mô hình - 15%
- Hiểu và giảm thiểu rủi ro liên quan đến các cuộc tấn công đầu độc mô hình (model poisoning attacks), đảm bảo tính toàn vẹn và độ tin cậy của các mô hình học máy.
- Tiến hành các kiểm thử để xác thực hiệu suất của mô hình, bao gồm kiểm thử A/B và đánh giá hiệu suất theo các tiêu chuẩn của ngành.
- Phát triển các dashboard, mô hình hoá, trực quan hoá số liệu để truyền đạt hiệu quả các phát hiện, và đưa ra khuyến nghị cho các bên liên quan.
3. Giải pháp AI/ML cho các quy trình kinh doanh - 20%
- Làm việc chặt chẽ với các nhóm liên chức năng để tích hợp các giải pháp AI vào các quy trình kinh doanh.
4. Giải pháp AI/ML cho dự đoán (An ninh, Chống rửa tiền) - 20%
- Luôn cập nhật các nghiên cứu mới nhất về AI tạo sinh, học sâu và bảo mật học máy; áp dụng các công nghệ mới liên quan để cải thiện các phương pháp và mô hình hiện có.
5.Tài liệu hóa - 10%
- Viết tài liệu về các mô hình, phương pháp và kết quả nhằm đảm bảo khả năng tái tạo, chia sẻ kiến thức và tuân thủ các tiêu chuẩn của ngành.
6. Thực hiện các nhiệm vụ khác theo phân công của cấp quản lý.
Yêu cầu:
Tốt nghiệp đại học trở lên các ngành Khoa học máy tính, Thống kê, Toán học hoặc lĩnh vực liên quan; Ưu tiên ứng viên có bằng thạc sĩ hoặc tiến sĩ.
Tối thiểu 7 năm (Chuyên gia)/5 năm (Chuyên viên cao cấp)/3 năm (Chuyên viên chính/Chuyên viên) kinh nghiệm với trọng tâm là AI tạo sinh, học sâu và các kỹ thuật học máy nâng cao.
Thành thạo các ngôn ngữ lập trình như Python hoặc R, có kinh nghiệm trong các thư viện học máy (ví dụ: TensorFlow, PyTorch, Keras).
Hiểu biết sâu sắc về kiến trúc học sâu (ví dụ: CNN, RNN, Transformers) và các mô hình tạo sinh. Kinh nghiệm áp dụng AI tạo sinh và các kỹ thuật học sâu trong các ngành cụ thể như tài chính hoặc an ninh mạng.
Kinh nghiệm với các kỹ thuật phát hiện data shifts và các chiến lược để điều chỉnh các mô hình cho phù hợp với các phân phối dữ liệu (data distribution) mới.
Có kinh nghiệm với các kỹ thuật để xác định và giảm thiểu các cuộc tấn công đầu độc mô hình (model poisoning attacks).
Thành thạo SQL và có kinh nghiệm về thao tác và phân tích dữ liệu bằng các thư viện như Pandas hoặc Dask.
Khả năng phân tích và giải quyết vấn đề, có kinh nghiệm về việc diễn giải, trình bày các tập dữ liệu phức tạp và số liệu hiệu suất mô hình. Quen thuộc với các công cụ trực quan hóa dữ liệu (ví dụ: PowerBI, Matplotlib), hệ thống kiểm soát phiên bản (ví dụ: Git) và nền tảng đám mây (ví dụ: AWS, Azure, Google Cloud).
Kiến thức về các công nghệ dữ liệu lớn (ví dụ: BigQuery, Spark) và kinh nghiệm triển khai các mô hình học máy trong môi trường doanh nghiệp.
Quen thuộc với các kỹ thuật, công cụ và các bộ khung chuẩn Xử lý ngôn ngữ tự nhiên (NLP) để tạo và phân tích văn bản.
Khả năng giao tiếp tốt bằng tiếng Anh.
