Techcombank tuyển dụng Expert, AI Engineer (Techcom Insurance)

Expert

Mô tả công việc

Job Purpose

Lead the design, development, deployment, and optimization of AI-powered solutions that deliver business value across Techcom Insurance. The role is responsible for transforming AI use cases from experimentation into scalable production systems, leveraging Generative AI, Large Language Models (LLMs), Machine Learning, AI Agents, and cloud-native technologies. The position also drives AI adoption, solution architecture, governance, and best practices while mentoring engineers and collaborating closely with business and technology stakeholders.

Key Accountabilities (1)

AI Solution Design & Development

Design, develop, and deploy AI solutions using Machine Learning, Generative AI, LLMs, and Agentic AI frameworks.

Build intelligent applications such as copilots, chatbots, recommendation engines, document processing solutions, and AI assistants.

Develop Retrieval-Augmented Generation (RAG) solutions integrating enterprise data sources and knowledge bases.

Collaborate with business teams to identify AI opportunities and translate business requirements into technical solutions.

Evaluate AI model performance and continuously improve solution effectiveness against business KPIs.

Key Accountabilities (2)

AI Platform & Engineering Excellence

Develop scalable and secure AI architectures on cloud platforms such as AWS, Azure, or GCP.

Build and optimize AI pipelines covering model development, prompt engineering, evaluation, deployment, monitoring, and lifecycle management.

Implement MLOps and LLMOps practices, including CI/CD, model versioning, testing, observability, and rollback mechanisms.

Ensure AI solutions meet performance, reliability, security, and compliance requirements.

Collaborate with Data Engineers and Platform Engineers to integrate AI services into enterprise systems.

AI Governance & Innovation

Establish best practices for responsible AI, model governance, and AI risk management.

Evaluate emerging AI technologies, frameworks, and tools to drive innovation.

Support the adoption of AI standards, security controls, and data governance requirements.

Drive continuous experimentation and rapid prototyping of new AI capabilities.

Key Accountabilities (3)

Project & Stakeholder Management

Lead AI initiatives from concept through production deployment.

Manage project priorities, timelines, risks, and stakeholder expectations.

Partner with business, product, architecture, security, and engineering teams to ensure successful AI implementation.

Provide technical leadership and strategic recommendations related to AI adoption and transformation.

Talent Development

Mentor and coach AI Engineers, Machine Learning Engineers, and Data Scientists.

Promote engineering best practices, knowledge sharing, and continuous learning.

Contribute to building AI capabilities and technical expertise across the organization.

Key Relationships - Direct Manager

Director, Data Science

Key Relationships - Direct Reports

Director, Data Science

Key Relationships - Internal Stakeholders

Director, Data Science

Key Relationships - External Stakeholders

Director, Data Science

Success Profile - Qualification and Experiences

Qualifications

Master’s degree (or higher) in Statistics, Mathematics, Quantitative Analysis, Computer Science, Software Engineering, Information Technology or other Numerical Disciplines

Work Experience

10+ years of relevant experience in areas of data analysis, machine learning, deep learning model development on large amount of data, implementing and deploying various statistical models
English proficiency requirements are pursuant to Techcombank's policy
Deep experience in querying databases and coding (e.g. Python, R, Spark, Scala, SQL, Java, C, C++)
Extensive experience in building data and analytics solutions and products, data mining and statistical analysis
Experience in application of machine learning and AI to questions related to the financial markets
Strategic decision taking and thinking, able to deal with very senior management, translate tech to business and vice versa
Deep experience in Agile Software Development and has mastery of Agile principles, practices and Scrum methodologies
Management experience, leading projects in the past, building and mentoring scientists, leading them towards success

Phân tích kỹ năng cần có

Nhận định tổng quan

Vị trí Expert, AI Engineer thuộc khối IT & Data của Techcom Insurance là một vị trí trưởng thành, định hướng dẫn dắt giải pháp AI từ thử nghiệm đến vận hành thực tế, không chỉ nghiên cứu mô hình. Mô tả công việc nhấn mạnh ba trụ cột:

1. Xây dựng sản phẩm AI: Generative AI, LLM, RAG, AI Agent, chatbot, trợ lý tài liệu, gợi ý và hệ thống khuyến nghị.
2. Đưa AI vào môi trường production: kiến trúc cloud, MLOps/LLMOps, triển khai, giám sát, versioning, kiểm thử, rollback và tối ưu chi phí.
3. Dẫn dắt tổ chức: làm việc với nghiệp vụ, quản lý dự án, tư vấn chiến lược, quản trị rủi ro AI và đào tạo kỹ sư.

Tên chức danh là Expert, nhưng tin tuyển dụng không công bố số năm kinh nghiệm, bằng cấp hay stack cụ thể. Vì vậy, không nên tự động suy ra yêu cầu tối thiểu. Tuy nhiên, phạm vi mentoring, quản lý dự án và kiến trúc end-to-end cho thấy ứng viên mạnh cần có khoảng 5–8 năm kinh nghiệm công nghệ liên quan, trong đó ít nhất 2–3 năm làm AI/ML ở mức sản phẩm, hoặc một hồ sơ tương đương thể hiện qua dự án thực tế.

Bản đồ năng lực cần có

Nhóm năng lực	Nội dung quan trọng	Bằng chứng nên thể hiện	Mức độ ưu tiên
LLM và Generative AI	Cấu trúc lời gọi, token, context window, embedding, structured output, function calling, prompt engineering, hallucination	Dự án chatbot hoặc trợ lý có đánh giá đầu ra, citation và xử lý câu không có câu trả lời	Rất cao
RAG	Chuỗi ingest, parsing, chunking, metadata, phân quyền, vector search, hybrid search, reranking, context construction	Demo trả lời từ tài liệu doanh nghiệp, kèm nguồn trích dẫn và bộ câu hỏi kiểm thử	Rất cao
AI Agent	Tool use, routing, trạng thái, memory, retry, fallback, human approval, chống lặp vô hạn	Quy trình nhiều bước có kiểm soát quyền và audit trail	Cao
Kỹ sư dữ liệu và Python	Python, SQL, API, xử lý dữ liệu bất đồng bộ, kiểm thử, Git, tối ưu pipeline	Mã nguồn, API hoạt động, test và mô tả kiến trúc	Rất cao
Cloud và production	AWS, Azure hoặc GCP; Docker; Kubernetes; CI/CD; secret management; monitoring; rollback	Hệ thống đã triển khai, có log, metric, alert và quy trình phát hành	Rất cao
Đánh giá mô hình	Retrieval recall, ranking, faithfulness, answer relevancy, độ trễ, chi phí, độ ổn định	Báo cáo đánh giá trước–sau cải tiến, không chỉ cảm tính	Rất cao
Quản trị AI và bảo mật	Phân loại dữ liệu, PII, prompt injection, data leakage, IAM, audit, rollback, human-in-the-loop	Threat model và biện pháp kiểm soát cho từng use case	Cao
Quản lý sản phẩm và stakeholder	Chuyển nhu cầu nghiệp vụ thành giải pháp, quản lý ưu tiên, KPI, trình bày quyết định	Case study, roadmap, bài trình bày và ví dụ ra quyết định dưới ràng buộc	Cao
Mentoring và kỹ sư cao cấp	Review code, thiết kế chuẩn, coaching, chia sẻ kiến thức	Kinh nghiệm dẫn dắt 2–5 kỹ sư hoặc vai trò technical lead	Cao

