AI Engineer - MSIB
Mô tả công việc
MÔ TẢ CÔNG VIỆC Thiết kế, phát triển và triển khai các thành phần AI của platform phục vụ bài toán nghiệp vụ ngân hàng; bảo đảm giải pháp chạy ổn định trên production, đạt chất lượng đầu ra và tuân thủ chính sách bảo mật dữ liệu.
- Xây dựng pipeline RAG: ingest, chunking, embedding, retrieval, re-ranking; phát triển agent flow và tích hợp LLM vào sản phẩm
- Xây dựng và tinh chỉnh prompt; đánh giá chất lượng đầu ra (độ chính xác, độ liên quan, tỷ lệ hallucination)
- Phối hợp Data Scientist, BA và team nghiệp vụ chuyển đổi use case kinh doanh thành hệ thống AI khả thi
- Xây dựng pipeline huấn luyện – inference – monitoring theo chuẩn MLOps (Docker, MLflow, FastAPI, Airflow hoặc tương đương)
- Triển khai và vận hành service AI trên Kubernetes/OpenShift hoặc cloud, bảo đảm khả năng mở rộng và tuân thủ chính sách ngân hàng
- Kiểm thử mô hình: A/B testing, đánh giá bias, fairness, robustness và explainability (XAI)
- Viết tài liệu kỹ thuật và tham gia xử lý sự cố dịch vụ AI
YÊU CẦU CÔNG VIỆC
- Trình độ: Đại học chuyên ngành Công nghệ thông tin, Khoa học Máy tính hoặc ngành liên quan
- Kinh nghiệm: Tối thiếu 2 năm trong lĩnh vực Triển khai mô hình/giải pháp AI-ML thực tế
- Ưu tiên ứng viên có kinh nghiệm với use case ngân hàng (fraud detection, credit scoring, customer segmentation, số hóa chứng từ), anomaly detection, explainable AI, hệ thống thời gian thực (Kafka, Spark) và hiểu biết AML/KYC, Basel III, GDPR.
QUYỀN LỢI: 1, Lương thưởng hấp dẫn: • Mức lương cạnh tranh so với thị trường và tương xứng với năng lực, sẽ được thương lượng khi ứng viên vượt qua vòng Phỏng vấn. • Chế độ thưởng incentive/KPI và hoa hồng hấp dẫn, chi trả theo tháng, thu nhập không giới hạn (đối với nhóm vị trí bán hàng). Thưởng hiệu suất cuối năm từ 2 đến 5 tháng lương trung bình của năm, tùy theo kết quả đánh giá xếp loại. 2, Chính sách phúc lợi toàn diện: • Bảo hiểm theo quy định pháp luật và bảo hiểm nhân thọ riêng cho cán bộ nhân viên MSB. Các chế độ phúc lợi đa dạng: giờ làm việc linh hoạt, nghỉ mát, nghỉ sinh nhật, nghỉ khai giảng năm học cho con,... • Có chương trình vay với lãi suất ưu đãi cho CBNV. 3, Đào tạo và thăng tiến: • Chương trình Đào tạo chuyên sâu, bài bản theo hướng chuyển đổi (Re_skill, Up_skill, New_skill), được biên tập tùy theo từng nhóm vị trí công việc. • Được hướng dẫn và kèm cặp tận tình bởi các lãnh đạo, quản lý trực tiếp và chuyên gia trong ngành. • Chương trình phát triển quản lý dành cho các nhân viên có tiềm năng, giúp họ chuẩn bị sẵn sàng cho các vị trí quản lý và lãnh đạo trong tương lai. • Ưu tiên tuyển dụng cấp quản lý từ nhân sự nội bộ, tạo cơ hội thăng tiến cho nhân viên. 4, Môi trường làm việc chuyên nghiệp và văn hóa doanh nghiệp năng động: • Thoải mái, thân thiện, đề cao tinh thần trách nhiệm, hỗ trợ lẫn nhau. • Năng động, sáng tạo, khuyến khích đổi mới và học hỏi liên tục. • Tôn trọng sự khác biệt, đề cao tinh thần làm việc nhóm và hợp tác hiệu quả. • Nhiều hoạt động văn hóa, thể thao, giải trí sôi nổi, tạo môi trường làm việc gắn kết và vui vẻ. Nhiều năm liên tiếp được HR Asia vinh danh "Nơi làm việc tốt nhất Châu Á" và Anphabe vinh danh "Doanh nghiệp có nguồn Nhân lực hạnh phúc".
