[HO] - AI ENGINEER
Mô tả công việc
- Design, build, optimize, and integrate AI models for application problems in Business/Banking operations in the fields of NLP, Computer Vision, ...
- Participate in research, development and optimization of AI models, especially in the fields of Natural Language Processing (NLP) and Large Languege Models (LLM).
- Optimize RAG solutions, intelligent CHATBOT, and information search system.
- Deploy AI models to production environment, ensuring performance and reliability...
- Other tasks as required by Department Head.
Phân tích kỹ năng cần có
Phân tích kỹ năng cho vị trí AI Engineer – Shinhan Bank Vietnam
🎯 Tổng quan vị trí
Đây là vị trí AI Engineer tại trụ sở chính (HO) của Shinhan Bank – một trong những ngân hàng Hàn Quốc lớn nhất đang hoạt động tại Việt Nam. Vị trí tập trung vào nghiên cứu, phát triển và triển khai các mô hình AI trong lĩnh vực Banking, đặc biệt là NLP và LLM.
---
🔧 Hard Skills cần có
1. Nền tảng lập trình & Khoa học dữ liệu
- Python (bắt buộc) – Thành thạo các thư viện: NumPy, Pandas, Scikit-learn
- SQL – Truy vấn, xử lý dữ liệu từ database ngân hàng
- Git/Docker/Linux – Quản lý code và triển khai môi trường
2. Machine Learning & Deep Learning
- Frameworks: TensorFlow, PyTorch, Hugging Face Transformers
- Kiến thức nền: Linear/Logistic Regression, Decision Tree, XGBoost, Neural Networks, CNN, RNN, Transformer architecture
3. NLP & LLM (Trọng tâm của JD)
- Hiểu sâu về kiến trúc Transformer (BERT, GPT, T5, LLaMA…)
- Kinh nghiệm fine-tuning LLM (LoRA, QLoRA, PEFT)
- RAG (Retrieval-Augmented Generation): Vector database (Pinecone, Weaviate, Milvus, ChromaDB), embedding models
- Prompt Engineering & Chain-of-Thought
- Chatbot frameworks: Rasa, LangChain, LlamaIndex
4. Computer Vision (phụ)
- OpenCV, YOLO, OCR (Tesseract, PaddleOCR)
- Ứng dụng: nhận diện chữ ký, xử lý CCCD/CMND, check giả mạo
5. MLOps & Triển khai
- Triển khai model lên production (AWS SageMaker, GCP Vertex AI, Azure ML)
- Model monitoring, A/B testing, CI/CD cho ML
- API serving: FastAPI, Flask, TorchServe, Triton
---
🤝 Soft Skills cần thiết
| Soft Skill | Mức độ quan trọng | Lý do |
|---|---|---|
| Tư duy phản biện | ⭐⭐⭐⭐⭐ | Đánh giá model có thực sự phù hợp với bài toán ngân hàng |
| Giao tiếp với business | ⭐⭐⭐⭐⭐ | Cần dịch yêu cầu nghiệp vụ sang giải pháp kỹ thuật |
| Tiếng Anh (đọc tài liệu) | ⭐⭐⭐⭐ | Tài liệu LLM hầu hết bằng tiếng Anh |
| Tiếng Hàn (giao tiếp) | ⭐⭐⭐ | Làm việc với team Hàn Quốc – lợi thế cạnh tranh |
| Quản lý thời gian | ⭐⭐⭐⭐ | Handle nhiều dự án song song |
| Tinh thần học hỏi | ⭐⭐⭐⭐⭐ | LLM/CV thay đổi cực nhanh, cần cập nhật liên tục |
---
📜 Chứng chỉ gợi ý (ưu tiên từ cao xuống thấp)
| Chứng chỉ | Tổ chức | Giá trị cho JD này |
|---|---|---|
| AWS Certified Machine Learning – Specialty | AWS | Rất cao (cloud deployment) |
| TensorFlow Developer Certificate | Cao (framework chính) | |
| Azure AI Engineer Associate (AI-102) | Microsoft | Cao (nếu bank dùng Azure) |