Hard skills cần chuẩn bị chi tiết

1. LLM và ứng dụng AI tổng quát

Ứng viên cần hiểu rõ:

Khác biệt giữa mô hình nền tảng, mô hình hướng dẫn và mô hình được tinh chỉnh.
Token, context window, chi phí theo token đầu vào và đầu ra, latency theo đuổi.
Prompt theo vai trò, theo ngữ cảnh và theo hệ thống; cách tác nhiệm vụ thành bước xử lý có kiểm soát.
Structured output, JSON schema, function calling và kiểm tra dữ liệu trước khi đưa vào hệ thống.
Các nguyên nhân gây ảo giác, bias, prompt injection, rò rỉ dữ liệu và câu trả lời không có căn cứ.
Cách buộc hệ thống không biết thì từ chối trả lời, chuyển sang người xử lý hoặc dùng nguồn kiểm chứng.

Không nên trả lời rằng chỉ cần biết gọi API mô hình. Vị trí này đòi hỏi khả năng thiết kế toàn bộ hệ thống xung quanh mô hình.

2. RAG và xử lý tri thức

Cần trình bày được một pipeline hoàn chỉnh:

1. Kết nối nguồn dữ liệu và kiểm soát phiên bản.
2. Parsing tài liệu, xử lý bảng, hình ảnh và tài liệu scan bằng OCR.
3. Chunking theo ngữ nghĩa, gắn metadata và quyền truy cập.
4. Tạo embedding và lập chỉ mục vector; cân nhắc hybrid search khi cần.
5. Retrieve, rerank và kiểm soát độ dài context.
6. Sinh câu trả lời kèm trích dẫn, câu chữ không chắc chắn và chuyển tuyến.
7. Đánh giá chất lượng, độ trễ, chi phí và phản hồi người dùng.
8. Giám sát drift, tài liệu mới, truy vấn không có kết quả và sự suy giảm chất lượng.

Một số câu hỏi kỹ thuật phải trả lời được:

Khi nào nên dùng RAG, khi nào cần tinh chỉnh mô hình?
Chunking ảnh hưởng thế nào đến chất lượng truy xuất?
Vì sao reranking hữu ích nhưng lại làm tăng độ trễ?
Làm thế nào bảo toàn quyền truy cập theo vai trò và theo hồ sơ khách hàng?
Đo chất lượng RAG bằng metric nào?

3. AI Agent

Phải phân biệt một chatbot thông thường với Agent có khả năng lập kế hoạch và gọi công cụ. Cần hiểu:

Tool schema, routing, state machine, memory và context compaction.
Quyền của từng công cụ; tác vụ đọc và tác vụ ghi/thay đổi dữ liệu phải tách quyền.
Retry, timeout, idempotency, compensating action và fallback.
Xác nhận của con người trước thao tác có tác động tài chính hoặc pháp lý.
Chống prompt injection thông qua dữ liệu trả về của công cụ.
Audit toàn bộ lời gọi mô hình, lời gọi công cụ, quyết định và kết quả.

4. Machine Learning và đánh giá mô hình

Ngoài LLM, ứng viên cần có nền tảng về:

Hồi quy, phân loại, feature engineering, training và inference.
Precision, recall, F1, ROC-AUC, PR-AUC, calibration và cost-sensitive threshold.
Data validation, missing value, leakage, imbalance và drift.
Chọn mô hình dựa trên yêu cầu nghiệp vụ, không chỉ điểm benchmark.

Đối với bài toán RAG, nên biết thêm:

Retrieval: Recall@k, Precision@k, MRR, nDCG.
Sinh câu trả lời: faithfulness, answer relevancy, context precision, hallucination rate.
Vận hành: độ trễ trung vị và p95, lỗi theo từng tình huống, chi phí mỗi câu hỏi.

5. Kỹ sư phần mềm và cloud

Một ứng viên chỉ giỏi notebook thường chưa đủ. Nền tảng tối thiểu nên gồm:

Python, SQL, Git, REST API, kiểm thử tự động và xử lý lỗi.
FastAPI hoặc framework tương đương, Docker và nền tảng container.
Một trong ba nền tảng cloud: AWS, Azure hoặc GCP.
Kubernetes ở mức hiểu deployment, scaling, network và secret.
CI/CD cho mã nguồn, test, đóng gói image, phát hành theo môi trường và rollback.
Monitoring và tracing cho dịch vụ AI, chẳng hạn OpenTelemetry hoặc giải pháp tương đương.
Quản lý bí mật, phân quyền tối thiểu, mã hóa và audit log.

Không nhất thiết phải thành thạo cả ba cloud. Hãy chọn một nền tảng, hiểu sâu đến mức có thể trả lời về khả năng mở rộng, chi phí, vận hành và bảo mật.

6. Quản trị AI, bảo mật và nghiệp vụ bảo hiểm

Vì hệ thống dùng trong bảo hiểm có thể liên quan đến hồ sơ khách hàng, hồ sơ bồi thường và thông tin nhạy cảm, ứng viên cần thể hiện tư duy “đưa vào production” chứ không chỉ tập trung độ chính xác.

Các nội dung cần chuẩn bị gồm:

Phân loại dữ liệu và nguyên tắc phân quyền theo vai trò, hồ sơ khách hàng.
Kiểm soát dữ liệu huấn luyện, dữ liệu nhãn và dữ liệu truy vấn.
Đánh giá rủi ro theo mức độ tác động của quyết định.
Nhật ký kiểm toán, khả năng truy vết và quyền rollback.
Quy trình phê duyệt thay đổi prompt, mô hình, dữ liệu và chính sách truy xuất.
Các quy định hiện hành về bảo vệ dữ liệu cá nhân, an toàn thông tin và bảo hiểm; cần xác nhận phạm vi áp dụng cụ thể với Techcom Insurance.

Các bài toán như trợ lý bồi thường, khai thác bảo hiểm, phân tích hồ sơ, phát hiện gian lận hoặc chăm sóc khách hàng chỉ là hướng case có khả năng phù hợp, không nên khẳng định đây là bài toán chính thức của vị trí.

Soft skills và năng lực lãnh đạo

Các kỹ năng quan trọng gồm:

Chuyển nhu cầu nghiệp vụ thành yêu cầu kỹ thuật và chỉ số đo lường rõ ràng.
Trình bày quyết định kỹ thuật cho đối tượng không chuyên môn.
Quản lý kỳ vọng, ưu tiên, rủi ro và thay đổi phạm vi.
Phản hồi và coaching kỹ sư mà không làm mất tốc độ phát triển.
Cân bằng giữa đổi mới nhanh, độ tin cậy, tuân thủ và chi phí.
Ghi chép quyết định, học từ thất bại và cập nhật stakeholder.