Phân tích kỹ năng cần có
Phân tích kỹ năng cần có cho vị trí AI Engineer - MSB
1. Hard Skills (Kỹ năng cứng) — Bắt buộc
Nền tảng lập trình & Khoa học dữ liệu
- Python nâng cao: thành thạo các thư viện NumPy, Pandas, Scikit-learn, đặc biệt là PyTorch hoặc TensorFlow.
- SQL & NoSQL: truy vấn dữ liệu lớn trên data warehouse (BigQuery, Snowflake, hoặc hệ thống nội bộ ngân hàng).
- Xử lý dữ liệu phân tán: Spark, Kafka để làm việc với streaming data trong bài toán fraud detection, giao dịch thời gian thực.
Kỹ năng AI/ML cốt lõi (trọng tâm JD)
- RAG pipeline: hiểu rõ kiến trúc Retrieval-Augmented Generation từ ingest → chunking → embedding → retrieval → re-ranking.
- LLM & Prompt Engineering: kinh nghiệm tích hợp các mô hình ngôn ngữ lớn (GPT, Claude, Llama, hoặc mô hình nội bộ), tinh chỉnh prompt, đánh giá hallucination.
- Agent flow: phát triển AI agent có khả năng gọi tool, multi-step reasoning.
- Đánh giá mô hình: A/B testing, bias/fairness, robustness, explainability (XAI) — đây là điểm phân biệt giữa AI Engineer "thường" và AI Engineer ngân hàng.
MLOps & DevOps
- Container & Orchestration: Docker, Kubernetes hoặc OpenShift (bắt buộc — JD nêu rõ).
- MLOps tools: MLflow (tracking, registry), Airflow (workflow), FastAPI (serve model).
- Cloud: AWS/GCP/Azure — ưu tiên Azure vì nhiều ngân hàng Việt Nam đang chuyển đổi theo hướng này.
- CI/CD: Jenkins, GitLab CI, ArgoCD cho việc deploy model tự động.
2. Kiến thức ngân hàng — Yếu tố cộng hưởng lớn
| Lĩnh vực | Mức độ cần | Ghi chú |
|---|---|---|
| Fraud Detection | Ưu tiên cao | Bài toán anomaly detection trên giao dịch |
| Credit Scoring | Ưu tiên cao | Mô hình xếp hạng tín dụng, PD/LGD/EAD |
| Customer Segmentation | Ưu tiên trung bình | Phân nhóm khách hàng cho cá nhân hoá sản phẩm |
| Số hoá chứng từ (OCR/IDP) | Ưu tiên cao | Rất "nóng" trong chuyển đổi số ngân hàng |
| AML/KYC | Ưu tiên cao | Chống rửa tiền, xác minh danh tính — yêu cầu tuân thủ |
| Basel III | Nên biết | Chuẩn vốn, rủi ro tín dụng |
| GDPR & bảo mật dữ liệu | Bắt buộc | Tuân thủ khi xử lý dữ liệu cá nhân |
3. Soft Skills
- Giao tiếp liên phòng ban: phối hợp với Data Scientist, BA, nghiệp vụ — kỹ năng "dịch" use case kinh doanh thành giải pháp kỹ thuật.
- Tư duy hệ thống: không chỉ train model mà phải nghĩ đến monitoring, scaling, incident handling.
- Chủ động học hỏi: lĩnh vực AI tiến triển rất nhanh, đặc biệt LLM và agent.
- Tinh thần trách nhiệm với dữ liệu nhạy cảm: ngân hàng xử lý dữ liệu tài chính — sai một dòng code có thể thành sự cố nghiêm trọng.
