MÔ TẢ CÔNG VIỆC: THỰC TẬP SINH MACHINE LEARNING ENGINEER (ML INTERN)

Tổng quan vai trò:

Chúng tôi đang tìm kiếm một "nhà thám hiểm dữ liệu và kiến tạo mô hình" – vị trí Thực tập sinh Machine Learning Engineer (ML Intern). Trong kỷ nguyên số hóa và bùng nổ trí tuệ nhân tạo, bạn chính là mắt xích quan trọng chuyển hóa nguồn tài nguyên dữ liệu thô khổng lồ thành những giải pháp thông minh, tối ưu hóa hiệu suất vận hành và nâng cao trải nghiệm người dùng. Sự tỉ mỉ trong khâu tiền xử lý dữ liệu, tư duy logic nhạy bén khi thử nghiệm các thuật toán, cùng khả năng kiên trì giải mã các mô hình toán học phức tạp chính là giá trị cốt lõi bạn mang lại cho đội ngũ công nghệ của chúng tôi.

Vai trò này không chỉ dừng lại ở việc viết mã nguồn (coding) hay chạy thử nghiệm (training) đơn thuần. Bạn sẽ là người đồng hành cùng các kỹ sư dày dặn kinh nghiệm, trực tiếp tham gia vào toàn bộ vòng đời phát triển của một sản phẩm AI: từ việc thu thập dữ liệu sạch, thiết kế kiến trúc mô hình, đánh giá sai số, cho đến việc đóng gói và triển khai ứng dụng vào môi trường thực tế (production). Nếu bạn là một sinh viên hoặc lập trình viên trẻ đam mê công nghệ học máy, có khát khao biến những dòng code lý thuyết trên giảng đường thành những sản phẩm AI có tác động thực tiễn sâu sắc, và mong muốn thử thách bản thân trong một môi trường nghiên cứu kết hợp ứng dụng chuyên nghiệp, chúng tôi rất chào đón bạn gia nhập đội ngũ.

---

Nhiệm vụ công việc chính:

1. Thu thập, Làm sạch và Xử lý Tiền dữ liệu (Data Pipeline & Preprocessing):

Dữ liệu là dòng máu của mọi hệ thống trí tuệ nhân tạo. Với vai trò thực tập sinh, bạn sẽ dành một phần lớn thời gian ban đầu để thấu hiểu và chuẩn bị nguyên liệu tốt nhất cho mô hình:
* Trích xuất dữ liệu (Data Extraction): Tham gia viết các đoạn mã, truy vấn SQL hoặc NoSQL để lấy dữ liệu từ nhiều nguồn lưu trữ khác nhau của doanh nghiệp (nhật ký hệ thống, cơ sở dữ liệu người dùng, API bên thứ ba).
* Làm sạch dữ liệu (Data Cleaning): Nhận diện, xử lý và loại bỏ các dữ liệu rác, các bản ghi bị trùng lặp, giải quyết các giá trị bị khuyết (missing values) bằng các kỹ thuật nội suy toán học phù hợp hoặc loại bỏ có chọn lọc.
* Biến đổi và Chuẩn hóa (Data Transformation): Thực hiện chuẩn hóa dữ liệu (normalization, standardization), mã hóa các biến phân loại (one-hot encoding, label encoding) để đưa dữ liệu về định dạng tối ưu nhất cho các mô hình học máy.
* Gán nhãn dữ liệu (Data Labeling/Annotation): Phối hợp với đội ngũ nghiệp vụ để xây dựng quy trình gán nhãn chuẩn xác, giám sát chất lượng dữ liệu được gán nhãn nhằm phục vụ cho các bài toán học có giám sát (supervised learning).
* Xử lý dữ liệu mất cân bằng (Imbalanced Data Handling): Áp dụng các kỹ thuật như SMOTE, oversampling hoặc undersampling để đảm bảo mô hình không bị thiên lệch khi huấn luyện trên các tập dữ liệu có sự chênh lệch lớn giữa các lớp chỉ mục.