Chứng chỉ có thể gợi ý

Chứng chỉ không thay thế kinh nghiệm sản phẩm, nhưng có thể chứng minh nền tảng:

Chứng chỉ	Phù hợp khi	Giá trị thực tế
AWS Certified Machine Learning – Specialty	Hệ thống dùng AWS	Rất tốt cho mô hình, SageMaker và vận hành trên AWS
Microsoft Certified: Azure AI Engineer Associate	Hệ thống dùng Azure	Phù hợp với Azure AI Search, model deployment và governance
Google Cloud Professional Machine Learning Engineer	Hệ thống dùng GCP	Chứng minh nền tảng build và vận hành trên GCP
Certified Kubernetes Administrator	Cần quản trị container thủ công ở quy mô lớn	Có giá trị khi vai trò bao gồm nền tảng
Databricks Certified Data Engineer hoặc Machine Learning Associate	Dữ liệu nằm trên nền tảng Databricks	Phù hợp với pipeline dữ liệu và ML platform
Terraform Associate	Quản lý hạ tầng bằng mã nguồn	Hữu ích cho triển khai lặp lại và kiểm soát môi trường

Nên ưu tiên chứng chỉ liên quan đến cloud đang dùng và chứng chỉ có đề bài gần với công việc thực tế, thay vì tích lũy nhiều chứng chỉ không liên quan.

Hồ sơ ứng viên nên thể hiện

Một dự án end-to-end đã triển khai, không chỉ có notebook.
Kiến trúc, sơ đồ luồng dữ liệu, quyết định thiết kế và đánh đổi.
Báo cáo đánh giá trước–sau, metric, độ trễ và chi phí.
Mã nguồn có hướng dẫn chạy, test và cấu hình môi trường.
Một tình huống lỗi thật: dữ liệu bẩn, truy xuất sai, độ trễ cao, chi phí tăng hoặc người dùng không tin câu trả lời.
Kinh nghiệm phối hợp nghiệp vụ, bảo mật, vận hành và ra quyết định ưu tiên.

Đánh giá nhanh mức độ phù hợp

Ứng viên mới ra trường: có thể cân nhắc các vị trí kỹ sư AI junior hoặc thực tập; cần bổ sung dự án và kiến thức production.
Kỹ sư backend/data: có lợi thế về kỹ sư, cần chứng minh chất lượng LLM, đánh giá và thiết kế AI.
Chuyên gia Machine Learning: có lợi thế về mô hình, cần bù thêm về LLMOps, cloud, API, vận hành và thiết kế hệ thống phân tán.
Data scientist: cần mạnh hơn về kỹ sư phần mềm, container, CI/CD và đưa mô hình vào production.
AI Engineer đã làm Lead: phù hợp nhất nếu có kinh nghiệm nghiệp vụ bảo hiểm, quản trị rủi ro, mentoring và điều phối stakeholder.

Chuẩn bị phỏng vấn

Hướng dẫn chuẩn bị phỏng vấn

Lưu ý về quy trình

Tin tuyển dụng không công bố quy trình chính thức. Dưới đây là kịch bản thông thường đối với vị trí chuyên gia và trưởng thành, dùng để chuẩn bị; ứng viên vẫn cần xác nhận trực tiếp với bộ phận tuyển dụng.

Vòng	Thời lượng tham khảo	Nội dung thường gặp	Mục tiêu của ứng viên
1. Sàng lọc và trao đổi với tuyển dụng	15–30 phút	Lý do ứng tuyển, kinh nghiệm, mức lương kỳ vọng, thời gian có thể nhận việc, địa điểm	Thể hiện sự phù hợp và thông tin thực tế
2. Đánh giá kỹ thuật sơ bộ	45–60 phút	Python, SQL, ML, LLM, RAG, cloud, kinh nghiệm production	Chứng minh nền tảng kỹ thuật và khả năng học
3. Case study hoặc system design	60–90 phút	Thiết kế chatbot, RAG, agent hoặc nền tảng AI cho bảo hiểm	Giải quyết bài toán từ nhu cầu đến vận hành
4. Phỏng vấn chuyên sâu với trưởng nhóm	45–60 phút	Quyết định kiến trúc, xử lý rủi ro, KPI, mentoring, dự án thật	Thể hiện tư duy Expert và khả năng dẫn dắt
5. Coding, take-home hoặc bài kiểm tra	2 giờ đến 3 ngày	Xử lý dữ liệu, xây API, truy xuất, test và trình bày	Đánh giá khả năng viết và vận hành mã thực tế
6. Phỏng vấn cuối cùng	30–45 phút	Văn hóa, động lực, mức lương cuối cùng, điều khoản làm việc	Hoàn thiện đánh giá hai chiều

Một số quy trình có thể gộp vòng sàng lọc với phỏng vấn kỹ thuật hoặc bổ sung vòng kiểm tra chứng chỉ, an toàn thông tin.

Vòng sàng lọc

Câu hỏi thường gặp

Vì sao bạn muốn làm việc tại Techcom Insurance trong lĩnh vực AI?
Vị trí này khác gì so với vai trò Machine Learning Engineer mà bạn từng đảm nhiệm?
Hãy mô tả một hệ thống AI bạn đã đưa vào production.
Bạn chịu trách nhiệm phần nào: dữ liệu, mô hình, hạ tầng, đánh giá hay vận hành?
Kết quả đã đo bằng metric nào và có tác động kinh doanh ra sao?
Bạn đã từng xử lý dữ liệu nhạy cảm hoặc bài toán có yêu cầu audit chưa?
Bạn xử lý mâu thuẫn về ưu tiên và deadline như thế nào?
Mức lương mong đợi, thưởng và ngày có thể nhận việc là bao nhiêu?

Cách trả lời

Dùng cấu trúc nhu cầu – hành động – kết quả – bài học. Mỗi ví dụ nên có số liệu thật như:

Số lượng người dùng hoặc tài liệu.
Tần suất xử lý.
Độ trễ p95.
Chi phí trước và sau tối ưu.
Tỷ lệ lỗi, tỷ lệ chuyển tuyến hoặc mức độ hài lòng.
Quy mô nhóm và số bước triển khai.

Không được sử dụng số liệu không có thật. Nếu chưa có kết quả kinh doanh, hãy nêu metric kỹ thuật và giải thích cách bạn sẽ đo tác động.

Vòng kỹ thuật sơ bộ

Câu hỏi nền tảng

Phân biệt training, fine-tuning, prompting và retrieval augmented generation.
Vì sao RAG vẫn có thể trả lời sai? Bạn đo điều đó thế nào?
So sánh vector search, keyword search và hybrid search.
Khi nào nên tăng số chunk, tăng top-k hoặc thêm reranker?
Mô hình được chọn dựa trên chi phí, độ trễ, chất lượng và rủi ro như thế nào?
Làm sao phân biệt lỗi truy xuất với lỗi sinh câu trả lời?
Một Agent gọi công cụ ghi dữ liệu cần những cơ chế kiểm soát nào?
Có nên cache câu trả lời không? Cache theo quyền người dùng như thế nào?
Làm thế nào giám sát chất lượng sau khi mô hình, prompt hoặc dữ liệu thay đổi?
Bạn triển khai secret, endpoint và dữ liệu nhạy cảm ra sao?