4. Chứng chỉ gợi ý (không bắt buộc nhưng tạo lợi thế)
| Chứng chỉ | Tổ chức | Giá trị |
|---|---|---|
| AWS Certified Machine Learning – Specialty | AWS | Cloud ML toàn diện |
| Google Professional ML Engineer | Tương đương trên GCP | |
| Certified Kubernetes Administrator (CKA) | CNCF | Deploy/operate production |
| TensorFlow Developer Certificate | Nền tảng deep learning | |
| Deep Learning Specialization (Coursera – Andrew Ng) | DeepLearning.AI | Nền tảng lý thuyết vững |
| Microsoft Azure AI Engineer Associate | Microsoft | Phù hợp ngân hàng dùng Azure |
5. Bảng so sánh công cụ MLOps phổ biến
| Công cụ | Chức năng chính | Ưu điểm | Phù hợp với ngân hàng? |
|---|---|---|---|
| MLflow | Experiment tracking, model registry | Open-source, dễ tích hợp | Rất tốt |
| Kubeflow | ML workflow trên Kubernetes | Native K8s, pipeline mạnh | Tốt (nếu đã có K8s) |
| Airflow | Workflow orchestration | DAG phức tạp, cộng đồng lớn | Tốt |
| SageMaker | End-to-end ML trên AWS | Tích hợp chặt AWS | Tốt nếu cloud AWS |
| Vertex AI | End-to-end ML trên GCP | Tích hợp GCP | Tốt nếu cloud GCP |
| MLOps Azure | End-to-end ML trên Azure | Phù hợp doanh nghiệp lớn | Rất tốt cho ngân hàng |
Lời khuyên thực tế: Vị trí này ở MSIB (MSB Innovation Branch) — đây là đơn vị chuyên đổi mới sáng tạo của MSB, tương đối "thoáng" so với phòng IT truyền thống. Ứng viên có tư duy startup, thích thử nghiệm công nghệ mới sẽ hợp. Tuy nhiên vẫn phải tuân thủ quy định ngân hàng, nên kỷ luật và tài liệu hoá là rất quan trọng.
Chuẩn bị phỏng vấn
Hướng dẫn phỏng vấn vị trí AI Engineer - MSB
Quy trình tuyển dụng dự kiến (4-5 vòng)
Vòng 1: HR Screening (30-45 phút)
- Xác nhận thông tin cá nhân, mức lương kỳ vọng, thời gian có thể onboard.
- Đánh giá sơ bộ về mức độ phù hợp văn hoá.
- Câu hỏi hay gặp:
- "Bạn biết gì về MSB và vị trí MSIB?"
- "Tại sao muốn làm AI trong ngân hàng thay vì tech company?"
- "Mức lương mong muốn của bạn?"
- "Bạn có thể bắt đầu từ khi nào?"
Vòng 2: Technical Test / Online Assessment (60-90 phút)
- Có thể là bài test trên HackerRank, Codility hoặc nền tảng riêng.
- Nội dung thường gồm:
- Lập trình Python (thuật toán, xử lý dữ liệu)
- SQL truy vấn phức tạp
- Câu hỏi tình huống về ML/MLOps
- Tips: Luyện LeetCode medium về Array, String, Tree; ôn SQL JOIN, window function; thực hành Pandas.
Vòng 3: Technical Interview chuyên sâu (60-90 phút)
- Phỏng vấn 1-1 với Senior AI Engineer hoặc AI Tech Lead.
- Câu hỏi kỹ thuật hay gặp:
Về LLM & RAG
- "Hãy giải thích kiến trúc RAG bạn từng triển khai. Tại sao chọn chunk size đó?"
- "Làm sao giảm hallucination trong hệ thống RAG?"
- "Sự khác biệt giữa fine-tuning, prompt engineering và RAG? Khi nào dùng cái nào?"
- "Re-ranking là gì? So sánh BM25, cosine similarity, cross-encoder?"
- "Agent là gì? Bạn đã build agent nào chưa?"
Về ML cổ điển & use case ngân hàng
- "Làm sao detect fraud transaction? Bạn chọn mô hình nào, features nào?"
- "Imbalanced data trong fraud detection xử lý thế nào?"
- "Credit scoring dùng mô hình nào? Ưu nhược điểm của Logistic Regression vs XGBoost?"
- "SHAP, LIME — giải thích và ứng dụng trong XAI?"
Về MLOps
- "Pipeline inference của bạn scale như thế nào?"
- "Kubernetes Pod, Deployment, Service khác nhau thế nào?"
- "Làm sao monitor model drift trong production?"
- "MLflow tracking experiment như thế nào?"
Vòng 4: Business Interview (45-60 phút)
- Phỏng vấn với Head of MSIB hoặc quản lý nghiệp vụ.
- Câu hỏi hay gặp:
- "Bạn đã từng làm việc với BA, nghiệp vụ ngân hàng chưa?"
- "Mô tả dự án AI bạn tâm đắc nhất. Bạn đóng vai trò gì?"
- "Xử lý thế nào khi model accuracy cao nhưng business không hài lòng?"
- "Khi nào nên dùng AI, khi nào không nên?"
Vòng 5: Final Interview với Ban lãnh đạo / HR Director (30-45 phút)
- Đánh giá fit văn hoá, tầm nhìn nghề nghiệp.
- Có thể thương lượng lương cuối cùng.
Tips chuẩn bị quan trọng
1. Nghiên cứu MSB & MSIB trước buổi phỏng vấn
- Đọc về chiến lược chuyển đổi số của MSB.