Phân tích kỹ năng cần có
Phân tích kỹ năng cho vị trí Data Scientist tại VIB
1. Tổng quan vị trí
Đây là vị trí Data Scientist cấp cao trong Khối Công nghệ Thông tin của VIB, tập trung vào AI tạo sinh (Generative AI), học sâu (Deep Learning) và bảo mật mô hình — đặc biệt ứng dụng cho lĩnh vực tài chính, an ninh mạng và chống rửa tiền (AML). Đây không phải vị trí Data Scientist thông thường — yêu cầu rất cao về chuyên môn AI/ML nâng cao.
2. Hard Skills bắt buộc
2.1. Lập trình & Framework
- Python hoặc R thành thạo (Python được ưu tiên hơn trong ngân hàng)
- TensorFlow, PyTorch, Keras — ít nhất 2 framework phải dùng thành thạo
- SQL — thành thạo vì dữ liệu ngân hàng chủ yếu lưu trong data warehouse
- Pandas, Dask — xử lý dữ liệu lớn
2.2. Kiến trúc Deep Learning
| Kiến trúc | Ứng dụng trong ngân hàng |
|---|---|
| CNN (Convolutional Neural Network) | Phân tích hình ảnh chữ ký, OCR trên chứng từ |
| RNN/LSTM | Dự đoán chuỗi thời gian giao dịch, phát hiện gian lận |
| Transformers | NLP cho chatbot, phân tích văn bản hợp đồng, Graph RAG |
| GAN/VAE | Sinh dữ liệu tổng hợp cho mô phỏng giao dịch |
| Graph Neural Networks | Phát hiện mạng lưới rửa tiền |
2.3. Kỹ thuật ML nâng cao (khác biệt so với vị trí DS thường)
- Reinforcement Learning — tối ưu chiến lược phát hiện gian lận
- Transfer Learning — áp dụng mô hình pre-trained cho bài toán ngân hàng
- Federated Learning — quan trọng vì dữ liệu ngân hàng phải tuân thủ quy định bảo mật
- Graph RAG — retrieval-augmented generation trên đồ thị tri thức
2.4. Data Drift / Concept Drift
- Phát hiện sự thay đổi phân phối dữ liệu (data distribution shift)
- Chiến lược tái huấn luyện mô hình
- Monitoring model performance theo thời gian
2.5. Model Security (điểm khác biệt lớn)
- Model poisoning attacks — tấn công đầu độc mô hình
- A/B testing chuyên sâu
- Adversarial robustness
3. Soft Skills quan trọng
- Giao tiếp liên chức năng: Làm việc với team an ninh, AML, nghiệp vụ tín dụng
- Kỹ năng viết tài liệu (10% trọng số công việc)
- Tư duy kinh doanh: Hiểu quy trình ngân hàng để đề xuất giải pháp AI
- Khả năng nghiên cứu: Cập nhật paper mới liên tục
4. Chứng chỉ nên có (ưu tiên theo thứ tự)
1. AWS Certified Machine Learning – Specialty hoặc Azure AI Engineer (quan trọng vì VIB chạy cloud)
2. TensorFlow Developer Certificate hoặc PyTorch Certification
3. Certified Data Scientist (DSP/IBM) — nền tảng
4. SAS Certified Data Scientist — có giá trị trong lĩnh vực tài chính
5. CCSP/CISSP — nếu muốn đi sâu về security
5. Yêu cầu học vấn
- Tốt thiểu: Đại học ngành CNTT/Thống kê/Toán
- Ưu tiên: Thạc sĩ hoặc Tiến sĩ (đặc biệt với cấp Chuyên gia)
- Ưu tiên ứng viên từ chương trình liên quan AI/ML/Data Science
6. Kinh nghiệm theo cấp bậc
| Cấp bậc | Kinh nghiệm tối thiểu | Mô tả |
|---|---|---|
| Chuyên viên | 3 năm | Junior/Mid-level |
| Chuyên viên chính | 3 năm | Mid-level |
| Chuyên viên cao cấp | 5 năm | Senior |
| Chuyên gia | 7 năm | Expert/Lead |
Chuẩn bị phỏng vấn
Hướng dẫn phỏng vấn Data Scientist tại VIB
Quy trình tuyển dụng dự kiến (3-5 vòng)
Vòng 1: HR Screening (30-45 phút)