Câu hỏi về Python và kỹ sư

Xử lý tối ưu một lời gọi API song song với timeout và retry.
Viết hàm chia chunk tài liệu theo đoạn văn và giữ metadata.
Thiết kế API trả lời có nguồn trích dẫn và trường confidence phù hợp.
Viết test cho trường hợp truy xuất sai, tài liệu thiếu và câu hỏi ngoài phạm vi.
Tối ưu SQL và truy vấn vector ở quy mô lớn.
Đảm bảo idempotency cho tác vụ ghi dữ liệu.

Ứng viên nên luyện viết code sạch, có type hint, xử lý lỗi, test và giải thích rõ đánh đổi. Không chỉ tập trung vào thuật toán học thuật; vai trò này cần khả năng xây dựng dịch vụ hoàn chỉnh.

Case study và system design

Case có thể xuất hiện

Tình huống: Xây trợ lý nội bộ để nhân viên tra cứu nhanh hồ sơ bảo hiểm và quy trình nghiệp vụ bằng câu hỏi tiếng Việt.

Cấu trúc trả lời tốt gồm:

1. Mục tiêu và người dùng: trợ lý nội bộ hay chatbot khách hàng? Người dùng có quyền gì?
2. Nguồn dữ liệu: tài liệu nào được phép sử dụng? Dữ liệu nào cần loại bỏ?
3. Kiến trúc: ingest, chunking, index, retrieve, rerank, generate, citation và fallback.
4. Phân quyền: lọc theo vai trò, phòng ban, hồ sơ khách hàng và mức độ nhạy cảm.
5. Đánh giá: bộ câu hỏi vàng, tỷ lệ truy xuất đúng, faithfulness, độ trễ, chi phí và tỷ lệ chuyển tuyến.
6. Vận hành: CI/CD, versioning, monitoring, rollback, canary release và incident handling.
7. Quản trị: audit log, human approval, cấm hành vi không mong muốn và chính sách sử dụng dữ liệu.
8. Kế hoạch triển khai: MVP, thử nghiệm với nhóm nhỏ, mở rộng theo chất lượng và giá trị sử dụng.

Case AI Agent

Nếu được yêu cầu thiết kế Agent, hãy nói rõ:

Agent được phép thực hiện tác vụ nào và cần xác nhận ở bước nào.
Tool có phân loại chỉ đọc và thay đổi trạng thái hay không.
Dữ liệu trả về từ tool có thể chứa nội dung độc hại như thế nào.
Agent chạy vượt giới hạn bước hoặc chi phí sẽ được xử lý ra sao.
Mỗi quyết định có thể được truy vết và đánh giá sau này như thế nào.

Rubric đánh giá tham khảo

Làm rõ bài toán và ràng buộc: 15 phần trăm.
Chất lượng kiến trúc: 20 phần trăm.
Tư duy production và vận hành: 20 phần trăm.
Đánh giá và số liệu: 15 phần trăm.
Bảo mật, quản trị và khả năng rollback: 15 phần trăm.
Lãnh đạo, stakeholder và giao tiếp: 15 phần trăm.

Vòng phỏng vấn với trưởng nhóm

Các câu hỏi dự kiến:

Bạn đã dẫn dắt dự án AI nào từ giai đoạn thử nghiệm đến production?
Khi stakeholder kỳ vọng độ chính xác 99 phần trăm nhưng dữ liệu chưa đủ, bạn xử lý thế nào?
Bạn đã phải từ chối phát hành tính năng vì rủi ro như thế nào?
Bạn đo lường thành công của một AI Assistant ra sao?
Bạn cân bằng tốc độ phát triển với chất lượng và tuân thủ thế nào?
Bạn từng mentoring kỹ sư nào và kết quả cụ thể là gì?
Bạn ưu tiên mô hình lớn, mô hình nhỏ hay workflow không dùng mô hình như thế nào?
Nếu tỷ lệ câu trả lời sai tăng sau một tuần, bạn điều tra theo trình tự nào?

Hãy chuẩn bị hai ví dụ về thành công, một ví dụ về thất bại và một ví dụ về xung đột kỹ thuật. Trong ví dụ thất bại, tập trung vào cách phát hiện sớm, phối hợp và biện pháp khắc phục, không đổ lỗi.

Vòng coding hoặc take-home

Nếu được giao bài, hãy chú ý:

Đọc kỹ yêu cầu, định dạng đầu ra, giới hạn thời gian và dữ liệu mẫu.
Viết README ngắn gồm cách chạy, giả định và hạn chế.
Tách phần hút dữ liệu, xử lý, lập chỉ mục, truy xuất, sinh câu trả lời và đánh giá.
Có test cho logic xác định và một bộ câu hỏi đánh giá có câu trả lời mong đợi.
Không đưa khóa API, dữ liệu thật hoặc thông tin môi trường vào mã nguồn.
Giải thích rõ điểm mạnh, điểm yếu, rủi ro và phần sẽ làm tiếp nếu có thêm thời gian.

Bài take-home tốt không nhất thiết có giao diện đẹp; điều quan trọng hơn là tính đúng đắn, khả năng đánh giá, bảo mật và khả năng vận hành.

Chuẩn bị trước phỏng vấn

In hoặc lưu sẵn CV, mô tả từng dự án và các đóng góp cá nhân.
Chuẩn bị một trình bày dự án khoảng 5 phút.
Chuẩn bị sơ đồ kiến trúc của dự án từng thành phần.
Viết sẵn 3–5 câu hỏi dành cho người phỏng vấn.
Kiểm tra kỹ thuật thiết bị, camera, micro, nền tảng phỏng vấn và tài liệu.
Dùng chữ thật, có trích dẫn; không nói quá lớn và không chia sẻ thông tin thuộc về công ty cũ.

Câu hỏi nên hỏi Techcom Insurance

Vì thông tin lương, phúc lợi, kinh nghiệm và quy trình đều chưa được công bố, ứng viên nên hỏi:

1. Tỷ lệ công việc trong vai trò này là nghiên cứu, phát triển sản phẩm, vận hành hay tư vấn giải pháp?
2. Bốn case study hoặc use case AI quan trọng nhất trong sáu tháng tới là gì?
3. Mô hình, nền tảng dữ liệu và quy trình phê duyệt hiện tại đã ở mức nào?
4. Tiêu chí thành công của vị trí được đo bằng KPI nào?
5. Đội ngũ hiện có gồm những chuyên môn gì và vị trí này sẽ bổ sung năng lực nào?
6. Cơ chế phê duyệt, audit và kiểm soát rủi ro cho hệ thống AI ra sao?
7. Quy trình đánh giá, đào tạo, công cụ và ngân sách thử nghiệm AI như thế nào?
8. Lịch làm việc, chính sách làm việc linh hoạt, ngày nghỉ phép, phúc lợi và cơ chế trực sự là gì?
9. Mức lương, thưởng và tiêu chí tăng lương được xác định như thế nào?

Trang phục và thái độ

Trực tiếp: business formal hoặc smart business; trang phục trung tính, chỉn chu, phù hợp môi trường ngân hàng và bảo hiểm.
Trực tuyến: trang phục công sở, nền đơn giản, camera ổn định và tắt thông báo cá nhân.
Nên thể hiện sự bình tĩnh, chính xác và cởi mở. Không hạ thấp thành tích của đội cũ và không tiết lộ bí mật công ty.

