Gen AI/AI Engineer/MLOps (Data Project)

Vị trí này yêu cầu 5–7 năm kinh nghiệm nên sinh viên mới ra trường chưa phù hợp. Tuy nhiên, em có thể bắt đầu với vị trí Junior AI Engineer hoặc Data Engineer trong ngân hàng để tích lũy kinh nghiệm. Trong thời gian học, em nên: (1) Thành thạo Python, SQL, và ít nhất 1 framework ML (scikit-learn, PyTorch); (2) Làm 2–3 dự án cá nhân về AI/ML, đặc biệt là các bài toán tài chính như credit scoring, fraud detection; (3) Học về cloud (AWS hoặc Azure) và Docker/Kubernetes; (4) Tìm hiểu nghiệp vụ ngân hàng qua các khóa học online hoặc thực tập tại fintech; (5) Lấy chứng chỉ TensorFlow Developer hoặc AWS Cloud Practitioner để tạo lợi thế khi xin việc. Sau 2–3 năm, em hoàn toàn có thể ứng tuyển vị trí tương đương JD này.

Hoàn toàn khả thi, và đây là hướng chuyển ngành rất được các ngân hàng hoan nghênh. Lợi thế của bạn: bạn đã có tư duy backend, hiểu về API, microservices, database, CI/CD — đây là nền tảng quan trọng cho MLOps. Bạn cần bổ sung: (1) Kiến thức ML cơ bản (scikit-learn, các thuật toán supervised/unsupervised); (2) Hiểu về LLM và RAG; (3) Học các công cụ MLOps cụ thể (MLflow, Kubeflow); (4) Tìm hiểu về ngân hàng — đây là điểm bạn thiếu. Lộ trình thực tế: Học thêm 6 tháng tự học hoặc bootcamp, làm 1–2 dự án cá nhân về ML trong finance, sau đó ứng tuyển vị trí Middle AI Engineer hoặc ML Engineer (không phải MLOps ngay) rồi chuyển dần sang MLOps sau 1–2 năm.

Mức này khá cạnh tranh so với mặt bằng chung ngân hàng vừa và nhỏ tại Việt Nam. So sánh: Techcombank, MB, VPBank thường trả cao hơn 10–20% cho cùng cấp bậc nhưng yêu cầu cũng khắt khe hơn. Các ngân hàng nhỏ như GPBank, PGBank, SeABank thường ở mức này. Tuy nhiên, cần cộng thêm: thu nhập 15–16 tháng/năm (tức thêm 1–2 tháng lương so với nhiều công ty chỉ trả 13 tháng), bảo hiểm GPBankCare GOLD cho cả gia đình, đào tạo chứng chỉ quốc tế — tổng compensation package thực tế rất tốt. Nếu bạn Senior với 7+ năm kinh nghiệm và có portfolio mạnh, hoàn toàn có thể đàm phán lên 55–60 triệu hoặc thêm các khoản bonus khác.

Nên ứng tuyển vì 'bắt buộc' trong JD là mức kỳ vọng lý tưởng, không phải rào cản tuyệt đối. Tuy nhiên, bạn cần bù đắp điểm yếu bằng cách: (1) Nhấn mạnh kinh nghiệm ngân hàng 2 năm của bạn — cụ thể là bài toán nào, kết quả ra sao; (2) Chuẩn bị hiểu biết sâu về nghiệp vụ tài chính (tín dụng, AML, fraud, KYC...); (3) Trong CV, đặt phần kinh nghiệm ngân hàng nổi bật. Với 6 năm AI tổng và 2 năm banking, bạn có thể định vị ở mức Middle (38–45 triệu). Nếu HR thấy bạn có nền tảng kỹ thuật tốt, khả năng học hỏi nghiệp vụ nhanh, họ có thể cân nhắc. Cơ hội pass vòng HR khoảng 40–50% trong trường hợp này.