- Giới thiệu bản thân, kinh nghiệm
- Lý do ứng tuyển VIB
- Mức lương mong muốn
- Khả năng đi làm
Vòng 2: Technical Test / Assignment (có thể có)
- Coding challenge trên Python, SQL
- Bài toán ML end-to-end (từ EDA → modeling → evaluation)
- Có thể yêu cầu take-home assignment 24-48h
Vòng 3: Technical Deep-dive (60-90 phút, 1-2 interviewers)
- Kiến thức nền tảng ML/DL
- Case study banking
- Thiết kế hệ thống ML
Vòng 4: Manager Interview (45-60 phút)
- Tầm nhìn chiến lược AI trong ngân hàng
- Quản lý dự án, stakeholder management
- Fit với văn hóa VIB
Vòng 5: Final / Director Interview
- Alignment về mục tiêu dài hạn
- Compensation negotiation
---
Câu hỏi kỹ thuật hay gặp
Nhóm 1: Deep Learning cơ bởi
1. Sự khác biệt giữa Batch Normalization và Layer Normalization?
- Gợi ý: BN chuẩn hóa theo batch (tốt cho CNN), LN chuẩn hóa theo feature (tốt cho Transformer/RNN)
2. Tại sao Transformer tốt hơn RNN cho sequence modeling?
- Parallelization, long-range dependencies, attention mechanism
3. Self-attention hoạt động như thế nào?
- Q, K, V matrices; scaled dot-product attention
4. Giải thích kiến trúc GAN
- Generator vs Discriminator, mode collapse, training instability
Nhóm 2: Generative AI
5. Sự khác biệt giữa GAN, VAE và Diffusion Models?
6. Graph RAG hoạt động như thế nào?
7. Làm sao đánh giá chất lượng output của generative model?
- FID, IS, BLEU, perplexity, human evaluation
Nhóm 3: Banking / AML / Security
8. Làm thế nào để phát hiện rửa tiền bằng ML?
- Rule-based + anomaly detection + graph analysis
- False positive rate, precision-recall trade-off
9. Data drift trong bài toán fraud detection ảnh hưởng thế nào?
- Concept drift theo mùa, thói quen tiêu dùng thay đổi
10. Model poisoning attack là gì? Làm sao phòng chống?
- Adversarial training, data sanitization, robust statistics
Nhóm 4: System Design
11. Thiết kế hệ thống fraud detection real-time
- Streaming (Kafka), feature store, online inference, model monitoring
12. Làm sao đảm bảo model không leak dữ liệu khách hàng?
- Federated learning, differential privacy, secure enclaves
Nhóm 5: Behavioral
13. Mô tả dự án AI phức tạp nhất bạn đã làm?
14. Khi model performance giảm trong production, bạn xử lý thế nào?
15. Làm sao thuyết phục stakeholder không có background kỹ thuật về giá trị của model?
---
Tips chuẩn bị
Trước phỏng vấn 1 tuần
- ✅ Đọc về VIB: chiến lược chuyển đổi số, sản phẩm digital banking, MyVIB app
- ✅ Đọc paper gần đây về: Graph Neural Networks trong AML, LLM trong finance
- ✅ Review lại project đã làm, chuẩn bị STAR format
- ✅ Ôn lại kiến thức nền: bias-variance, regularization, evaluation metrics
Trong phỏng vấn
- 🎯 Dùng phương pháp STAR cho câu hỏi behavioral
- 🎯 Think aloud khi giải case study
- 🎯 Đặt câu hỏi ngược cho interviewer — thể hiện sự tò mò
- 🎯 Nếu không biết, hãy thừa nhận và nói cách bạn sẽ tìm hiểu
Dress code
- VIB có văn hóa business casual đến formal
- Đề xuất: sơ mi + quần tây, hoặc blazer cho vòng final
- Tránh quá casual vì đây là ngân hàng
Câu hỏi nên hỏi interviewer
- "Team hiện tại có bao nhiêu người? Tech stack chính là gì?"