Những lỗi thường gặp

Chỉ nói về mô hình và prompt, bỏ qua dữ liệu, đánh giá, vận hành và quản trị.
Dùng Agent cho mọi bài toán mà chưa chứng minh được giá trị so với workflow cố định.
Hứa hẹn độ chính xác tuyệt đối mà không nói về dữ liệu, đánh giá và rủi ro.
Thiết kế giải pháp quá phức tạp nhưng không giải thích trade-off về chi phí và độ trễ.
Không thể hiện khả năng làm việc với nghiệp vụ, bảo mật và các bên liên quan không thuộc kỹ thuật.
Trả lời câu hỏi kiến trúc quá chung chung, thiếu metric và quyết định cụ thể.

Lộ trình ôn thi

Kế hoạch ôn thi và chuẩn bị 1–2 tuần

Mục tiêu sau 14 ngày

Sau khi hoàn thành lộ trình, ứng viên cần có thể:

Giải thích LLM, RAG, Agent và MLOps/LLMOps bằng ngôn ngữ dễ hiểu.
Thiết kế một hệ thống AI cho use case bảo hiểm từ dữ liệu đến vận hành.
Đánh giá chất lượng bằng metric phù hợp thay vì chỉ dựa vào cảm tính.
Trình bày trade-off giữa độ chính xác, chi phí, độ trễ, bảo mật và tốc độ phát triển.
Nêu rõ kinh nghiệm thực tế, đồng thời ưu tiên một cloud và một stack triển khai.

Thời lượng khuyến nghị: 3–4 giờ mỗi ngày, tổng cộng khoảng 30–40 giờ. Nếu chỉ có 7 ngày, hãy dùng lộ trình 7 ngày rút gọn bên dưới.

Lộ trình 14 ngày

Ngày	Chủ đề	Nội dung thực hành	Đầu ra cần đạt
1	Phân tích JD và hồ sơ	Đọc lại từng accountability, quy định KPI trong CV, xác định 5 câu chuyện dự án	Bản đồ năng lực: mạnh, yếu, cần bù
2	Python và dữ liệu	Ôn SQL, xử lý file, API bất đồng bộ, test, Git	Một script Python có test và log rõ ràng
3	Nền tảng Machine Learning	Ôn training/inference, overfitting, leakage, classification metrics, calibration	Giải thích được một bài toán dự án thật bằng metric
3	LLM cốt lõi	Token, context, sampling, structured output, function calling, hallucination	So sánh prompting, RAG và fine-tuning
4	RAG	Chunking, embedding, vector search, hybrid search, reranking, citation	Sơ đồ pipeline RAG và danh sách lỗi thường gặp
5	AI Agent	Tool use, state, memory, retry, approval, prompt injection	Thiết kế một Agent có ranh giới quyền rõ ràng
6	Đánh giá AI	Tạo bộ câu hỏi vàng, retrieval metrics, faithfulness, latency, cost	Báo cáo đánh giá nhỏ có số liệu
7	Cloud và hạ tầng	Chọn AWS, Azure hoặc GCP; học object storage, managed database, IAM, secret	Kiến trúc triển khai trên một cloud
8	Kỹ sư phần mềm	FastAPI, Docker, CI/CD, queue/cache, secret management	Đóng gói một API trả lời có citation
9	MLOps/LLMOps	Model/prompt versioning, registry, canary, monitoring, rollback	Checklist phát hành và rollback
10	Bảo mật và quản trị	PII, ACL theo tài liệu, audit, threat model, human-in-the-loop	Threat model cho một RAG hoặc Agent
11	System design	Luyện case chatbot bảo hiểm, gọi điện cho stakeholder, đặc tả KPI	Slide case study 7–10 trang
12	Lãnh đạo và dự án	Chuẩn bị STAR, quyết định trade-off, mentoring, xử lý thất bại	3 câu chuyện lãnh đạo đã có số liệu
13	Case và mock interview	Làm một bài system design 60 phút, sau đó nhận phản hồi	Bản ghi âm và danh sách điểm yếu
14	Tổng kết	Ôn flashcard, chuẩn bị câu hỏi, kiểm tra CV và portfolio	Kế hoạch 30 ngày sau phỏng vấn

Dự án portfolio nên làm trong lộ trình

Đề tài đề xuất

Trợ lý tra cứu tài liệu bảo hiểm nội bộ với câu trả lời có trích dẫn

Phạm vi tối thiểu:

1. Tạo 50–100 tài liệu giả lập, có định dạng PDF, DOCX, bảng và một số tài liệu cần OCR.
2. Xây pipeline ingest, parsing, chunking và lưu metadata.
3. Dùng vector search hoặc hybrid search, thêm reranking nếu phù hợp.
4. Sinh câu trả lời có trích dẫn, độ tin cậy và trường câu chuyển tuyến.
5. Áp dụng quyền truy cập theo vai trò ở mức demo.
6. Đóng gói bằng Docker, cung cấp API bằng FastAPI.
7. Tạo 30–50 câu hỏi kiểm thử có đáp án và đo recall, faithfulness, độ trễ p95.
8. Đo chi phí mỗi câu hỏi và ghi lại quyết định tối ưu.
9. Viết README gồm kiến trúc, cách chạy, hạn chế, rủi ro và hướng mở rộng.

Không sử dụng dữ liệu khách hàng, dữ liệu bảo hiểm thật hoặc tài liệu nội bộ khi chưa được phép.

Điểm cộng cho ứng viên Expert

Có cơ chế đánh giá tự động khi prompt hoặc mô hình thay đổi.
Có kiểm thử chống câu hỏi ngoài phạm vi.
Có log truy vấn, tài liệu truy xuất và câu trả lời.
Có cơ chế rollback prompt/model.
Có phân tích trade-off giữa câu trả lời dài, citation, chi phí và độ trễ.
Trình bày một lỗi thật đã phát hiện và cách khắc phục.

Lộ trình 7 ngày rút gọn

Ngày 1: phân tích JD, CV và nền tảng LLM.
Ngày 2: RAG, vector search, chunking và đánh giá truy xuất.
Ngày 3: Agent, bảo mật và quản trị.
Ngày 4: Python, API, Docker, cloud và CI/CD.
Ngày 5: hoàn thành tối thiểu 60% dự án portfolio.
Ngày 6: system design, nghiệp vụ bảo hiểm và bài hỏi stakeholder.
Ngày 7: mock interview, sửa điểm yếu và chuẩn bị câu hỏi.

Kiến thức nghiệp vụ cần bổ sung

Nên dành khoảng 3–4 giờ để hiểu:

Khái niệm cơ bản về bảo hiểm nhân thọ và phi nhân thọ.
Vai trò của underwriting, bồi thường, tái tục hợp đồng và chăm sóc khách hàng.
Sự khác biệt giữa bồi thường và tái tục hợp đồng.
Hồ sơ khách hàng chứa những loại dữ liệu nào và vì sao cần kiểm soát.
Quy trình phê duyệt và audit đối với quyết định tự động.
Cách AI có thể hỗ trợ nhưng không nên tự ý quyết định trong trường hợp rủi ro cao.
Quy định hiện hành về bảo vệ dữ liệu cá nhân và an toàn thông tin.