- Tìm hiểu sản phẩm ngân hàng số MSB (Mfast, Mpro, các tính năng AI đã có).
- Biết rõ MSIB là gì — đơn vị innovation, hoạt động ra sao.
2. Chuẩn bị Portfolio thực tế
- Có ít nhất 1-2 dự án AI production (kể cả personal project deploy lên cloud).
- Mô tả rõ: vấn đề → giải pháp → kết quả đo lường được.
- Nếu có GitHub, hãy clean up và thêm README rõ ràng.
3. Câu hỏi nên hỏi ngược nhà tuyển dụng
- "Team hiện tại có bao nhiêu người? Stack công nghệ đang dùng là gì?"
- "Bạn đo lường thành công của vị trí này như thế nào trong 6 tháng đầu?"
- "Văn hoá làm việc giữa team AI và phòng nghiệp vụ ngân hàng ra sao?"
- "Có chương trình training, conference, paper publication không?"
Dress Code
- Nữ: áo sơ mi/blouse + quần tây hoặc chân váy lịch sự, tóc gọn gàng, giày kín.
- Nam: áo sơ mi + quần tây, có thể khoác blazer nhẹ, giày công sở.
- Mức formal: smart casual đến business casual — ngân hàng Việt Nam thường không quá khắt khe nhưng tốt nhất nên ăn mặc chỉn chu.
- Tránh: đồ thể thao, quần jeans rách, giày thể thao quá nổi.
Lộ trình ôn thi
Lộ trình ôn tập & chuẩn bị 1-2 tuần
Tuần 1: Nền tảng kỹ thuật
Ngày 1-2: Ôn Python & SQL cho AI
- Tài liệu:
- "Python for Data Analysis" — Wes McKinney
- LeetCode SQL 50 bài đầu
- Mode Analytics SQL Tutorial
- Bài tập: viết 5-10 hàm xử lý data bằng Pandas; viết query phức tạp (CTE, window function, pivot).
Ngày 3-4: LLM, RAG, Prompt Engineering
- Tài liệu:
- Khóa "LangChain for LLM Application Development" (DeepLearning.AI)
- Khóa "Building Systems with the ChatGPT API" (DeepLearning.AI)
- Documentation: LangChain, LlamaIndex, OpenAI Cookbook
- Bài viết: "Retrieval-Augmented Generation for Large Language Models: A Survey"
- Bài tập thực hành:
- Build 1 RAG pipeline đơn giản trên tài liệu PDF.
- Thử nghiệm các chunking strategies (fixed-size, semantic, recursive).
- So sánh các embedding model (OpenAI, BGE, Vietnamese-specific).
Ngày 5-6: MLOps Stack
- Tài liệu:
- "Designing Machine Learning Systems" — Chip Huyen (cuốn sách gối đầu giường)
- "Machine Learning Engineering" — Andriy Burkov
- Tutorial chính thức: MLflow, FastAPI, Airflow
- Bài tập:
- Đóng gói 1 model ML bằng Docker → push lên Docker Hub.
- Deploy lên Kubernetes local (Minikube hoặc kind).
- Viết FastAPI serve model + endpoint /predict, /health.
Ngày 7: Ôn tập + Mock interview
- Tự record lại câu trả lời, xem lại, sửa.
Tuần 2: Kiến thức ngân hàng + Hoàn thiện Portfolio
Ngày 8-9: Use case AI trong ngân hàng
- Tài liệu:
- Báo cáo McKinsey "AI in Banking" (tìm bản free)
- Các paper về: credit scoring (Lending Club dataset), fraud detection (IEEE-CIS dataset), AML (Elliptic dataset)
- Kaggle: tham gia 1-2 cuộc thi về fraud/credit để có kinh nghiệm thực chiến
- Bài tập:
- Build 1 mini project fraud detection: train model XGBoost + LightGBM, evaluate với AUC, PR-AUC, confusion matrix.
- Thử nghiệm SHAP để explain model.
Ngày 10-11: Kiến thức tuân thủ & pháp lý
- Tài liệu:
- Tìm hiểu Basel III từ Ngân hàng Nhà nước Việt Nam.
- Quy định AML/KYC: đọc tóm tắt từ FATF hoặc Ngân hàng Nhà nước.
- GDPR & Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân tại Việt Nam.
- Không cần đi sâu, chỉ cần hiểu concept và tầm quan trọng đối với AI.
Ngày 12-13: Hoàn thiện Portfolio & CV
- GitHub: dọn dẹp repo, viết README rõ ràng, có demo.