| Deep Learning Specialization | Coursera (Andrew Ng) | Trung bình – Cao (nền tảng) |
| Hugging Face NLP Course (miễn phí) | Hugging Face | Cao (cho NLP/LLM) |
---
📊 Bảng so sánh công cụ quan trọng cho vị trí này
| Công cụ | Dùng cho | Ưu điểm | Nhược điểm |
|---|---|---|---|
| LangChain | RAG, Chatbot, Agent | Ecosystem lớn, dễ prototype | Có thể overhead khi production |
| LlamaIndex | RAG, indexing data | Tốt cho indexing tài liệu | Ít flexibility hơn LangChain |
| Hugging Face | Fine-tune, Inference | Model hub phong phú | Large models cần GPU mạnh |
| Pinecone | Vector DB (managed) | Dễ scale, latency thấp | Chi phí cao |
| Milvus / Weaviate | Vector DB (self-host) | Open-source, miễn phí | Tự quản lý infra |
| FastAPI | Serve model qua API | Nhanh, async tốt | Cần custom thêm cho ML |
Chuẩn bị phỏng vấn
Hướng dẫn phỏng vấn vị trí AI Engineer – Shinhan Bank Vietnam
📋 Quy trình tuyển dụng dự kiến (3-4 vòng)
Tham khảo quy trình chuẩn của ngân hàng Hàn tại Việt Nam:
Vòng 1: HR Screening (30-45 phút)
- Giới thiệu bản thân, kinh nghiệm, mục tiêu nghề nghiệp
- Trao đổi mức lương mong muốn, thời gian có thể join
- Tại sao chọn Shinhan, tại sao ngân hàng
Vòng 2: Technical Test / Assignment (tùy vị trí)
- Có thể yêu cầu làm bài test online về Python, SQL, ML cơ bản
- Hoặc assignment: build một mini RAG chatbot, fine-tune BERT cho bài toán text classification…
Vòng 3: Technical Interview chuyên sâu (60-90 phút)
- Hỏi trực tiếp về kiến thức ML/DL, NLP, LLM
- Có thể có whiteboard coding hoặc live debugging
- Hỏi về các project đã làm trong CV
Vòng 4: Final Interview với Hiring Manager / Country Head (45-60 phút)
- Câu hỏi về tư duy chiến lược, business understanding
- Văn hóa Hàn Quốc: có thể hỏi về khả năng làm việc nhóm, hierarchy
- Offer và đàm phán lương
---
❓ Câu hỏi phỏng vấn hay gặp
Vòng HR Screening
1. "Tại sao bạn muốn làm AI Engineer cho ngân hàng thay vì tech company?"
2. "Bạn biết gì về Shinhan Bank? Chiến lược digital transformation của họ?"
3. "Mức lương bạn mong muốn là bao nhiêu? Khi nào bạn có thể bắt đầu?"
Vòng Technical – ML/DL cơ bản
1. "Giải thích sự khác nhau giữa L1 và L2 regularization?"
2. "Làm thế nào để xử lý overfitting? Kể tên ít nhất 4 cách."
3. "Precision vs Recall – khi nào nên ưu tiên cái nào? Ví dụ trong bài toán phát hiện gian lận thẻ tín dụng?"
4. "Giải thích kiến trúc Transformer. Tại sao Self-Attention lại hiệu quả hơn RNN?"
Vòng Technical – NLP/LLM chuyên sâu
1. "Sự khác nhau giữa BERT và GPT? Tại sao GPT là decoder-only?"
2. "Fine-tuning LLM là gì? So sánh Full Fine-tuning vs LoRA vs QLoRA."
3. "RAG hoạt động như thế nào? Khi nào nên dùng RAG thay vì fine-tune?"
4. "Bạn đã dùng embedding model nào? Kích thước vector nào phù hợp?"
5. "Làm sao để đánh giá chất lượng một chatbot? Kể tên các metric."
6. "Hallucination trong LLM là gì? Làm sao giảm thiểu?"
Vòng Technical – Computer Vision
1. "Bạn đã làm OCR chưa? So sánh Tesseract vs PaddleOCR vs API cloud?"
2. "YOLO hoạt động như thế nào? Ưu điểm so với Faster R-CNN?"