Có thể đọc website chính thức, báo cáo thường niên công bố, Luật Bảo hiểm Việt Nam và các văn bản pháp luật liên quan. Không cần trở thành chuyên gia nghiệp vụ, nhưng phải thể hiện sự tôn trọng quy trình và khả năng hợp tác với chuyên gia nghiệp vụ.

Tài liệu tham khảo

Nền tảng

Khóa Machine Learning Specialization của Andrew Ng và DeepLearning.AI.
Khóa Generative AI for Everyone của Andrew Ng.
Sách AI Engineering của Chip Huyen.
Sách Designing Machine Learning Systems của Chip Huyen.
Tài liệu chính thức của AWS SageMaker, Azure AI Foundry hoặc Vertex AI tùy cloud đang theo đuổi.
Tài liệu Python, SQL, Docker, Kubernetes và CI/CD chính thức.

Chuyên sâu

Tài liệu chính thức của framework RAG hoặc vector database đang sử dụng.
Tài liệu về evaluation, tracing và observability của nhà cung cấp cloud.
Hướng dẫn về LLM security, prompt injection và AI risk management.
Tài liệu nền tảng vector search, hybrid search, reranking và access control theo tài liệu.

Nên hiểu nguyên lý trước khi học thư viện. LangChain, LlamaIndex hoặc framework tương tự thay đổi nhanh; nền tảng thiết kế, đánh giá và vận hành quan trọng hơn thành thạo một công cụ.

Bài tự kiểm tra trước phỏng vấn

Ứng viên phải trả lời được các câu sau mà không cần tra cứu:

1. RAG hoạt động như thế nào từ tài liệu đến câu trả lời?
2. Làm sao biết lỗi nằm ở retrieval hay generation?
3. Khi nào workflow cố định tốt hơn Agent?
4. Chọn mô hình như thế nào khi yêu cầu độ trễ thấp?
5. Bảo đảm quyền truy cập trong RAG như thế nào?
6. Theo dõi chất lượng sản phẩm AI ra sao sau khi mô hình được cập nhật?
7. Rollback một thay đổi prompt hoặc mô hình như thế nào?
8. KPI của một trợ lý AI trong bảo hiểm gồm những gì?
9. Bạn đã dẫn dắt hoặc mentoring ai trong dự án gần nhất?
10. Hãy mô tả một quyết định kỹ thuật mà bạn phải bảo vệ bằng metric.

Danh sách kiểm tra trước ngày phỏng vấn

CV được tinh gọn theo vai trò Expert, ưu tiên kết quả và phạm vi dẫn dắt.
Mỗi bullet trong CV có vai trò, hành động, kết quả và công cụ.
Portfolio có mã nguồn, sơ đồ kiến trúc và báo cáo đánh giá.
Có 30 phút để trình bày dự án và 30 phút để luyện câu hỏi kỹ thuật.
Có 5 giờ để luyện system design.
Có 3 câu chuyện hành vi cá nhân theo cấu trúc STAR.
Đã chuẩn bị câu hỏi về KPI, lương, giờ làm, phúc lợi và môi trường kỹ thuật.
Đã kiểm tra thiết bị, mạng, camera, micro và thông báo email.

Tư vấn nghề nghiệp

Lời khuyên sự nghiệp

Định vị đúng vai trò

Ứng viên nên định vị mình không chỉ là người viết prompt hay xây chatbot, mà là chuyên gia xây dựng và dẫn dắt hệ thống AI trong doanh nghiệp. Những nội dung cần được nhấn mạnh trong CV và phỏng vấn:

Sở hữu end-to-end từ dữ liệu, mô hình, API đến vận hành.
Đã đưa sản phẩm AI vào production và đo được tác động.
Có khả năng lập kiến trúc, đánh giá trade-off và ra quyết định.
Biết quản lý rủi ro, phân quyền, audit và rollback.
Biết làm việc với nghiệp vụ, bảo mật, sản phẩm và stakeholder.
Đã review code, định hướng kiến trúc và coaching kỹ sư.

Nếu quy mô doanh nghiệp chưa lớn, có thể mô tả sự phức tạp theo mức độ thực tế: số người dùng, số tài liệu, độ trễ, chi phí, số pipeline, mức độ phụ thuộc và quy trình phê duyệt. Không cần tạo dự án quá lớn nếu không có ai sử dụng.

Lộ trình thăng tiến

Một hướng tiến trình hợp lý trong lĩnh vực AI và dữ liệu:

1. AI Engineer: xây dựng thành phần AI, pipeline, API, test và tích hợp hệ thống.
2. Senior AI/ML Engineer: sở hữu use case end-to-end, định hướng kỹ thuật và review chất lượng.
3. Lead/Expert AI Engineer: kiến trúc, nhiều use case, mentoring, quản trị và ảnh hưởng tổ chức.
4. AI Engineering Manager: quản lý đội, ưu tiên, nguồn lực, lịch trình và hiệu quả kinh doanh.
5. Head of Data & AI hoặc AI Transformation: xây dựng chiến lược, năng lực tổ chức và hệ sinh thái công nghệ.

Bản thân chức danh “Expert” ở mỗi ngân hàng có thể thuộc hệ thống cấp bậc khác nhau, nên cần hỏi rõ phạm vi quyết định, quyền hạn, số người quản lý gián tiếp và tiêu chí thăng cấp.

Mức lương kỳ vọng tham khảo

Dưới đây là ước lượng cho vị trí tại TP. Hà Nội, tính theo lương gross hằng tháng và chưa bao gồm thưởng, phụ cấp và phúc lợi:

Kinh nghiệm liên quan	Cấp bậc tham khảo	Khoảng lương gross hằng tháng
0–2 năm	AI Engineer/Junior AI Engineer	18–30 triệu đồng
2–4 năm	AI Engineer/ML Engineer	28–45 triệu đồng
4–7 năm	Senior AI/ML Engineer	40–65 triệu đồng
7–10 năm	Lead/Expert AI Engineer	55–90 triệu đồng
Trên 10 năm, quản lý nhiều nhóm	AI Engineering Manager/Head	80–140 triệu đồng trở lên

Với đặc điểm vị trí này là kỹ sư cao cấp, có trách nhiệm mentoring và dẫn dắt dự án, ứng viên có thể tham khảo khoảng 50–80 triệu đồng gross mỗi tháng nếu có bằng chứng rõ về sản phẩm production, kiến trúc và leadership. Mức này không phải cam kết và cần điều chỉnh theo quy mô công ty, ngân sách, thưởng và điều kiện làm việc.

Lưu ý: Mọi số liệu trên chỉ là mức lương ước lượng tham khảo; mức lương có thể thay đổi tùy ngân hàng và thời điểm. Tin tuyển dụng hiện chỉ ghi “Thỏa thuận”, chưa có thông tin về thưởng, phụ cấp, bảo hiểm hoặc phúc lợi.