2. Thiết kế, Huấn luyện và Thử nghiệm Mô hình (Model Exploration & Training):

Dưới sự hướng dẫn của các Senior ML Engineer, bạn sẽ trực tiếp tham gia vào quá trình cốt lõi tạo ra trí thông minh cho hệ thống:
* Kỹ nghệ đặc trưng (Feature Engineering): Phân tích và lựa chọn các thuộc tính (features) quan trọng nhất từ dữ liệu gốc, kết hợp các thuộc tính để tạo ra những đặc trưng mới có tính dự báo cao, giúp cải thiện trực tiếp hiệu năng của mô hình thuật toán.
* Thử nghiệm thuật toán (Algorithmic Experimentation): Triển khai xây dựng các mô hình cơ sở (baseline models) từ các thuật toán học máy cổ điển (Linear/Logistic Regression, Decision Trees, Random Forest, SVM, XGBoost, LightGBM) trước khi tiến tới các kiến trúc học sâu phức tạp hơn.
* Huấn luyện mô hình học sâu (Deep Learning Training): Đối với các bài toán về xử lý ngôn ngữ tự nhiên (NLP) hoặc thị giác máy tính (Computer Vision), bạn sẽ tham gia cấu hình và huấn luyện các mạng thần kinh nhân tạo (CNN, RNN, LSTM, Transformer, BERT, YOLO) trên hạ tầng máy chủ GPU chuyên dụng.
* Tinh chỉnh siêu tham số (Hyperparameter Tuning): Sử dụng các phương pháp tối ưu hóa như Grid Search, Random Search, hoặc các thư viện tiên tiến như Optuna, Hyperopt để tìm ra bộ tham số cấu hình tối ưu nhất cho thuật toán.

3. Đánh giá và Tối ưu hóa Hiệu năng Mô hình (Model Evaluation & Optimization):

Một mô hình đạt độ chính xác cao trên tập huấn luyện chưa chắc đã hoạt động tốt ngoài thực tế. Bạn sẽ chịu trách nhiệm đo lường khắt khe chất lượng của sản phẩm AI:
* Thiết lập chỉ số đo lường (Evaluation Metrics): Lựa chọn và tính toán các chỉ số đánh giá phù hợp tùy thuộc vào đặc thù của từng bài toán: Accuracy, Precision, Recall, F1-score, ROC-AUC cho bài toán phân loại; RMSE, MAE, R-squared cho bài toán hồi quy; mAP, IoU cho bài toán nhận diện vật thể.
* Kiểm tra hiện tượng quá khớp (Overfitting/Underfitting Diagnostic): Sử dụng các phương pháp kiểm thử chéo (K-fold Cross-Validation), theo dõi biểu đồ mất mát (loss curves) để phát hiện sớm và khắc phục hiện tượng quá khớp bằng các kỹ thuật điều hòa (regularization - L1/L2, dropout, early stopping).
* Nén và tối ưu hóa mô hình (Model Compression): Tìm hiểu và áp dụng các phương pháp lượng tử hóa (quantization), cắt tỉa nhánh (pruning) hoặc chưng cất tri thức (knowledge distillation) để giảm kích thước mô hình, tăng tốc độ suy luận (inference speed) nhằm chuẩn bị cho việc triển khai trên các thiết bị có tài nguyên phần cứng hạn chế.

4. Hỗ trợ Triển khai và Vận hành Mô hình (MLOps Support & Deployment):

Chuyển giao kết quả nghiên cứu thành một dịch vụ hoạt động ổn định trên môi trường thực tế:
* Đóng gói mô hình dưới dạng API: Sử dụng các framework Python phổ biến như FastAPI, Flask, hoặc gRPC để đóng gói mô hình đã huấn luyện thành các microservices, cho phép các hệ thống phần mềm khác (Web, Mobile, Backend) gọi lệnh và nhận kết quả dự báo một cách nhanh chóng.
* Container hóa với Docker: Viết Dockerfile, xây dựng các container image độc lập chứa đầy đủ môi trường chạy mô hình, đảm bảo tính nhất quán khi triển khai từ máy cá nhân lên máy chủ đám mây (Cloud Server).
* Làm quen với MLOps: Hỗ trợ thiết lập các hệ thống quản lý phiên bản dữ liệu (DVC - Data Version Control), theo dõi vết các phiên thử nghiệm mô hình bằng MLflow hoặc Weights & Biases (W&B).
* Giám sát sau triển khai (Monitoring): Tham gia xây dựng hệ thống cảnh báo, ghi nhận nhật ký hoạt động (logging) của mô hình để kịp thời phát hiện hiện tượng trôi dạt dữ liệu (data drift) hoặc giảm hiệu năng theo thời gian.