- "Roadmap AI/ML của VIB trong 1-2 năm tới như thế nào?"
- "Quy trình deploy model ra production hiện tại ra sao?"
- "VIB có chương trình research collaboration với trường đại học không?"
Lộ trình ôn thi
Lộ trình ôn tập 2 tuần cho Data Scientist VIB
Tuần 1: Nền tảng kỹ thuật
Ngày 1-2: Python & SQL nâng cao
- Python: OOP, decorators, generators, async/await, type hints
- SQL: window functions, CTE, optimization, time-series queries
- Thực hành: LeetCode SQL 30 câu medium-hard
Ngày 3-4: Deep Learning cốt lõi
- Lý thuyết: Backpropagation, optimization (Adam, SGD), regularization
- Kiến trúc: CNN, RNN/LSTM/GRU, Transformers, attention mechanism
- Tài liệu:
- "Deep Learning" — Ian Goodfellow (Chương 6-10)
- "Attention Is All You Need" paper
- Hugging Face course miễn phí
Ngày 5-6: Generative AI
- GAN: paper gốc, conditional GAN, StyleGAN
- VAE: ELBO, reparameterization trick
- Diffusion Models: DDPM, latent diffusion
- LLM: GPT architecture, fine-tuning (LoRA, QLoRA), RAG
- Graph RAG: Microsoft GraphRAG, Neo4j integration
- Tài liệu:
- Lilian Weng's blog posts về generative models
- Fast.ai course về practical deep learning
Ngày 7: Federated Learning & Transfer Learning
- FedAvg algorithm, privacy-preserving ML
- Pre-trained models, fine-tuning strategies
- Differential privacy basics
Tuần 2: Banking domain & System Design
Ngày 8-9: ML trong Finance & AML
- Tài liệu bắt buộc:
- FATF (Financial Action Task Force) reports về AML
- Các paper về fraud detection bằng ML
- ACAMS (Association of Certified Anti-Money Laundering Specialists) materials
- Case studies: PayPal fraud detection, JPMorgan COiN, HSBC AML
- Hiểu regulations: SBV (State Bank of Vietnam) requirements
Ngày 10-11: Model Security & MLOps
- Adversarial ML:
- "Adversarial Examples in the Physical World" paper
- FGSM, PGD attacks
- Data drift detection:
- KL divergence, PSI (Population Stability Index)
- Alibi Detect library
- MLOps:
- MLflow, Kubeflow, Vertex AI
- Model monitoring (Evidently AI, WhyLabs)
- Feature store (Feast, Tecton)
Ngày 12: System Design cho ML systems
- Real-time inference vs batch
- Streaming: Apache Kafka, Flink
- Vector databases: Pinecone, Weaviate, Milvus
- Case study: thiết kế fraud detection pipeline
Ngày 13: Mock interview + review
- Luyện giải thích các concept phức tạp một cách đơn giản
- Practice: giải thích Graph RAG cho một stakeholder không kỹ thuật
Ngày 14: Tinh chỉnh CV + câu chuyện cá nhân
- Chuẩn bị 3 câu chuyện STAR
- Đảm bảo CV highlight được: AI/ML projects, banking domain, security
---
Tài liệu tham khảo gợi ý
Sách
1. "Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow" — Aurélien Géron
2. "Designing Machine Learning Systems" — Chip Huyen (rất phù hợp cho system design)
3. "Machine Learning Engineering" — Andriy Burkov