- CV: nhấn mạnh impact đo lường được (ví dụ: "giảm 35% false positive trong fraud detection", "rút ngắn thời gian training từ 6h xuống 45 phút").
- Viết 1 bài blog/LinkedIn post ngắn về chủ đề AI trong ngân hàng — tạo ấn tượng với nhà tuyển dụng.
Ngày 14: Mock interview + nghỉ ngơi
- Nhờ bạn bè hoặc mentor phỏng vấn thử.
- Xem lại các câu hỏi hay gặp và chuẩn bị câu trả lời tự nhiên.
Tài liệu tham khảo tổng hợp
| Chủ đề | Tài liệu | Nguồn |
|---|---|---|
| ML cơ bản | "Hands-On Machine Learning" — Aurélien Géron | O'Reilly |
| ML System Design | "Designing Machine Learning Systems" — Chip Huyen | O'Reilly |
| Deep Learning | "Deep Learning" — Ian Goodfellow | Online free |
| LLM/RAG | LangChain Documentation + DeepLearning.AI courses | Online |
| MLOps | Full Stack Deep Learning | Online course |
| Kubernetes | "Kubernetes in Action" — Marko Lukša | Manning |
| AI trong tài chính | Coursera "AI for Finance" | Coursera |
| Tiếng Việt | FPT.AI blog, VNG AI research blog | Online |
Lưu ý đặc biệt
- Không nên học dồn: AI Engineer cần nền tảng vững, 1-2 tuần chỉ đủ để "refresh" và "fill gap".
- Tập trung vào điểm mạnh: nếu bạn giỏi MLOps, hãy nhấn mạnh phần đó; nếu giỏi LLM, đào sâu phần RAG.
- Thực hành nhiều hơn đọc: 70% thời gian nên code và build, 30% đọc lý thuyết.
Tư vấn nghề nghiệp
Lời khuyên sự nghiệp cho AI Engineer trong ngân hàng
Lộ trình thăng tiến điển hình
AI Engineer (Junior/Mid) → 2-3 năm
↓
Senior AI Engineer → 3-5 năm
↓
AI Tech Lead / AI Architect → 5-7 năm
↓
AI Engineering Manager → 7-10 năm
↓
Head of AI / CDO (Chief Data Officer)
Hoặc theo hướng chuyên gia kỹ thuật:
Senior AI Engineer → Principal Engineer → Distinguished Engineer
Mức lương ước lượng theo cấp bậc (tham khảo)
Lưu ý: mức lương có thể thay đổi tùy ngân hàng và thời điểm. Số liệu dưới đây chỉ mang tính tham khảo cho thị trường Việt Nam.
| Cấp bậc | Kinh nghiệm | Mức lương gross/tháng (ước lượng) | Ghi chú |
|---|---|---|---|
| AI Engineer (Fresher) | 0-2 năm | 18-30 triệu | Tùy năng lực thực tế |
| AI Engineer (Mid) | 2-4 năm | 30-55 triệu | JD yêu cầu tối thiểu 2 năm |
| Senior AI Engineer | 4-6 năm | 55-90 triệu | Có thể đàm phán cao hơn ở Big4 hoặc foreign bank |
| AI Tech Lead / Architect | 6-8 năm | 80-150 triệu | Hoặc cao hơn tuỳ quy mô |
| AI Engineering Manager | 8+ năm | 120-200 triệu | Quản lý team 5-15 người |
Yếu tố ảnh hưởng lương:
- Quy mô ngân hàng (Big4 > Joint Stock > Foreign bank tại VN)
- Khả năng deploy production thực tế (rất được đánh giá cao)
- Kinh nghiệm với LLM/agent (đang rất hot)
- Kinh nghiệm ngân hàng (cộng hưởng lớn)
- Khả năng quản lý team
So sánh: Ngân hàng vs Tech Company vs Fintech
| Tiêu chí | Ngân hàng (MSB, Techcombank, VPBank...) | Tech Company (FPT, VNG, Tiki) | Fintech (MoMo, ZaloPay, VNPay) |
|---|---|---|---|
| Lương | Khá tốt, ổn định | Cao, đặc biệt senior | Trung bình - cao |
| Bonus | 2-5 tháng lương cuối năm | 13th + ESOP (nếu foreign) | 13th + ESOP |
| Công nghệ | Bị kiểm soát, chậm update hơn | Tiếp cận tech mới nhanh | Cân bằng |
| Work-life | Ổn định, ít OT cuối tuần | Tuỳ công ty, có thể OT | Trung bình |
| Dữ liệu | Dữ liệu thực, đa dạng, nhiều quy | Dữ liệu sạch, ít quy | Dữ liệu tài chính thực |
| Ảnh hưởng xã hội | Cao (hàng triệu khách hàng) | Tuỳ sản phẩm | Cao |
| Thăng tiến | Cấu trúc rõ ràng, chậm | Nhanh nếu giỏi | Phụ thuộc startup |
Kỹ năng cần phát triển thêm trong 12-24 tháng tới
Ưu tiên 1: LLM & Generative AI sâu hơn
- Học về fine-tuning (LoRA, QLoRA) cho mô hình riêng.