5. Nghiên cứu Công nghệ và Sáng tạo (R&D & Literature Review):

Lĩnh vực AI thay đổi từng ngày, bạn cần luôn giữ tinh thần học hỏi để đón đầu xu hướng công nghệ mới:
* Đọc và phân tích báo cáo khoa học (Paper Review): Tìm hiểu, đọc hiểu các bài báo nghiên cứu khoa học mới nhất từ các hội nghị hàng đầu (CVPR, NeurIPS, ICML, KDD, ACL) để tìm ra các phương pháp, thuật toán mới có thể ứng dụng giải quyết bài toán hiện tại của công ty.
* Nghiên cứu công nghệ mới: Thử nghiệm tích hợp các tiến bộ công nghệ mới nhất như Generative AI, Large Language Models (LLMs), Retrieval-Augmented Generation (RAG) hoặc các kỹ thuật tinh chỉnh (Fine-tuning) mô hình nền tảng vào các dự án thực tế của doanh nghiệp.
* Báo cáo học thuật: Định kỳ trình bày các chủ đề công nghệ mới, chia sẻ kiến thức hữu ích trong các buổi sinh hoạt chuyên môn (tech sharing) nội bộ của phòng ban R&D.

6. Báo cáo, Tài liệu hóa và Phối hợp liên phòng ban:

* Tài liệu hóa kỹ thuật (Technical Documentation): Viết tài liệu mô tả kiến trúc mô hình, cấu trúc dữ liệu đầu vào/đầu ra, hướng dẫn cài đặt và vận hành hệ thống một cách chi tiết trên các nền tảng quản lý tri thức chung (như Confluence, Notion).
* Viết code chuẩn mực: Đảm bảo toàn bộ mã nguồn được viết tuân thủ các quy chuẩn lập trình sạch (Clean Code), định dạng chuẩn PEP8 đối với Python, có chú thích (comments) rõ ràng và được quản lý chặt chẽ qua Git.
* Hợp tác liên chức năng: Làm việc chặt chẽ với Data Engineers để tối ưu hóa luồng dữ liệu, phối hợp với Software Engineers để tích hợp API, và trao đổi với Product Owners/Business Analysts để hiểu rõ bài toán nghiệp vụ, từ đó định hình đầu ra của mô hình sát nhất với nhu cầu kinh doanh.

---

Yêu cầu và điều kiện:

1. Học vấn và Định hướng nghề nghiệp:

* Trình độ: Sinh viên năm cuối hoặc mới tốt nghiệp Đại học (hoặc đang theo học chương trình Thạc sĩ, Tiến sĩ) chuyên ngành Khoa học máy tính, Công nghệ thông tin, Khoa học dữ liệu, Toán - Tin, Kỹ thuật điện tử viễn thông, Hệ thống thông tin quản lý hoặc các ngành kỹ thuật định lượng có liên quan khác.
* Điểm số học tập (GPA): Ưu tiên ứng viên có kết quả học tập khá/giỏi (GPA từ 3.0/4.0 hoặc 7.5/10 trở lên), đặc biệt điểm cao ở các môn nền tảng như Giải tích, Đại số tuyến tính, Xác suất thống kê, Cấu trúc dữ liệu và Giải thuật.
* Định hướng nghề nghiệp: Có mục tiêu nghề nghiệp rõ ràng, mong muốn phát triển chuyên sâu theo lộ trình trở thành Machine Learning Engineer, Data Scientist hoặc MLOps Engineer chuyên nghiệp.