4. "The Hundred-Page Machine Learning Book" — Andriy Burkov
Khóa học online
- Fast.ai (miễn phí, practical)
- DeepLearning.AI Specialization (Andrew Ng)
- Stanford CS231N (CNN), CS224N (NLP)
- Google Cloud Skills Boost (cho ML on GCP)
Blogs/Resources
- Papers with Code — đọc paper + code implementation
- Distill.pub — giải thích trực quan
- Lilian Weng's blog — AI research explained
- Sebastian Ruder's blog — NLP
Community Việt Nam
- Viblo.asia, Teky Academy forum
- Vietnam AI / AI Community Vietnam (Facebook)
- Data Science Vietnam group
---
Checklist kiến thức cần đạt trước phỏng vấn
- [ ] Giải thích được Transformer từ đầu đến cuối (không nhìn notes)
- [ ] Phân biệt được GAN/VAE/Diffusion và use case
- [ ] Vẽ được kiến trúc fraud detection system
- [ ] Biết 3 cách phát hiện data drift
- [ ] Giải thích được model poisoning attack và 2 cách phòng chống
- [ ] Có 3 câu chuyện STAR sẵn sàng
- [ ] Đọc ít nhất 1 paper về ML trong AML/fraud detection
- [ ] Biết về VIB: sản phẩm chính, chiến lược digital, tin tức gần đây
Tư vấn nghề nghiệp
Lời khuyên sự nghiệp cho Data Scientist tại ngân hàng Việt Nam
1. Lộ trình thăng tiến trong ngân hàng
Sơ đồ thăng tiến điển hình
```
Chuyên viên (3 năm exp)
↓ [2-3 năm]
Chuyên viên chính
↓ [3-4 năm]
Chuyên viên cao cấp
↓ [3-5 năm]
Chuyên gia / Trưởng phòng
↓ [3-5 năm]
Phó Giám đốc khối / Giám đốc trung tâm AI
```
Vai trò & Trọng tâm theo cấp
| Cấp bậc | Trọng tâm công việc | Kỹ năng cần phát triển |
|---|---|---|
| Chuyên viên | Code, build model, học hỏi | Technical depth |
| Chuyên viên chính | End-to-end ownership, mentor junior | Project management |
| Chuyên viên cao cấp | Lead dự án phức tạp, cross-team | Stakeholder mgmt, business acumen |
| Chuyên gia | Định hướng chiến lược AI, đổi mới | Vision, leadership, governance |
2. Mức lương kỳ vọng (ước lượng tham khảo)
> Lưu ý: Mức lương có thể thay đổi tùy ngân hàng và thời điểm. Đây chỉ là ước lượng dựa trên thị trường hiện tại.
| Cấp bậc | Kinh nghiệm | Mức lương gross/tháng (VND) |
|---|---|---|
| Chuyên viên | 3 năm | 35 - 55 triệu |
| Chuyên viên chính | 4-5 năm | 50 - 80 triệu |
| Chuyên viên cao cấp | 5-7 năm | 70 - 120 triệu |
| Chuyên gia | 7+ năm | 100 - 180 triệu+ |
| Trưởng phòng / Lead | 10+ năm | 150 - 250 triệu+ |
Yếu tố ảnh hưởng lương:
- Bằng cấp (Master/PhD có thể +20-30%)
- Chứng chỉ quốc tế (AWS ML, GCP ML)
- Kinh nghiệm ở ngân hàng lớn trước đó
- Khả năng tiếng Anh
- Track record về impact thực tế (giảm bao nhiêu % fraud, tăng bao nhiêu conversion)
3. Kỹ năng cần phát triển liên tục
Năm 1-2 tại vị trí
- Domain expertise: Hiểu sâu quy trình ngân hàng (tín dụng, thẻ, tiết kiệm, AML)
- Regulatory knowledge: NHNN regulations, Basel, FATF
- Production skills: Docker, Kubernetes, CI/CD cho ML
- Communication: Trình bày kết quả cho Ban Giám đốc