Cách đàm phán lương

Nên trao đổi tổng thu nhập mục tiêu trên cơ sở vai trò và kết quả, không chỉ dựa vào lương cơ bản. Có thể hỏi về:

Lương cơ bản và tỷ lệ thưởng theo năm hoặc theo KPI.
Phụ cấp chuyên môn, quản lý, ăn trưa, điện thoại và đi lại.
Bảo hiểm, khám sức khỏe, ngày nghỉ phép và chính sách làm việc linh hoạt.
Ngân sách học tập, chứng chỉ, hội nghị và thiết bị.
Thời gian thử việc, điều kiện tăng lương và tiêu chí đánh giá.

Khi đưa ra con số, nên nói theo phạm vi: “Với phạm vi trách nhiệm dẫn dắt và sản phẩm production, tôi kỳ vọng tổng thu nhập trong khoảng…”. Nếu không rõ thưởng, yêu cầu xác nhận rõ cấu trúc lương và điều kiện gắn với KPI trước khi chốt.

Các năng lực nên phát triển thêm

Ưu tiên 1: Chất lượng và đánh giá

Phần lớn ứng viên có thể xây demo nhưng yếu khi xây evaluation. Hãy học cách tạo bộ test, đo từng thành phần, phân tích lỗi và xây quy trình regression cho từng lần thay đổi.

Ưu tiên 2: Kỹ sư production

Cần mạnh hơn về Docker, cloud, CI/CD, Kubernetes, observability, incident handling và rollback. Đây là khác biệt giữa ứng viên có kinh nghiệm sản phẩm và ứng viên mới chỉ làm thử nghiệm.

Ưu tiên 3: Bảo mật và quản trị AI

Hãy luyện threat modeling, access control theo nội dung truy xuất, audit, human approval và phát hiện hành vi bất thường. Với ngành tài chính và bảo hiểm, đây là năng lực có giá trị phân biệt cao.

Ưu tiên 4: Nghiệp vụ bảo hiểm

Hiểu underwriting, claims, policy servicing và quy trình kiểm soát sẽ giúp ứng viên chuyển yêu cầu nghiệp vụ thành giải pháp phù hợp. Nên ưu tiên học theo bối cảnh bảo hiểm Việt Nam và quy định pháp luật hiện hành.

Ưu tiên 5: Lãnh đạo không chỉ là quản lý

Expert cần biết tạo sự rõ ràng, phân quyền quyết định, đồng thuận giữa các bên, phát triển kỹ sư trẻ và xử lý bất đồng mà không kéo dài vòng đánh giá.

Kế hoạch 90 ngày nếu được tuyển

30 ngày đầu

Hiểu quy trình đầu vào, bảo vệ dữ liệu và kiến trúc AI hiện tại.
Phỏng vấn các stakeholder về nghiệp vụ và bài toán tức thời.
Làm việc cùng Data Engineer, Platform Engineer, bảo mật và các nhóm AI.
Xác định một quy trình đánh giá chung và cơ chế báo lỗi.

30–60 ngày

Dẫn dắt một use case có giá trị rõ và phạm vi kiểm soát được.
Thiết lập baseline về chất lượng, độ trễ, chi phí và tác động người dùng.
Xây quy trình CI/CD, versioning, monitoring và rollback.
Tổ chức buổi chia sẻ kiến thức và chuẩn bị tài liệu quyết định kiến trúc.

60–90 ngày

Đưa use case vào giai đoạn vận hành có kiểm soát.
Đánh giá tác động thực tế và đề xuất lộ trình mở rộng.
Xây backlog năng lực AI, coaching plan và lộ trình nâng cấp nền tảng.
Làm việc với bộ phận phê duyệt để chuẩn hóa quy trình quản trị AI.

Nhận định về cơ hội nghề nghiệp

Đây là vị trí có tiềm năng lớn vì kết hợp công nghệ AI tiên tiến với bài toán doanh nghiệp có yêu cầu tuân thủ cao. Giá trị cạnh tranh lớn nhất không nằm ở việc biết thêm một framework mới, mà nằm ở khả năng:

Biến use case thành sản phẩm đáng tin cậy.
Đo lường giá trị và rủi ro bằng cùng một hệ số đo.
Làm việc được với bảo mật, nghiệp vụ và hạ tầng.
Dẫn dắt con người và quyết định kỹ thuật trong tình huống không hoàn hảo.

Trước khi ứng tuyển, ứng viên nên kiểm tra lại điều kiện làm việc thực tế, quy trình đánh giá, ngân sách đầu tư, quyền hạn quyết định và mức lương. Vị trí này phù hợp hơn với ứng viên muốn đi sâu vào AI trong doanh nghiệp, thay vì chỉ muốn nghiên cứu mô hình hoặc làm một sản phẩm thử nghiệm ngắn hạn.

Câu hỏi thường gặp

Tôi mới ra trường, chưa có kinh nghiệm làm AI trong production. Tôi có nên ứng tuyển vị trí Expert này không?

Bạn vẫn nên ứng tuyển nếu JD chưa công bố rõ số năm kinh nghiệm, nhưng cần chuẩn bị thực tế. Hãy xây một dự án end-to-end gồm RAG, API, Docker, đánh giá truy xuất, monitoring và câu trả lời có trích dẫn. Chuẩn bị ba ví dụ: một dự án cá nhân, một đóng góp nhóm và một tình huống bạn đã tự học sâu về dữ liệu hoặc phần mềm. Nếu hồ sơ còn yếu, các vị trí AI Engineer, kỹ sư dữ liệu hoặc thực tập tại Techcom Insurance có thể là lựa chọn phù hợp hơn. Điểm cần chứng minh là khả năng học, tư duy production và hiểu rủi ro, không chỉ biết dùng một thư viện.

Tôi đang làm backend engineer và muốn chuyển sang AI Engineer. Tôi nên học theo lộ trình nào?

Bạn có lợi thế lớn ở kỹ sư phần mềm và production. Hãy bổ sung theo thứ tự: Python và SQL chuyên sâu hơn; nền tảng ML; LLM, embedding và RAG; đánh giá chất lượng; vector database và hybrid search; Docker, cloud, CI/CD và observability; bảo mật dữ liệu; cuối cùng là thiết kế AI Agent có kiểm soát. Trong 8–12 tuần, hãy xây một dự án trợ lý tài liệu, đóng gói bằng Docker, triển khai lên cloud, đo độ trễ, chi phí và chất lượng. Khi phỏng vấn, tập trung vào việc bạn đã xử lý API, lỗi, hiệu năng và vận hành tốt như thế nào.

Tôi là data scientist nhưng ít kinh nghiệm về LLM. RAG khác fine-tuning ở chỗ nào và khi nào nên chọn?

RAG đưa dữ liệu có căn cứ vào ngữ cảnh lúc trả lời, nên phù hợp khi thông tin thay đổi, cần trích dẫn hoặc dữ liệu thuộc quyền riêng tư. Fine-tuning thay đổi hành vi hoặc chuyên môn của mô hình, đặc biệt khi cần định dạng đầu ra, phong cách hoặc kỹ năng lặp lại; nó không tự động cập nhật kiến thức mới. Trong doanh nghiệp, nên bắt đầu bằng prompt và RAG vì nhanh, dễ cập nhật và dễ truy vết. Chỉ fine-tuning khi đã đo được nhu cầu rõ ràng, có bộ đánh giá và chứng minh RAG không đáp ứng. Dù fine-tuning, vẫn cần guardrail và kiểm soát truy xuất nếu câu trả lời phải dựa trên nguồn kiểm chứng.