2. Kỹ năng chuyên môn (Technical Skills):

* Ngôn ngữ lập trình cốt lõi: Thành thạo ngôn ngữ lập trình Python (là bắt buộc). Biết thêm các ngôn ngữ khác như C++, Java, hoặc R là một lợi thế lớn.
* Thao tác dữ liệu: Sử dụng thành thạo các thư viện xử lý và phân tích số liệu khoa học của Python như Pandas, NumPy, SciPy, Matplotlib, Seaborn. Có khả năng viết các câu lệnh truy vấn SQL từ cơ bản đến trung cấp để trích xuất dữ liệu.
* Thư viện học máy cổ điển: Hiểu rõ cơ chế toán học đằng sau và biết cách sử dụng thành thạo thư viện Scikit-learn để giải quyết các bài toán hồi quy, phân loại, phân cụm.
* Khung chương trình học sâu (Deep Learning Frameworks): Có kinh nghiệm thực hành cơ bản với ít nhất một trong các thư viện học sâu phổ biến hiện nay như PyTorch hoặc TensorFlow/Keras. Biết cách thiết lập và tùy chỉnh các tầng mạng (layers), hàm mất mát (loss functions) và bộ tối ưu (optimizers).
* Quản lý mã nguồn: Sử dụng thành thạo Git và các nền tảng lưu trữ mã nguồn như GitHub/GitLab (biết cách phân nhánh - branching, tạo pull request, giải quyết xung đột mã nguồn - merge conflicts).
* Môi trường làm việc: Có khả năng làm việc quen thuộc trên môi trường dòng lệnh Linux/Ubuntu. Biết sử dụng Jupyter Notebook/Google Colab để phân tích nhanh và thử nghiệm ý tưởng.
* Kiến thức bổ trợ (Điểm cộng lớn):
* Có hiểu biết cơ bản về Docker và các khái niệm ảo hóa container.
* Đã từng thực hiện hoặc có các dự án cá nhân (Pet Projects) liên quan đến Xử lý ảnh (OpenCV, YOLO), Xử lý ngôn ngữ tự nhiên (NLTK, SpaCy, HuggingFace Transformers), hoặc Hệ thống gợi ý (Recommendation Systems) hiển thị trực quan trên GitHub cá nhân hoặc portfolio.
* Hiểu biết về điện toán đám mây (AWS, GCP, Azure) hoặc các công cụ điều phối luồng dữ liệu (Apache Airflow).

3. Phẩm chất cá nhân và Kỹ năng mềm:

* Tư duy logic và Giải quyết vấn đề: Có óc phân tích sắc sảo, tư duy dựa trên số liệu thực tế, khả năng tự đặt câu hỏi và tìm phương án giải quyết vấn đề một cách khoa học khi kết quả mô hình không đạt kỳ vọng ban đầu.
* Khả năng tự học và Tự thích nghi: Lĩnh vực AI biến đổi không ngừng, đòi hỏi bạn phải có khả năng tự tìm kiếm tài liệu, tự học các thư viện và kỹ thuật mới để áp dụng ngay vào công việc thực tế mà không cần chờ đợi sự hướng dẫn chi tiết từng bước.
* Kiên trì và Chịu đựng áp lực: Công việc huấn luyện mô hình ML đòi hỏi tính kiên nhẫn cực kỳ cao. Bạn có khả năng đối mặt với các thất bại liên tiếp trong quá trình thử nghiệm (mô hình không hội tụ, lỗi tràn bộ nhớ GPU, độ chính xác kém) và tìm cách tối ưu hóa từng bước nhỏ.
* Khả năng ngoại ngữ: Đọc hiểu tốt các tài liệu kỹ thuật, tài liệu API và các bài báo khoa học bằng Tiếng Anh (tương đương trình độ IELTS 5.5 hoặc TOEIC 650 trở lên).
* Kỹ năng giao tiếp và Làm việc nhóm: Biết lắng nghe, trình bày ý tưởng kỹ thuật một cách mạch lạc, dễ hiểu cho cả những người không có chuyên môn kỹ thuật sâu. Có tinh thần trách nhiệm cao, chủ động báo cáo tiến độ và phối hợp nhịp nhàng với các thành viên khác trong dự án.