Năm 3-5
- Leadership: Dẫn dắt team 3-5 người
- Strategy: Định hướng roadmap AI của ngân hàng
- Research: Xuất bản paper hoặc đóng góp open-source
- Cross-industry: Học từ fintech (MoMo, ZaloPay, VNPay)
4. Cơ hội chuyển hướng từ vị trí này
Trong ngân hàng
- Chief Data Officer (CDO)
- Head of AI/ML Center
- Product Manager cho sản phẩm AI banking
Sang fintech / Big Tech
- Senior Data Scientist ở MoMo, ZaloPay, VNPay
- ML Engineer ở Google, Microsoft, Amazon
- AI consultant ở McKinsey, BCG
Khởi nghiệp
- Founder startup fintech với focus AI/ML
- AI advisor cho các SME trong lĩnh vực tài chính
5. Lời khuyên thực tế
Về văn hóa ngân hàng
- 🏦 Quy trình ra quyết định chậm hơn tech company — cần kiên nhẫn
- 📋 Compliance là ưu tiên số 1 — đừng tìm cách "lách"
- 🤝 Quan hệ với các phòng ban (risk, audit, IT) rất quan trọng
- 📊 Impact phải đo lường được bằng tiền (giảm chi phí bao nhiêu, tăng doanh thu bao nhiêu)
Về phát triển kỹ thuật
- 📚 Đừng chỉ đọc paper — hãy implement và benchmark
- 🛠️ Build portfolio GitHub với các dự án banking/finance
- 🎓 Tham gia Kaggle competitions để sharpen skills
- 🌐 Network với community AI Việt Nam và quốc tế
Về personal branding
- ✍️ Viết blog kỹ thuật trên Viblo, Medium
- 🎤 Thuyết trình tại các conference (Vietnam AI Summit, Data Science Vietnam)
- 💼 Xây dựng LinkedIn presence
- 🏆 Tham gia các giải thưởng (VibloCTF, VNG Innovation Awards)
Câu hỏi thường gặp
Em mới ra trường ngành Khoa học Dữ liệu, có thể ứng tuyển vị trí Data Scientist tại VIB này không?
Khả năng cao là KHÔNG phù hợp, bạn ơi. Tin này yêu cầu tối thiểu 3 năm kinh nghiệm cho cấp Chuyên viên, và yêu cầu rất chuyên sâu về Generative AI, Deep Learning nâng cao (GAN, VAE, Graph RAG, Federated Learning, Reinforcement Learning) — đây là những kiến thức không phải mới ra trường là có. Lời khuyên: em nên apply các vị trí Junior Data Scientist, Data Analyst, hoặc ML Engineer fresher tại các công ty fintech hoặc ngân hàng. Tích lũy 2-3 năm rồi hãy apply lại những vị trí tầm này. Trong thời gian đó, hãy tập trung vào các dự án cá nhân về LLM, RAG, fraud detection để có portfolio ấn tượng.
Mức lương cho vị trí Data Scientist 5-7 năm kinh nghiệm tại VIB khoảng bao nhiêu?
Tin đăng ghi "Thỏa thuận" nên không có con số chính thức. Theo thị trường hiện tại, Data Scientist 5-7 năm ở ngân hàng lớn tại TP.HCM thường dao động 70-120 triệu gross/tháng (mức lương có thể thay đổi tùy ngân hàng và thời điểm). Với yêu cầu rất cao về Gen AI và model security (khá hiếm trên thị trường), bạn có thể deal cao hơn, đặc biệt nếu có bằng Master/PhD. Mẹo: khi đàm phán, đừng nói mức cụ thể đầu tiên — hãy hỏi range của team trước. Nếu deal lương cứng, có thể đàm phán thêm: stock/ESOP (ít phổ biến ở ngân hàng), bonus KPI, hỗ trợ học chứng chỉ, ngày nghỉ phép.