Vòng Technical – Banking Domain
1. "Làm sao để áp dụng AI vào phát hiện giao dịch bất thường?"
2. "Trong bài toán phân loại khách hàng có nên cho vay hay không, làm sao xử lý bias trong dữ liệu?"
3. "Compliance & data privacy trong ngân hàng – bạn hiểu gì về GDPR/PDPA?"
Vòng Final – Manager
1. "Bạn nghĩ AI sẽ thay đổi ngân hàng truyền thống như thế nào trong 5 năm tới?"
2. "Khi team có conflict về cách tiếp cận kỹ thuật, bạn xử lý thế nào?"
3. "Bạn đặt mục tiêu nghề nghiệp 5 năm tới ở đâu?"
---
👔 Dress Code
| Vòng | Trang phục |
|---|---|
| HR Screening | Business casual: áo sơ mi + quần tây/quần vải |
| Technical | Smart casual: áo polo hoặc sơ mi, quần tây |
| Final Interview | Formal: vest + sơ mi (đặc biệt với culture Hàn – chỉn chu rất quan trọng) |
> 💡 Mẹo: Shinhan là ngân hàng Hàn Quốc nên ưa chuộng sự chỉn chu, lịch sự, không cần quá "tech style".
---
🎯 Tips chuẩn bị quan trọng
1. Chuẩn bị 2-3 project "đắt giá" – Mỗi project phải nắm rõ: bài toán, data, model, kết quả, business impact
2. Ôn lại code trên giấy – Đặc biệt thuật toán cơ bản, SQL, Python
3. Đọc về Shinhan – Chiến lược 4.0 (Shinhan Finance & Life Platform), các sản phẩm số
4. Chuẩn bị câu hỏi cho interviewer – Ví dụ: "Tech stack của team hiện tại như thế nào?", "Roadmap AI trong ngân hàng 1-2 năm tới ra sao?"
5. Học trước về RAG và LLM fine-tuning – Đây là 2 keyword nóng nhất trong JD
Lộ trình ôn thi
Lộ trình ôn thi & chuẩn bị trong 1-2 tuần
📅 Lộ trình 14 ngày
---
Ngày 1-2: Nền tảng ML cơ bản
- ✅ Ôn lại Supervised/Unsupervised Learning, Loss functions, Optimizers
- ✅ Đọc lại regularization, cross-validation, evaluation metrics
- ✅ Tham khảo: Hands-On Machine Learning (Aurélien Géron) – Chương 1-6
- ✅ Làm 20 câu MCQ ML cơ bản trên Kaggle
Ngày 3-4: Deep Learning & Transformer
- ✅ Đọc bài blog: "Attention Is All You Need" – paper gốc của Transformer
- ✅ Hiểu rõ: Self-Attention, Multi-Head Attention, Positional Encoding
- ✅ Visualize kiến trúc trên https://jalammar.github.io/visualizing-transformers/
- ✅ Code lại Transformer đơn giản bằng PyTorch (tutorial của PyTorch)
Ngày 5-6: NLP & LLM
- ✅ Học Hugging Face Course (miễn phí): https://huggingface.co/learn
- ✅ Thực hành fine-tune BERT cho text classification
- ✅ Tìm hiểu về GPT, LLaMA, Mistral, Qwen
- ✅ Thử nghiệm inference với `transformers` library
Ngày 7-8: RAG & Vector Database
- ✅ Học LangChain/LlamaIndex docs cơ bản
- ✅ Build một mini RAG chatbot trên dữ liệu PDF của bạn
- ✅ So sánh các vector DB: ChromaDB (miễn phí, local), FAISS, Pinecone
- ✅ Tìm hiểu về embedding: OpenAI, BGE-M3, Vietnamese embedding (BKAI)
Ngày 9-10: LLM Fine-tuning
- ✅ Học LoRA, QLoRA từ paper gốc
- ✅ Thực hành với PEFT library của Hugging Face
- ✅ (Optional) Build dataset và fine-tune 1 model 7B trên Colab Pro
- ✅ Tìm hiểu Vietnamese LLM: Vistral, PhoGPT, VinaLLM
Ngày 11-12: Banking Domain Knowledge
- ✅ Đọc về Risk Management, Fraud Detection trong ngân hàng
- ✅ Tìm hiểu ứng dụng AI trong banking: credit scoring, AML, customer service, OCR
- ✅ Đọc báo cáo của McKinsey/Bain về AI trong financial services
- ✅ Nắm các quy định: SBV về AI, PDPA Việt Nam
Ngày 13: Production & MLOps
- ✅ Học FastAPI để serve model
- ✅ Tìm hiểu Docker, CI/CD basics
- ✅ Đọc về model monitoring, drift detection
