Trung tâm Quản trị và phân tích dữ liệu - Chuyên gia Khoa học dữ liệu (phụ trách mảng AI)

Không có cơ hội cho vị trí này, nhưng em có thể:
1. Apply vị trí Junior Data Scientist tại OCB hoặc ngân hàng khác (Techcombank, MB, VPBank thường tuyển fresher)
2. Làm 2-3 năm ở vị trí junior/mid để xây dựng nền tảng, đặc biệt là AI/LLM (đang hot)
3. Trong thời gian chờ, em có thể contribute open source, làm Kaggle, viết blog về AI trong banking
4. Sau 5 năm với portfolio mạnh (đặc biệt có 1-2 dự án AI banking end-to-end), em hoàn toàn có thể ứng tuyển vị trí như OCB đang tuyển. Kiên nhẫn nhé!

Bạn đã có nền tảng tốt về Python/SQL, hãy ưu tiên:
1. Học ML cơ bản: Andrew Ng ML Specialization (3-4 tháng)
2. Làm 2-3 project end-to-end: credit scoring, churn prediction, recommendation
3. Học LLM/RAG qua LangChain + OpenAI API (2-3 tháng)
4. Lấy 1 chứng chỉ cloud ML (AWS hoặc GCP) - 2-3 tháng
5. Tìm hiểu banking domain qua các khóa ngắn hạn
Tổng cộng 8-12 tháng tập trung, bạn có thể apply vị trí Mid Data Scientist. Backend experience là lợi thế lớn cho vị trí có yêu cầu LLMOps, deployment.

Theo thị trường hiện tại (2025-2026), với vị trí Senior DS phụ trách AI tại ngân hàng tầm trung-khá:

• Khoảng lương phổ biến: 60-100 triệu gross/tháng
• Nếu bạn có kinh nghiệm GenAI/LLM đặc biệt: có thể đẩy lên 100-130 triệu
• Cộng thêm: bonus 2-4 tháng/năm, bảo hiểm sức khỏe cao cấp
• Mẹo: khi đàm phán, đừng đưa con số cụ thể đầu tiên, hãy hỏi 'budget range cho vị trí này là bao nhiêu?' rồi anchor vào top 20-30% range. Với AI là mảng hot, bạn có negotiating power khá tốt.

RAG (Retrieval-Augmented Generation) là kỹ thuật kết hợp LLM với cơ sở dữ liệu ngoài để LLM trả lời chính xác hơn, có nguồn dựa trên dữ liệu riêng của ngân hàng.

Ứng dụng trong ngân hàng:

• Chatbot tư vấn sản phẩm dựa trên catalog nội bộ
• Tìm kiếm nội bộ: hỏi 'Quy trình mở thẻ tín dụng cho KH doanh nghiệp?'
• Hỗ trợ nhân viên: truy xuất policy, regulation tức thì
• Phân tích hợp đồng, chứng từ tự động

Ưu điểm so với chỉ fine-tune LLM: cập nhật knowledge real-time, không cần train lại, giảm hallucination. Đây là use case phổ biến nhất OCB và các ngân hàng đang triển khai.

MLOps tập trung vào quản lý traditional ML models (classification, regression), còn LLMOps là MLOps cho Large Language Models với những thách thức riêng:

Khác biệt chính:
1. Cost management: LLM inference tốn kém hơn nhiều, cần caching, batching, model routing
2. Prompt versioning: Phải track prompt changes như code
3. Evaluation: LLM output subjective, cần LLM-as-judge, human eval
4. Hallucination monitoring: Phải detect khi model bịa thông tin
5. Vector DB management: Embedding drift, retrieval quality
6. Token/latency budget: Tối ưu response time

Tools phổ biến: LangSmith, Helicone, LangFuse, PromptLayer, Weights & Biases, Arize Phoenix. Trong ngân hàng, LLMOps càng quan trọng vì compliance và cost control.