Mình đang làm Data Scientist ở công ty fintech 3 năm, muốn chuyển sang ngân hàng. Có nên apply không?
HOÀN TOÀN NÊN apply! Đây là background rất phù hợp. Bạn có kinh nghiệm fintech và 3 năm kinh nghiệm (đạt mức tối thiểu cho cấp Chuyên viên). Tuy nhiên cần chuẩn bị thêm:
1. Ôn lại deep learning nâng cao: GAN, VAE, Graph RAG — nếu fintech bạn làm không liên quan đến generative models thì cần tự học thêm
2. Tìm hiểu về AML: Đây là focus quan trọng của vị trí (20% trọng số). Đọc FATF reports, paper về fraud detection
3. Highlight domain finance: Trong CV, nhấn mạnh các dự án có impact tài chính (giảm fraud bao nhiêu %, tăng conversion bao nhiêu)
4. Hiểu biết về VIB: Ngân hàng này đang đẩy mạnh chuyển đổi số, có nhiều sản phẩm MyVIB — show bạn đã research
Mình có background về cybersecurity, có thể apply vị trí này không hay phải học lại từ đầu?
Bạn có lợi thế rất lớn về phần model security (15% trọng số) vì hiểu về adversarial attacks, model poisoning. Tuy nhiên phần model development (35%) yêu cầu thành thạo Python, TensorFlow/PyTorch và kiến trúc deep learning. Lộ trình đề xuất nếu bạn quyết định apply:
1. Học Python for ML trong 2-3 tháng (Fast.ai course)
2. Làm 2-3 dự án cá nhân:
- GAN sinh dữ liệu tài chính giả
- Phát hiện model poisoning trên dataset MNIST
- Graph RAG cho phân tích giao dịch
3. Apply vào vị trí Hybrid Security + ML ở fintech trước (ví dụ: Trusting Social, Fiin)
4. Sau 1-2 năm, apply lại vị trí như VIB
Hoặc bạn có thể apply thẳng và để HR đánh giá — đôi khi họ sẵn sàng đào tạo nếu candidate có nền tảng tốt.
Yêu cầu 'Generative AI' và 'Graph RAG' là gì? Có cần thiết cho ngân hàng không?
Đây là hai công nghệ rất HOT hiện nay:
Generative AI (GAN, VAE, Diffusion): Trong ngân hàng, ứng dụng chính là sinh dữ liệu tổng hợp (synthetic data) để:
- Mô phỏng giao dịch cho testing mà không lộ dữ liệu khách hàng thật
- Tăng cường dataset khi dữ liệu fraud quá ít (imbalanced data)
- Stress testing cho các scenario hiếm gặp
Graph RAG: Kết hợp Graph Neural Networks với RAG (Retrieval-Augmented Generation). Ứng dụng:
- Phân tích mạng lưới rửa tiền (money laundering networks)
- Chatbot ngân hàng có thể truy xuất thông tin từ knowledge graph
- Phát hiện các mẫu giao dịch bất thường có tính chất mạng lưới
Đây là công nghệ tiên tiến, không phải ngân hàng nào cũng ứng dụng — VIB rõ ràng đang đầu tư nghiêm túc vào AI thế hệ mới. Nếu bạn làm được những thứ này, sẽ là điểm cộng rất lớn.
VIB so với các ngân hàng khác (VCBS, Techcombank, VPBank) trong lĩnh vực AI thì thế nào?