- ✅ (Optional) Triển khai chatbot demo lên Hugging Face Spaces hoặc Streamlit Cloud
Ngày 14: Mock Interview & Review
- ✅ Tự luyện tập trả lời câu hỏi kỹ thuật (nói to trước gương)
- ✅ Review lại toàn bộ project trong CV
- ✅ Đọc news về Shinhan Bank trong 3 tháng gần nhất
- ✅ Chuẩn bị 5 câu hỏi thông minh cho interviewer
---
📚 Tài liệu tham khảo
| Loại | Tên | Link/Ghi chú |
|---|---|---|
| Sách | Hands-On Machine Learning | Aurélien Géron – kinh điển |
| Sách | Designing Machine Learning Systems | Chip Huyen – về MLOps |
| Sách | Natural Language Processing with Transformers | Hugging Face team |
| Khóa học | Deep Learning Specialization | Coursera – Andrew Ng |
| Khóa học | Hugging Face NLP Course | huggingface.co/learn – miễn phí |
| Khóa học | LangChain for LLM Applications | DeepLearning.AI |
| Paper | Attention Is All You Need | arxiv.org/abs/1706.03762 |
| Paper | LoRA: Low-Rank Adaptation | arxiv.org/abs/2106.09685 |
| Blog | Lilian Weng's Blog | lilianweng.github.io – rất sâu về LLM |
| Blog | Sebastian Raschka | Các bài về Transformer, LLM |
| Tool | LangChain Docs | python.langchain.com |
| Tool | Weights & Biases | wandb.ai – tracking experiments |
---
🎯 Kiến thức nền tảng cần nắm vững
A. Toán học (không quá sâu nhưng cần hiểu)
- Linear Algebra: ma trận, vector, dot product
- Calculus: đạo hàm, gradient
- Probability: Bayes, distribution
B. Lập trình
- Python: list/dict comprehension, decorator, generator
- SQL: JOIN, subquery, window function
- Linux command cơ bản
C. ML Concepts
- Bias-Variance tradeoff
- Train/Validation/Test split, Cross-validation
- Overfitting, Regularization (L1, L2, Dropout)
- Optimizer: SGD, Adam, AdamW
- Loss function cho classification & regression
D. NLP/LLM Specific
- Tokenization (BPE, WordPiece, SentencePiece)
- Embedding & Vector Space
- Pre-training vs Fine-tuning vs Prompt-tuning
- RAG, Fine-tuning, RLHF – khi nào dùng gì
- Hallucination, Safety, Alignment
---
⏰ Phân bổ thời gian học mỗi ngày
| Khung giờ | Hoạt động |
|---|---|
| 07:00-09:00 | Đọc paper/blog lý thuyết |
| 09:00-12:00 | Code thực hành (Hugging Face, LangChain) |
| 14:00-16:00 | Làm bài tập, project nhỏ |
| 20:00-22:00 | Review kiến thức, mock interview |
Tư vấn nghề nghiệp
Lời khuyên sự nghiệp cho AI Engineer trong ngân hàng
🚀 Lộ trình thăng tiến tại Ngân hàng Hàn Quốc (Shinhan, KB, Hana…)
Thông thường cấu trúc team AI/Data tại các ngân hàng Hàn tại VN:
```
Level 1: AI Engineer (Junior) – 0-2 năm kinh nghiệm
Level 2: AI Engineer (Mid/Senior) – 3-5 năm
Level 3: Senior AI Engineer / Lead – 5-7 năm
Level 4: AI Manager / Team Lead – 7-10 năm
Level 5: Head of AI / Digital Director – 10+ năm
```
💰 Mức lương kỳ vọng theo cấp bậc (2024-2025, TP.HCM)
| Cấp bậc | Kinh nghiệm | Mức lương thị trường | Tại ngân hàng Hàn (Shinhan, KB…) |
|---|---|---|---|
| Junior AI Engineer | 0-2 năm | 18-30 triệu | 22-35 triệu |
| Mid AI Engineer | 2-4 năm | 30-55 triệu | 40-65 triệu |
| Senior AI Engineer | 4-7 năm | 55-100 triệu | 70-120 triệu |
| Lead / Manager | 7-10 năm | 100-180 triệu | 120-200 triệu |
| Director | 10+ năm | 180-300 triệu+ | 200-400 triệu+ |
> 💡 Note: Ngân hàng Hàn thường trả cao hơn thị trường 15-25% nhưng đi kèm chế độ tốt: thưởng Tết 2-4 tháng lương, bảo hiểm sức khỏe cao cấp (Shinghai Life), 13-14 ngày phép/năm, hỗ trợ học tiếng Hàn.