---

Quyền lợi:

* Trợ cấp thực tập hấp dẫn: Hỗ trợ chi phí thực tập hàng tháng cạnh tranh (dao động từ 5.000.000 - 8.000.000 VNĐ tùy năng lực và thời gian cam kết làm việc), cùng với hỗ trợ ăn trưa, vé xe miễn phí tại tòa nhà văn phòng.
* Cơ hội trở thành nhân viên chính thức: Sau thời gian thực tập từ 3 đến 6 tháng, ứng viên có kết quả đánh giá xuất sắc sẽ được xem xét chuyển thẳng lên vị trí Kỹ sư Machine Learning chính thức (Junior Machine Learning Engineer) với chế độ đãi ngộ vượt trội mà không cần qua vòng phỏng vấn tuyển dụng thông thường.
* Được đào tạo bài bản và Chuyên sâu (Mentorship): Bạn sẽ được phân công trực tiếp một Kỹ sư AI/ML dày dặn kinh nghiệm hướng dẫn theo mô hình 1-on-1 (một kèm một), giúp bạn nhanh chóng làm quen với quy trình làm việc thực tế, khắc phục các thiếu sót về kỹ năng và định hình lộ trình phát triển sự nghiệp dài hạn.
* Trải nghiệm thực chiến trên hệ thống lớn: Được trực tiếp làm việc với các bài toán thực tế của doanh nghiệp, thao tác trên các tập dữ liệu khổng lồ (Big Data) lên tới hàng triệu bản ghi và sử dụng hạ tầng phần cứng mạnh mẽ (cụm máy chủ GPU hiệu năng cao bao gồm NVIDIA A100/H100, tài nguyên đám mây AWS/GCP không giới hạn cho mục đích nghiên cứu).
* Môi trường làm việc lý tưởng:
* Văn phòng hiện đại, sáng tạo, thiết kế mở theo tiêu chuẩn quốc tế. Trang bị đầy đủ các khu vực giải trí, pantry với đồ ăn nhẹ, trà và cà phê miễn phí hàng ngày.
* Thời gian làm việc linh hoạt, hỗ trợ tối đa cho sinh viên chưa tốt nghiệp để cân bằng giữa việc học tập tại trường và tham gia thực tập tại công ty.
* Văn hóa doanh nghiệp đề cao sự bình đẳng, khuyến khích sáng tạo cá nhân, tôn trọng sự khác biệt và sẵn sàng thử nghiệm những ý tưởng điên rồ nhất.
* Hoạt động gắn kết phong phú: Được tham gia vào tất cả các hoạt động tập thể của công ty như: Tech Talks chuyên đề hàng tuần, các câu lạc bộ thể thao (bóng đá, cầu lông, board games), các buổi liên hoan nội bộ (Happy Hour), Teambuilding định kỳ và các sự kiện lễ hội lớn trong năm.

---

Tags:

Thực tập sinh Machine Learning, Tuyển dụng ML Intern, Thực tập sinh AI, Kỹ sư Machine Learning, Thực tập sinh Khoa học dữ liệu, Tuyển dụng AI Engineer Intern, Thực tập sinh Python, Lập trình viên AI, Trí tuệ nhân tạo tuyển dụng, Thực tập sinh MLOps, Thực tập sinh xử lý ảnh, Thực tập sinh xử lý ngôn ngữ tự nhiên, Việc làm AI cho sinh viên, Machine Learning Engineer Intern, AI Research Intern.

---

Từ khoá tìm kiếm:

Thực tập sinh Machine Learning Engineer, tuyển dụng thực tập sinh AI, tuyển dụng ML Intern, thực tập sinh Khoa học dữ liệu, AI Engineer Intern tuyển dụng, thực tập sinh Python, việc làm AI cho sinh viên năm cuối, tuyển dụng lập trình viên Trí tuệ nhân tạo, thực tập sinh NLP CV, tuyển dụng kỹ sư AI thành phố Hồ Chí Minh, tuyển dụng kỹ sư Machine Learning Hà Nội, Machine Learning Engineer Intern jobs, AI Research Intern recruitment, thực tập sinh lập trình Python SQL, tuyển dụng MLOps Intern.

Share