- Multi-modal AI (xử lý ảnh chứng từ, giọng nói — cực kỳ cần cho ngân hàng).
- AI Agent frameworks: LangGraph, CrewAI, AutoGen.
- Tìm hiểu về guardrails, safety filter cho AI trong tài chính.
Ưu tiên 2: MLOps nâng cao
- Feature store (Feast, Tecton).
- Model monitoring trong production (Evidently AI, WhyLabs).
- A/B testing framework cho ML.
- LLM-specific observability (LangSmith, Helicone).
Ưu tiên 3: Kiến thức ngân hàng chuyên sâu
- Đọc các quy định của NHNN về AI trong tài chính.
- Học thêm về Basel III, IFRS 9.
- Tham gia các khoá ngắn hạn về Risk Management, Treasury.
Ưu tiên 4: Kỹ năng mềm
- Public speaking: thuyết trình model cho lãnh đạo ngân hàng (không phải engineer).
- Technical writing: viết tài liệu, RFC.
- Quản lý stakeholder: làm việc với nhiều phòng ban.
Lời khuyên chân thành
Đừng chỉ là "AI engineer" — hãy trở thành "AI engineer hiểu ngân hàng". Hai kỹ năng này kết hợp sẽ tạo lợi thế cạnh tranh rất lớn trong 5-10 năm tới.
MSIB là nơi tốt để bắt đầu nếu bạn muốn trải nghiệm "innovation" trong ngân hàng. Sau đó có thể xét chuyển sang các vị trí ở Core Banking, Risk, hoặc Treasury.
Đừng bỏ qua việc build network trong cộng đồng AI Việt Nam: Vietnam AI Forum, MLOps Vietnam, các meetup tại Hà Nội/TP.HCM.
Giữ tư duy học hỏi liên tục — AI thay đổi từng tháng, model hôm nay có thể obsolete trong 6 tháng.
Cân nhắc chứng chỉ quốc tế nếu muốn thăng tiến nhanh hoặc chuyển sang foreign bank trong tương lai.
Câu hỏi thường gặp
JD yêu cầu tối thiểu 2 năm kinh nghiệm triển khai AI/ML thực tế, nên vị trí này chưa phù hợp với bạn ngay. Tuy nhiên, nếu bạn có đồ án RAG chất lượng và đã deploy lên cloud thật (không phải local), bạn vẫn có thể thử — nhiều ngân hàng sẵn sàng xem xét nếu năng lực thực sự tốt. Còn không, mình khuyên bạn nên: (1) Đi làm 1-2 năm ở vị trí junior tại công ty công nghệ hoặc fintech để có kinh nghiệm production; (2) Trong thời gian đó, tích luỹ thêm dự án LLM, MLOps; (3) Tham gia cộng đồng open source để có thành tích. Sau 2 năm, bạn sẽ ứng tuyển thuận lợi hơn nhiều.
JD ghi "thỏa thuận" và mức lương sẽ được thương lượng sau vòng phỏng vấn. Mức lương có thể thay đổi tùy ngân hàng và thời điểm, nhưng theo tham khảo thị trường: AI Engineer mid-level (2-4 năm) tại ngân hàng tầm trung như MSB khoảng 30-55 triệu gross/tháng, Senior có thể 55-90 triệu. Khi thương lượng, bạn nên: (1) Research trên VietnamWorks, ITViec, LinkedIn để có benchmark; (2) Đưa ra mức kỳ vọng cao hơn 10-15% so với mức bạn muốn; (3) Đề cập tổng compensation package, không chỉ base salary (lương tháng 13, thưởng Tết, bảo hiểm nhân thọ, vay ưu đãi...). Lưu ý MSB có chính sách thưởng 2-5 tháng lương cuối năm tuỳ xếp loại — đây là phần quan trọng không nên bỏ qua.