---
📊 So sánh 3 hướng đi cho AI Engineer
| Hướng đi | Ưu điểm | Nhược điểm | Phù hợp với |
|---|---|---|---|
| Tech company (FPT, VNG, Tiki) | Lương cao (50-100M+), công nghệ mới nhất, open culture | Áp lực lớn, deadline khắt khe, dễ burnout | Người thích coding thuần, chuyên sâu kỹ thuật |
| Ngân hàng Hàn (Shinhan, KB…) | Lương tốt, chế độ ổn định, công việc thực tế tác động lớn | Môi trường Hàn hơi cứng, pace chậm hơn tech firm | Người thích ổn định, muốn impact vào tài chính |
| Fintech (MoMo, ZaloPay, VNPay) | Innovation cao, sản phẩm tới hàng triệu user | Cạnh tranh khốc liệt, IPO uncertainty | Người thích disrupt, làm sản phẩm user-facing |
| Big Tech (Google, Microsoft VN) | Lương cao nhất (100-300M+), brand mạnh | Khó vào, scope hẹp, ít banking knowledge | Top 1% technical talent |
---
🎯 Kỹ năng cần phát triển thêm theo từng giai đoạn
Giai đoạn Junior (0-2 năm)
- Thành thạo Python, SQL, Git
- Nắm vững scikit-learn, một framework DL (PyTorch hoặc TF)
- Hoàn thành 3-5 project cá nhân có trên GitHub
- Đóng góp cho open-source (tùy khả năng)
Giai đoạn Mid (2-4 năm)
- Thành thạo LLM/RAG pipeline
- Biết triển khai model lên production
- Học banking domain: credit risk, AML, fraud detection
- Có 1-2 chứng chỉ (AWS, Azure)
- Học cơ bản tiếng Hàn (TOPIK 2-3)
Giai đoạn Senior (4-7 năm)
- Thiết kế được kiến trúc ML/LLM system từ đầu
- Mentor junior, lead project
- Đóng góp vào kiến trúc tổng của ngân hàng
- Publish paper/patent (bonus)
- Networking với AI community Việt Nam
Giai đoạn Lead/Manager (7+ năm)
- Strategy & roadmap cho AI team
- Quản lý stakeholder, đàm phán budget
- Theo dõi AI trend & đánh giá tech mới
- Business acumen sâu hơn kỹ thuật
- Quản lý vendor (OpenAI, AWS…)
---
💡 Lời khuyên thực tế
1. Làm ở ngân hàng Hàn là lựa chọn "ổn định nhưng thú vị" – Bạn vừa được tiếp cận AI cutting-edge, vừa có cơ hội hiểu sâu về finance
2. Tiếng Hàn là lợi thế cạnh tranh lớn – Nếu bạn có TOPIK 3-4, cơ hội thăng tiến lên vị trí cross-border (Hàn - VN) sẽ rộng mở hơn
3. Đừng bỏ qua compliance – Ngân hàng rất coi trọng bảo mật & tuân thủ, học về data governance, PDPA, SBV regulation là điểm cộng
4. Build personal brand – Viết blog, làm YouTube, nói ở meetup AI Vietnam (VietnamAI, VietAI…) sẽ giúp CV nổi bật
5. Chuẩn bị cho LLM application era – Năm 2024-2026 là giai đoạn các ngân hàng Đông Nam Á đua nhau ứng dụng GenAI. Đây là cơ hội vàng
6. Lương có thể đàm phán thêm – Đặc biệt nếu bạn có kinh nghiệm về LLM/RAG thực tế, đừng ngại đề xuất mức cao hơn
---
⚠️ Những điều cần cân nhắc
- Tech stack có thể legacy – Ngân hàng đôi khi dùng hệ thống cũ, cần kiên nhẫn
- Quy trình chậm – Từ lúc đề xuất đến lúc deploy có thể mất vài tháng
- Yêu cầu cao về compliance – Bạn không thể "move fast and break things" như startup
- Áp lực chứng minh ROI – Phải chứng minh AI project có business value
- Cạnh tranh từ fintech – Nếu bạn thích "disrupt", có thể sẽ thấy hơi boring
Câu hỏi thường gặp
Em mới ra trường ngành CNTT, chưa có kinh nghiệm thực tế về AI thì có nên apply vị trí AI Engineer ở ngân hàng không?