Hãy thiết kế chatbot nội bộ tra cứu hồ sơ bảo hiểm trong 5 phút.

Tôi sẽ bắt đầu bằng câu hỏi người dùng và phạm vi quyền, sau đó mới chọn kiến trúc. Dữ liệu tài liệu phải được phân loại, chunk theo ngữ nghĩa, gắn metadata và áp dụng quyền ở cả lúc lập chỉ mục lẫn lúc truy xuất. Pipeline gồm parsing/OCR, vector search hoặc hybrid search, reranking, prompt có nguồn, trích dẫn và chuyển tuyến khi độ tin cậy thấp. Hệ thống phải ghi log truy vấn, tài liệu đã dùng và câu trả lời; không đưa dữ liệu nhạy cảm vào log không kiểm soát. Tôi sẽ đánh giá bằng recall truy xuất, faithfulness, tỷ lệ câu trả lời hỗ trợ nghiệp vụ, độ trễ p95 và chi phí mỗi câu hỏi. Trước khi mở rộng, cần canary release, kiểm thử hồi quy, rollback và sự xác nhận của con người khi câu trả lời dẫn đến quyết định quan trọng.

AI Agent có thể tự gọi nhiều công cụ. Làm thế nào để tránh Agent thực hiện hành động nguy hiểm?

Tôi sẽ phân loại công cụ theo mức tác động: đọc, đề xuất và ghi thay đổi. Agent chỉ được tự động thực hiện nhóm đọc; thao tác ghi dữ liệu hoặc quyết định tài chính phải có xác nhận của người dùng hoặc quy trình phê duyệt. Mỗi tool cần schema rõ, quyền tối thiểu, timeout, retry giới hạn, idempotency và audit log. Dữ liệu trả về từ tool phải được coi là nội dung không đáng tin, có thể chứa prompt injection, nên không được dùng để ghi đè chỉ dẫn hệ thống. Hệ thống cần giới hạn số bước, ngân sách token và chi phí, fallback khi lặp, cơ chế phát hiện vòng lặp và chuyển tuyến khi không chắc chắn. Cuối cùng, mọi bước phải truy vết được để kiểm toán và điều tra sự cố.

Tôi không có kinh nghiệm trực tiếp trong ngành bảo hiểm. Điều đó có phải điểm yếu lớn không?

Đây là khoảng trống cần bù nhưng không nhất thiết là điểm loại. Nhiều hệ thống bảo hiểm có thể được thiết kế tốt nếu kỹ sư hiểu quy trình, dữ liệu, rủi ro và cách phối hợp với chuyên gia nghiệp vụ. Trước phỏng vấn, hãy học cơ bản về underwriting, bồi thường, tái tục hợp đồng, hồ sơ khách hàng và các điểm phê duyệt. Chuẩn bị một case minh họa việc bạn sẽ hỏi nghiệp vụ, đo KPI, xây guardrail và đưa con người vào vòng quyết định. Hãy nói rõ bạn thiếu kinh nghiệm nhưng có phương pháp học nghiệp vụ cụ thể; điều này thành tính thực hơn là giả vờ đã hiểu sâu.

Mức lương, giờ làm và KPI của vị trí này như thế nào?

Tin tuyển dụng hiện chỉ ghi lương “Thỏa thuận” và không cung cấp phúc lợi, lịch làm việc hoặc KPI chính thức, nên không nên suy đoán như một cam kết. Theo phạm vi Expert, bạn có thể tham khảo khoảng 50–80 triệu đồng gross mỗi tháng nếu có kinh nghiệm production, mentoring và dẫn dắt; đây chỉ là ước lượng và mức lương có thể thay đổi tùy ngân hàng và thời điểm. KPI khả năng liên quan đến tiến độ triển khai, chất lượng mô hình, độ ổn định, chi phí, mức sử dụng và giá trị kinh doanh, nhưng cần hỏi trực tiếp. Trong lúc phỏng vấn, hãy hỏi về cấu trúc lương thưởng, tỷ lệ đánh giá theo quý, chính sách làm việc linh hoạt, ngày nghỉ phép và tiêu chí thăng cấp.

Tôi cần tăng trưởng từ kỹ sư lên vai trò Lead/Expert trong 1–2 năm. Tôi nên chuẩn bị gì?

Trước hết, hãy sở hữu một use case end-to-end và có số liệu chứng minh tác động. Sau đó, mở rộng từ xây dựng sang thiết kế: tạo chuẩn kiến trúc, review thiết kế của đồng đội, định nghĩa chất lượng và vận hành. Bạn cần luyện mentoring có cấu trúc, trình bày quyết định, quản lý stakeholder và xử lý bất đồng. Hãy chủ động dẫn dắt một sáng kiến chuẩn hóa, ví dụ evaluation framework, quy trình phê duyệt mô hình hoặc chương trình chia sẻ kiến thức. Trong mọi bài trình bày, nêu rõ quyết định, trade-off, rủi ro, metric và kết quả sau cải tiến. Đó là bằng chứng sát nhất với yêu cầu technical leadership.

Trong phỏng vấn, nên trả lời thế nào khi hỏi về một dự án AI thất bại?

Hãy chọn một lỗi thật, có thể thất bại một phần nhưng đã được xử lý có bài học. Trình bày theo thứ tự: mục tiêu và tiêu chí thành công; vì sao giải pháp ban đầu được chọn; tín hiệu cho thấy có vấn đề; cách bạn phân tích dữ liệu, log và metric; các nguyên nhân gốc; lựa chọn sửa chữa và trade-off; kết quả sau sửa; phần quy trình nào đã thay đổi để tránh lặp lại. Không đổ lỗi cho mô hình hoặc đồng nghiệp. Nếu sự cố liên quan dữ liệu hoặc vận hành, hãy nói rõ biện pháp kiểm soát mới như kiểm thử hồi quy, canary release, monitoring, quyền truy cập hoặc rollback.

Một hệ thống RAG đã hoạt động tốt với tài liệu cũ nhưng chất lượng giảm sau khi thêm tài liệu mới. Tôi sẽ điều tra như thế nào?

Tôi sẽ không vội thay mô hình. Trước tiên, kiểm tra ingestion có đầy đủ, parse đúng và gắn đúng metadata không; sau đó so sánh phân phối độ dài chunk, ngôn ngữ, nguồn và quyền truy cập. Tiếp theo, đánh giá riêng tầng truy xuất bằng recall@k, MRR hoặc nDCG trên bộ câu hỏi đã biết. Nếu truy xuất đúng nhưng câu trả lời sai, tôi kiểm tra context ordering, độ dài prompt, reranking, prompt và tương thích mô hình. Nếu truy xuất sai, tôi kiểm tra embedding, chunking, hybrid search, filter và chất lượng index. Sau khi xác định nguyên nhân, tôi chạy thử nghiệm có nhóm đối chứng, đo chi phí và độ trễ, rồi mới triển khai canary và có rollback.