Hoàn toàn khả thi, đặc biệt với JD này vì họ cần MLOps và deployment — đó là thế mạnh của backend engineer. Bạn cần bổ sung: (1) Học Python sâu (1-2 tháng), (2) ML cơ bản qua khóa Andrew Ng (2-3 tháng), (3) Một dự án RAG/LLM thực tế để demo, (4) Tìm hiểu MLOps tools (Docker, K8s, MLflow, FastAPI). Lợi thế của bạn: hiểu hệ thống production, API design, CI/CD, văn hoá ngân hàng (nếu đã làm cho ngân hàng). Bạn có thể apply vị trí "AI Engineer" hoặc "MLOps Engineer" tại các ngân hàng — nhu cầu đang rất cao. Tuy nhiên cần chuẩn bị kỹ phần technical về ML/LLM vì nhà tuyển dụng sẽ hỏi sâu.
Theo phúc lợi MSB liệt kê, họ có "giờ làm việc linh hoạt" và nhiều chế độ nghỉ (nghỉ mát, nghỉ sinh nhật, nghỉ khai giảng cho con). Nhìn chung ngân hàng Việt Nam có work-life balance tốt hơn tech company, thường là 8h-17h hoặc 8h30-17h30, thứ 2-6. Tuy nhiên, vị trí AI Engineer thuộc nhóm kỹ thuật, có thể có giai đoạn dự án gấp thì sẽ OT. Đặc biệt, khi hệ thống AI production gặp sự cố, bạn có thể phải xử lý ngoài giờ (on-call rotation). Nhưng nhìn tổng thể, MSIB là đơn vị innovation nên văn hoá thường thoáng hơn phòng IT truyền thống. Bạn nên hỏi rõ trong buổi phỏng vấn về cơ chế on-call và OT compensation.
Đây là bước chuyển rất hợp lý và có lợi. Bạn đã có nền tảng AI tốt, chỉ cần bổ sung: (1) Kiến thức về quy trình ngân hàng (credit, AML, core banking), (2) Hiểu về dữ liệu ngân hàng (data warehouse, core systems), (3) Familiarity với môi trường compliance khắt khe hơn fintech. Lợi ích khi chuyển: lương ổn định hơn, thưởng Tết lớn (2-5 tháng), bảo hiểm tốt, cơ hội thăng tiến rõ ràng, được làm việc với data lớn và đa dạng hơn (ngân hàng có dữ liệu từ hàng chục triệu khách hàng). Điểm trừ: innovation chậm hơn fintech, quy trình nặng nề hơn. Nhưng nếu bạn muốn sự ổn định và phát triển lâu dài, đây là lựa chọn tốt. CV của bạn rất có giá trị với JD này — hãy nhấn mạnh kinh nghiệm production thực tế.
Bạn không cần học sâu như chuyên viên tuân thủ, chỉ cần hiểu concept cơ bản: (1) AML/KYC: đọc tài liệu từ FATF hoặc NHNN Việt Nam, hiểu quy trình chống rửa tiền (CDD, EDD, SAR), biết AI hỗ trợ gì (transaction monitoring, name screening); (2) Basel III: hiểu về chuẩn vốn, rủi ro tín dụng, vai trò của credit scoring model; (3) GDPR & Nghị định 13/2023: hiểu về quyền của data subject, lawful basis, vai trò của AI act. Tài liệu gợi ý: Coursera "AI for Finance", các blog từ McKinsey, Deloitte, EY về AI trong ngân hàng. Trong buổi phỏng vấn, bạn có thể nói: "Tôi hiểu concept và biết cách áp dụng vào AI, đồng thời sẵn sàng học thêm từ team compliance." Điều này cho thấy bạn nghiêm túc và có khả năng tự học.
Theo kinh nghiệm, có 3 câu hỏi "knock-out" phổ biến nhất: (1) "Hãy mô tả cách bạn deploy 1 model ML lên production từ đầu đến cuối" — nhiều ứng viên chỉ biết train trên Jupyter mà không hiểu pipeline. (2) "Khi nào không nên dùng AI?" — đây là câu hỏi test tư duy thực tế, nhiều bạn trả lời sai hoặc trả lời rằng "luôn dùng AI". Câu trả lời tốt: khi data không đủ, khi cần 100% explainability và accuracy, khi chi phí vận hành không tương xứng, khi vi phạm quy định pháp luật. (3) "Làm sao giảm hallucination trong LLM?" — câu trả lời cần nêu được nhiều chiến lược: RAG, prompt engineering, guardrails, fact-checking, human-in-the-loop, fine-tuning. Bạn nên chuẩn bị kỹ 3 câu này, vì gần như chắc chắn sẽ được hỏi.