Có thể apply, nhưng xác suất vào sẽ thấp. Ngân hàng Hàn như Shinhan thường ưu tiên người có ít nhất 1-2 năm kinh nghiệm thực tế với NLP hoặc Computer Vision. Lời khuyên cho em: (1) Làm 3-5 project cá nhân đẩy lên GitHub – ví dụ chatbot RAG hỏi đáp tài liệu, OCR chứng minh nhân dân; (2) Học chứng chỉ AWS ML hoặc Azure AI; (3) Thực tập ở fintech hoặc startup AI 6-12 tháng trước rồi apply lại. Nếu vẫn muốn thử, hãy apply vị trí Junior Data Scientist hoặc ML Engineer ở công ty nhỏ trước, build nền tảng 1-2 năm rồi "nhảy" sang ngân hàng.
Mức lương kỳ vọng bao nhiêu cho vị trí AI Engineer tại Shinhan nếu tôi có 3 năm kinh nghiệm về NLP?
Với 3 năm kinh nghiệm NLP + biết LLM/RAG, mức lương thị trường tại TP.HCM dao động 40-65 triệu. Tại ngân hàng Hàn như Shinhan, thường là 50-75 triệu (đã bao gồm thưởng Tết ~2-4 tháng). Nếu bạn có thêm thành tích về fine-tune LLM thực tế trong production, có thể đàm phán 70-90 triệu. Mẹo: đừng đưa ra con số cụ thể ngay từ đầu, hãy nói "tôi muốn tìm hiểu thêm về chế độ đãi ngộ tổng thể" rồi để HR đưa range trước, dựa vào đó đàm phán cao hơn 10-20%. Cũng nhớ hỏi về: thưởng quý, review lương hàng năm, chế độ training, hỗ trợ đi Hàn.
Tôi là Data Scientist muốn chuyển sang làm AI Engineer ở ngân hàng, cần bổ sung gì?
Bạn đã có nền tảng tốt về ML, cần tập trung 4 thứ: (1) LLM thực chiến – Học fine-tuning (LoRA, QLoRA), RAG pipeline (vector DB, embedding, prompt engineering), dùng LangChain/LlamaIndex; (2) Production deployment – Học FastAPI, Docker, deploy lên cloud (AWS SageMaker hoặc Azure ML), CI/CD cho ML; (3) Banking knowledge – Đọc về credit scoring, AML, fraud detection, xử lý data compliance (PDPA); (4) Code portfolio – Làm 1-2 project end-to-end: từ data → train → deploy thành API. Gợi ý: xây chatbot tư vấn tài chính dùng RAG trên tài liệu ngân hàng, hoặc hệ thống phát hiện giao dịch bất thường. CV của bạn nên ghi rõ "end-to-end ownership" thay vì chỉ "built models". Với kinh nghiệm Data Scientist sẵn có, thời gian chuyển đổi khoảng 6-12 tháng học + 2-3 project cá nhân là hoàn toàn khả thi.
Làm AI Engineer trong ngân hàng khác gì so với tech company? Có nhàm chán không?