Theo quan sát của mình:
Techcombank: Đi đầu về chuyển đổi số với đối tác McKinsey, có data team mạnh
VPBank/VPBank Neo: Cũng đẩy mạnh AI, có nhiều sản phẩm số
VIB: Được đánh giá cao về tốc độ chuyển đổi số trong những năm gần đây, app MyVIB được đánh giá tốt. Tuy nhiên AI/ML team chưa thực sự nổi bật như Techcombank
VCBS (Vietcombank Securities): Thiên về chứng khoán hơn là ngân hàng bán lẻ
Lời khuyên: Đừng chỉ nhìn vào 1 job — apply 2-3 ngân hàng cùng lúc để có leverage đàm phán. Nếu được chọn, hãy cân nhắc:
- Văn hóa công ty (VIB khá dynamic so với big4 ngân hàng nhà nước)
- Tech stack và data infrastructure
- Cơ hội làm việc với dữ liệu thực
- Brand để CV đẹp hơn
Có nên học Master/PhD trước khi apply vị trí này không?
Nên! Tin này ghi rõ "Ưu tiên ứng viên có bằng thạc sĩ hoặc tiến sĩ". Lý do:
1. Competitive advantage: Ở Việt Nam, Data Scientist có Master/PhD vẫn là minority, sẽ stand out
2. Knowledge depth: Các chương trình Master về AI/DS sẽ cho bạn nền tảng toán vững hơn
3. Salary premium: Thường được +20-30% so với Bachelor
4. Career ceiling: Ở ngân hàng, để lên cấp Chuyên gia/Lead, Master/PhD gần như bắt buộc
Tuy nhiên, nếu bạn đang đi làm rồi và khó break để học full-time, có thể:
- Học Part-time Master ở các trường như UIT, HCMUS, FTU, hoặc chương trình quốc tế (Aalto, NTU, etc.)
- Học Online Master từ Georgia Tech OMSCS, UT Austin MSDS — rẻ hơn nhiều
- Nếu không học Master, hãy tích lũy publications, open-source contributions, certifications để bù đắp
Em đang phân vân giữa apply Data Scientist và Machine Learning Engineer. Hai vị trí này khác nhau thế nào trong ngân hàng?
Khác biệt khá rõ ràng bạn nhé:
Data Scientist (vị trí này):
- Tập trung vào research và model development
- Làm với data scientists thuần túy
- Output: model mới, paper, proof-of-concept
- Ít liên quan đến infrastructure
- Phù hợp người thích nghiên cứu, học thuật
Machine Learning Engineer:
- Tập trung vào production và scale
- Làm việc với software engineers
- Output: model deployed, pipeline ổn định, latency thấp
- Liên quan nhiều đến DevOps, cloud, system design
- Phù hợp người thích engineering, xây dựng hệ thống
Trong ngân hàng, cả hai đều cần thiết. Data Scientist nghĩ ra model, ML Engineer đưa model đó vào production phục vụ hàng triệu khách hàng. Nếu bạn thích:
- Toán, paper, experiment → Data Scientist
- Code, system, deployment → ML Engineer
- Nhiều ngân hàng đăng tuyển "hybrid" role gọi là Applied Scientist hoặc ML Solutions Architect
Trong quá trình phỏng vấn, nếu được hỏi về Graph RAG mà mình chưa biết thì trả lời thế nào?
Câu hỏi này có thể là test để xem cách bạn xử lý vấn đề chưa biết. Cách trả lời tốt:
1. Thừa nhận thẳng thắn: "Em chưa có kinh nghiệm trực tiếp với Graph RAG, nhưng em hiểu hai thành phần chính của nó..."
2. Phân tích thành phần đã biết:
- "RAG là Retrieval-Augmented Generation: kết hợp LLM với vector search để truy xuất thông tin"
- "Graph là Graph Neural Networks: xử lý dữ liệu có cấu trúc đồ thị"
3. Suy luận ứng dụng: "Trong banking, Graph RAG có thể được dùng để... [phân tích mạng lưới rửa tiền, truy vấn tri thức từ knowledge graph]"
4. Thể hiện khả năng học: "Em sẽ tìm hiểu sâu hơn về [paper GraphRAG của Microsoft], và có thể implement POC trong 1-2 tuần"
Đừng cố bluff — interviewers là chuyên gia, sẽ bắt được ngay. Thay vào đó, thể hiện learning ability và logical thinking là điểm cộng lớn.