Bạn có khá nhiều lợi thế so với ứng viên ngoài ngành tài chính: (1) Bạn hiểu nghiệp vụ tài chính từ góc độ kỹ thuật — đây là yếu tố JD yêu cầu bắt buộc; (2) Có thể bạn đã làm về credit scoring, fraud detection, hoặc chatbot tư vấn — các use case tương tự ngân hàng; (3) Hiểu về compliance, data security trong lĩnh vực tài chính; (4) Văn hóa làm việc fintech khá gần với ngân hàng. Tuy nhiên, cần lưu ý: Fintech thường làm sản phẩm B2C, còn ngân hàng có hệ thống core banking phức tạp hơn, quy trình nặng nề hơn. Bạn nên tìm hiểu trước về Core Banking, hệ thống legacy, và cách ngân hàng quản lý rủi ro công nghệ. Khi phỏng vấn, nhấn mạnh kinh nghiệm làm việc với dữ liệu tài chính và khả năng cân bằng giữa innovation và compliance.

Câu hỏi khó nhất thường là kết hợp giữa kỹ thuật sâu và tư duy kiến trúc. Một số câu điển hình: (1) "Thiết kế end-to-end hệ thống AI Chatbot tư vấn sản phẩm tín dụng cho 10 triệu khách hàng, đảm bảo độ trễ dưới 2 giây và tuân thủ quy định NHNN" — câu này đòi hỏi bạn phải tính toán từ data ingestion, RAG pipeline, model serving, monitoring đến compliance; (2) "Làm sao xử lý Hallucination và Prompt Injection trong hệ thống LLM phục vụ khách hàng ngân hàng?" — câu này test hiểu biết về AI safety; (3) "Thiết kế MLOps pipeline cho mô hình credit scoring phải retrain hàng tuần với dữ liệu mới" — test khả năng thiết kế hệ thống ML production. Để chuẩn bị, hãy luyện tập vẽ kiến trúc hệ thống trên giấy và diễn đạt rõ ràng từng thành phần, đừng quên nêu rõ trade-off.

Khác biệt khá lớn ở nhiều khía cạnh: (1) Dữ liệu: Ngân hàng có dữ liệu chất lượng cao nhưng bị giới hạn truy cập nghiêm ngặt vì tính nhạy cảm; (2) Tốc độ đổi mới: Công ty công nghệ thường thử nghiệm và sai nhanh, ngân hàng cần quy trình phê duyệt kỹ lưỡng; (3) Compliance: Mọi model AI phải giải thích được (explainability), phải qua kiểm duyệt rủi ro, đặc biệt với bài toán tín dụng; (4) Hạ tầng: Hệ thống legacy nhiều, việc tích hợp AI với Core Banking phức tạp; (5) Văn hóa: Ngân hàng có nhiều quy trình, bộ phận, đôi khi cần kiên nhẫn để thuyết phục các bên liên quan; (6) Tác động: AI sai trong ngân hàng có thể ảnh hưởng đến hàng triệu khách hàng và gây rủi ro pháp lý. Tóm lại, làm AI trong ngân hàng cần thêm kỹ năng chính trị nội bộ, tuân thủ quy định, và kiên nhẫn — nhưng đổi lại job stability và compensation rất tốt.

Vị trí này thiên về Engineering và Architecture hơn là Product, nhưng có thể là bước đệm tốt nếu bạn muốn chuyển sang AI Product Manager sau này. Lý do: (1) Bạn sẽ được tiếp xúc với business stakeholders hàng ngày, hiểu được pain point kinh doanh; (2) Bạn sẽ học cách cân bằng giữa feasibility kỹ thuật và business value; (3) Kinh nghiệm triển khai AI production thực tế sẽ giúp ích rất nhiều khi làm PM. Nếu muốn chuyển hẳn sang PM, sau 2–3 năm ở vị trí này, bạn có thể apply AI Product Manager với mức lương tương đương hoặc cao hơn. Tuy nhiên, nếu bạn đã rõ ràng muốn làm PM, có thể nên tìm vị trí AI PM thay vì apply Engineering — tránh lãng phí thời gian học những kỹ năng kỹ thuật sâu không cần thiết.