Lộ trình thăng tiến tại MSB tương đối rõ ràng. Nếu bạn vào vị trí AI Engineer ở mức mid (2-4 năm kinh nghiệm), lộ trình điển hình: (1) Sau 1-2 năm: Senior AI Engineer nếu performance tốt, (2) Sau 3-4 năm tổng: có thể thành Tech Lead quản lý 2-5 người, (3) Sau 5-7 năm: AI Engineering Manager quản lý team 5-15 người. MSB có chính sách ưu tiên tuyển vị trí quản lý từ nội bộ, đây là lợi thế. Tuy nhiên, thăng tiến nhanh hay chậm phụ thuộc: (a) Kết quả kinh doanh của team, (b) Đánh giá KPI cá nhân (xếp loại A, B, C...), (c) Khả năng quản lý và kỹ năng mềm, (d) Sự sẵn có của vị trí. Mình khuyên bạn nên hỏi rõ lộ trình này trong buổi final interview để có cam kết và định hướng rõ ràng.
Chia sẻ từ cộng đồng
Mình vừa apply vị trí này tuần trước, thấy JD khá rõ ràng. Có điểm mình muốn lưu ý là phần RAG và LLM — mấy năm trước ngân hàng ít tuyển mảng này, giờ mới rộ lên. Ai có nền tảng LLM nên apply sớm vì sẽ cạnh tranh cao. CV nhớ nhấn mạnh production deployment chứ đừng chỉ kể research hay đồ án.
Cảm ơn bài phân tích, rất chi tiết. Mình đang phân vân giữa MSB và một fintech cùng tuyển vị trí AI Engineer. Bạn nào từng làm ở MSIB cho mình xin review với, văn hoá team có thật sự innovation như quảng cáo không?
Mình đang làm AI Engineer ở ngân hàng khác, đọc JD này thấy khá chuẩn cho thị trường hiện tại. Lưu ý thực tế: phần MLOps trong ngân hàng thường chưa mature lắm, nhiều khi vẫn manual nhiều. Các bạn đừng ngạc nhiên khi vào làm thấy pipeline còn thô sơ, sẽ có cơ hội để các bạn xây dựng từ đầu. Đây vừa là thách thức vừa là cơ hội.
Phỏng vấn vòng technical hôm trước, có hỏi khá nhiều về Kubernetes và FastAPI. Mình nghĩ nếu bạn nào chỉ quen dùng managed service như SageMaker mà không hiểu K8s cơ bản thì nên ôn thêm trước khi đi. Phần RAG thì họ hỏi về chunking strategy và retrieval metric, không quá khó nhưng cần chuẩn bị kỹ.
Theo mình thấy mức lương AI Engineer ở ngân hàng tầm trung như MSB hiện tại đang khá cạnh tranh, không thua gì fintech top. Đặc biệt phần thưởng Tết 2-5 tháng rất hấp dẫn. Nếu bạn nào đang cân nhắc giữa ở lại công ty cũ và apply vị trí này thì nên so sánh tổng compensation chứ không chỉ base.
Cảnh báo thực tế: ngân hàng là môi trường bảo thủ, nhiều khi dự án AI bị chặn ở khâu phê duyệt compliance mặc dù team kỹ thuật sẵn sàng. Các bạn cần chuẩn bị tinh thần là kết quả không đến nhanh như ở tech company. Nhưng bù lại, khi dự án được duyệt thì impact rất lớn vì chạm đến hàng triệu khách hàng.
Mình là Data Engineer 4 năm, đang muốn chuyển sang AI Engineer. Đọc JD này thấy có vẻ phù hợp vì họ cần cả MLOps. Có bạn nào từng chuyển từ DE sang AI Engineer cho mình xin lời khuyên với. Cảm ơn bài viết rất nhiều!
Vừa nộp CV, hẹn lịch phỏng vấn tuần sau. Thấy quy trình 4-5 vòng là khá chuẩn cho vị trí kỹ thuật ở ngân hàng. Mọi người cho mình hỏi HR có làm khó phần lương kỳ vọng không? Mình đưa 45tr cho vị trí mid 3 năm kinh nghiệm có hợp lý không?
Ứng tuyển ngay
Ứng tuyển trên website gốcBạn sẽ được chuyển đến trang tuyển dụng chính thức của MSB
Chuyên môn / Từ khoá
Mất kết nối mạng
Đang thử kết nối lại
Đã xảy ra lỗi!
Vui lòng chờ trong giây lát