Khác biệt khá rõ. Ở tech company: pace nhanh, thường xuyên ship feature mới, dùng công nghệ bleeding-edge, nhưng áp lực cao, dễ burnout. Ở ngân hàng: chậm hơn nhưng stable, dữ liệu thực tế rất phong phú (giao dịch, khách hàng, rủi ro), ảnh hưởng lớn đến hàng triệu người dùng. Đặc biệt 2024-2026 là giai đoạn các ngân hàng đẩy mạnh GenAI – không nhàm chán đâu! Bạn sẽ làm chatbot nội bộ, hệ thống phát hiện gian lận, OCR hợp đồng, credit scoring, RAG cho nhân viên tư vấn... Nhàm chán hay không phụ thuộc vào team và dự án. Ngân hàng Hàn như Shinhan đầu tư khá nghiêm túc cho AI, không phải làm cho có.
Tôi đã làm AI Engineer 5 năm ở tech startup, có nên chuyển sang ngân hàng để tăng lương?
Nên cân nhắc kỹ. Về lương: ngân hàng Hàn thường trả ngang hoặc cao hơn startup 15-30% (do có thưởng Tết + phúc lợi tốt). Nhưng quan trọng hơn là: ở startup bạn làm được end-to-end, chạm nhiều công nghệ mới; ở ngân hàng có thể bị thu hẹp scope, chậm hơn về công nghệ. Nếu bạn muốn: ổn định, work-life balance tốt hơn, tiếp cận dữ liệu tài chính thực, brand ngân hàng trên CV → chuyển sang. Nếu bạn muốn: tốc độ học nhanh, công nghệ mới nhất, equity/options → ở lại startup hoặc apply Big Tech. Một cách trung hòan: sang ngân hàng 3-5 năm build domain knowledge + brand, sau đó "nhảy" lên fintech lead với mức lương rất cao. Nhiều người làm theo path này rất thành công.
Phỏng vấn AI Engineer ở ngân hàng Hàn như Shinhan có khác gì tech company không?
Có 3 điểm khác biệt lớn: (1) Hỏi nhiều về business & compliance – Họ muốn biết bạn hiểu rủi ro AI trong banking, data privacy, regulatory (PDPA, SBV). Tech company thường ít hỏi phần này. (2) Thường có vòng phỏng vấn với người Hàn – Có thể bằng tiếng Anh hoặc có translator, nhưng nếu biết tiếng Hàn sẽ là lợi thế lớn. Họ đánh giá cao sự chỉn chu, formal. (3) Test code trên giấy/whiteboard – Shinhan khá conservative về tuyển dụng, có thể cho bài test giấy hoặc live coding nghiêm túc hơn startup. Câu hỏi thường practical hơn là theoretical – ví dụ "Làm sao build hệ thống OCR CCCD có accuracy 99%?" thay vì hỏi công thức toán. Chuẩn bị thêm: kể 1-2 câu chuyện về việc bạn áp dụng AI vào bài toán thực tế có business impact.
Lộ trình học LLM/RAG trong 6 tháng cho người mới bắt đầu để apply vào vị trí như Shinhan?
Lộ trình 6 tháng khả thi: Tháng 1-2: Học Python nâng cao, SQL, Git, ôn lại ML cơ bản (scikit-learn), làm quen PyTorch. Tháng 2-3: Học NLP cơ bản (tokenization, embedding), dùng Hugging Face, fine-tune BERT cho text classification. Tháng 3-4: Tìm hiểu LLM (GPT, LLaMA), prompt engineering, fine-tune với LoRA, build chatbot đơn giản. Tháng 4-5: Học RAG (vector DB, embedding, LangChain), build 1 project RAG end-to-end. Tháng 5-6: Deploy lên cloud (AWS/Azure), viết API bằng FastAPI, làm 1 project portfolio hoàn chỉnh trên GitHub. Tài liệu: Hugging Face course (miễn phí), LangChain docs, DeepLearning.AI short courses. Quan trọng: phải code mỗi ngày, đọc paper 1 tuần/lần, làm project end-to-end để hiểu production. Với effort 2-3 tiếng/ngày, sau 6 tháng bạn hoàn toàn có thể apply mid-level.