Theo kinh nghiệm nhiều lead data scientist chia sẻ:
1. 1-on-1 hàng tuần: 30 phút, lắng nghe blocker và định hướng
2. Code review không phải để chê: mục đích chia sẻ kiến thức, tìm alternative
3. Pair programming với junior 2-3 lần/tuần
4. Knowledge sharing session: mỗi người trình bày 1 chủ đề/tháng
5. Stretch project giao cho người có tiềm năng: ví dụ junior được dẫn dắt 1 POC
6. Career path rõ ràng: define technical ladder (Junior → Mid → Senior → Staff)
7. Bảo vệ team khỏi noise: lọc requirement vớ vẩn từ stakeholder
8. Celebrate small wins: deploy thành công 1 model cũng nên công nhận

Trong ngân hàng, việc mentor còn quan trọng hơn tech vì Data Scientist phải hiểu domain phức tạp.

Khi phỏng vấn với C-level (CEO, CTO, CIO) ngân hàng, kỹ năng kỹ thuật chỉ chiếm 30%, phần còn lại là:

1. Tư duy kinh doanh: Trình bày AI giải quyết vấn đề kinh doanh nào, ROI bao nhiêu
2. Slide đơn giản, có visual: Tránh jargon kỹ thuật, dùng infographic, số liệu
3. Executive summary trong 2 phút đầu: Nếu không grab attention, họ sẽ mất kiên nhẫn
4. Dám nói 'không': Nếu AI không phù hợp use case, nói thẳng thay vì cố làm
5. Hiểu chiến lược ngân hàng: Đề xuất AI project align với business goal
6. Ví dụ cụ thể: 'Techcombank làm X, chúng ta có thể làm Y tương tự'
7. Tin tưởng vào bản thân: C-level đánh giá cao sự tự tin + khiêm tốn
8. Câu hỏi thông minh: Hỏi về vision AI của ngân hàng 3-5 năm tới

OCB có những điểm mạnh và yếu riêng:

Điểm mạnh:

• Top 15 ngân hàng VN, đang chuyển đổi số mạnh mẽ
• App OCB OMNI được đánh giá cao
• Cơ hội xây dựng từ đầu (build from scratch) - tốt cho người muốn impact lớn
• Văn hóa trẻ trung hơn so với big 4 nhà nước
• Lãnh đạo đầu tư cho AI (đã có Data Center riêng)

Điểm cần cân nhắc:

• Quy mô dữ liệu nhỏ hơn Techcombank, MB
• Lương cạnh tranh ở mức khá, không phải top
• Áp lực regulatory cao
• Tốc độ triển khai chậm hơn fintech

Tổng kết: Phù hợp nếu bạn muốn ổn định, có cơ hội xây dựng AI từ đầu, không quá áp lực tăng trưởng như fintech. Không phù hợp nếu bạn ưu tiên lương top và tốc độ.

Câu trả lời phụ thuộc vào nhiều yếu tố:

AWS: Phổ biến nhất tại VN, nhiều tài liệu tiếng Việt, partner ecosystem lớn nhất. Nhiều ngân hàng chọn AWS (Techcombank, VPBank).

Azure: Phù hợp nếu ngân hàng đã dùng Microsoft stack (Office 365, Teams, Active Directory). Tích hợp tốt với enterprise. MB Bank đang dùng Azure nhiều.

GCP: Mạnh về data analytics (BigQuery), ML (Vertex AI), GenAI. Ít partner VN hơn. Một số fintech trẻ chọn GCP.

On-premise + Private Cloud: Nhiều ngân hàng VN vẫn giữ data on-premise vì quy định NHNN về data localization. Hybrid cloud là xu hướng.

Lời khuyên: Học AWS trước vì phổ biến nhất, sau đó bổ sung Azure. GCP có thể học sau. Quan trọng nhất là hiểu cloud architecture chứ không phải certification từng cái.