MÔ TẢ CÔNG VIỆC: THỰC TẬP SINH KỸ SƯ HỌC MÁY (ML ENGINEER INTERN)

Tổng quan vai trò:

Chúng tôi đang tìm kiếm một "kiến trúc sư tương lai của trí tuệ nhân tạo" – vị trí Thực tập sinh Kỹ sư Học máy (Machine Learning Engineer Intern). Bạn là nhân tố năng động, chịu trách nhiệm chuyển hóa các ý tưởng nghiên cứu lý thuyết thành các mô hình học máy có khả năng giải quyết các bài toán thực tế của doanh nghiệp. Sự nhạy bén với dữ liệu, tư duy thuật toán chặt chẽ và khát vọng làm chủ các công nghệ tiên tiến (Deep Learning, NLP, Computer Vision, LLMs) chính là những giá trị cốt lõi giúp bạn đồng hành cùng chúng tôi.

Tại đây, bạn không chỉ làm các công việc mô phỏng; bạn sẽ được trực tiếp tham gia vào toàn bộ vòng đời của một sản phẩm AI: từ khâu thu thập, làm sạch dữ liệu, thử nghiệm các kiến trúc mô hình hiện đại nhất, cho đến tối ưu hóa và đưa mô hình lên môi trường sản xuất (production). Nếu bạn là một sinh viên công nghệ đam mê thế giới của dữ liệu và thuật toán, mong muốn bứt phá giới hạn bản thân dưới sự dẫn dắt của các kỹ sư AI dày dặn kinh nghiệm, chúng tôi rất vinh hạnh được chào đón bạn.

---

Nhiệm vụ công việc chính:

1. Thu thập, Tiền xử lý & Kỹ nghệ hóa Dữ liệu (Data Engineering & Preprocessing)

* Thu thập dữ liệu: Phối hợp với đội ngũ Data Engineer để khai thác, thu thập dữ liệu từ nhiều nguồn khác nhau (cơ sở dữ liệu SQL/NoSQL, APIs, Web scraping, dữ liệu log hệ thống, dữ liệu phi cấu trúc như văn bản, hình ảnh, âm thanh).
* Làm sạch dữ liệu (Data Cleaning): Phát hiện và xử lý các vấn đề về chất lượng dữ liệu như: dữ liệu bị khuyết (missing values), dữ liệu nhiễu (noise), dữ liệu ngoại lai (outliers), dữ liệu trùng lặp, đảm bảo tính nhất quán và độ tin cậy của tập dữ liệu huấn luyện.
* Kỹ nghệ hóa tính năng (Feature Engineering): Phân tích và trích xuất các đặc trưng (features) quan trọng từ dữ liệu thô để tăng cường sức mạnh dự báo của mô hình. Thực hiện các kỹ thuật chuẩn hóa (normalization), mã hóa (encoding) và giảm chiều dữ liệu (dimensionality reduction) khi cần thiết.
* Quản lý nhãn dữ liệu (Data Labeling): Xây dựng quy trình, công cụ hỗ trợ gán nhãn dữ liệu và giám sát chất lượng của các tập dữ liệu được gán nhãn bởi bên thứ ba hoặc các cộng tác viên.

2. Thử nghiệm, Huấn luyện & Phát triển Mô hình (Model Development & Training)

* Nghiên cứu thuật toán: Đọc, hiểu và áp dụng các bài báo khoa học (SOTA - State of the art), các giải pháp học máy tiên tiến để giải quyết các bài toán cụ thể của công ty (như phân loại văn bản, nhận diện khuôn mặt, gợi ý sản phẩm, dự báo chuỗi thời gian, phân tích hành vi người dùng).
* Xây dựng mô hình thử nghiệm (Prototyping): Sử dụng các thư viện, framework phổ biến (như Scikit-Learn, TensorFlow, PyTorch, Keras) để nhanh chóng xây dựng các mô hình baseline và các mô hình thử nghiệm.
* Tinh chỉnh tham số (Hyperparameter Tuning): Thực hiện các kỹ thuật tối ưu hóa siêu tham số (Grid Search, Random Search, Bayesian Optimization) để tìm ra bộ cấu hình tối ưu nhất cho mô hình.
* Đánh giá mô hình (Model Evaluation): Thiết lập các chỉ số đánh giá (metrics) phù hợp cho từng bài toán cụ thể (Accuracy, Precision, Recall, F1-Score, ROC-AUC cho phân loại; RMSE, MAE cho dự báo; BLEU, ROUGE cho NLP). Sử dụng kỹ thuật kiểm thử chéo (K-Fold Cross Validation) để đảm bảo mô hình không bị quá khớp (overfitting) hoặc học kém (underfitting).

3. Hỗ trợ Triển khai & Vận hành Mô hình (Model Deployment & MLOps Support)

* Đóng gói mô hình: Học tập và thực hiện đóng gói mô hình học máy thành các dịch vụ API độc lập (sử dụng Flask, FastAPI) để sẵn sàng tích hợp vào hệ thống phần mềm của công ty.
* Container hóa (Containerization): Sử dụng Docker để đóng gói môi trường chạy mô hình, đảm bảo tính nhất quán hoạt động từ môi trường thử nghiệm (development) đến môi trường thực tế (production).
* Hỗ trợ giám sát mô hình (Model Monitoring): Phối hợp thiết lập hệ thống theo dõi hiệu năng của mô hình sau khi triển khai, phát hiện hiện tượng suy giảm chất lượng mô hình theo thời gian (Data Drift, Concept Drift) và đề xuất kế hoạch tái huấn luyện (Retraining).
* Quản lý phiên bản (Version Control): Sử dụng Git và các công cụ quản lý dữ liệu/mô hình (như DVC, MLflow) để theo dõi các phiên bản mã nguồn, dữ liệu và trọng số của mô hình qua từng lần thử nghiệm.

4. Tối ưu hóa hiệu năng mô hình (Model Optimization)

* Tối ưu hóa tốc độ suy luận (Inference Optimization): Nghiên cứu và áp dụng các kỹ thuật nén mô hình như lượng tử hóa (quantization), cắt tỉa (pruning), chưng cất tri thức (knowledge distillation) để giảm dung lượng mô hình và tăng tốc độ xử lý trên các thiết bị phần cứng hạn chế (CPU, Edge devices).
* Tối ưu hóa tài nguyên: Giám sát và tối ưu hóa việc sử dụng bộ nhớ RAM, tài nguyên GPU/CPU trong quá trình huấn luyện mô hình để giảm thiểu chi phí vận hành phần cứng.

5. Nghiên cứu công nghệ mới, Báo cáo & Tài liệu hóa (Research & Documentation)

* Cập nhật công nghệ: Chủ động tìm hiểu và cập nhật các xu hướng, công nghệ, thư viện và công cụ mới nhất trong lĩnh vực Trí tuệ nhân tạo, Học máy, Học sâu và MLOps.
* Viết tài liệu kỹ thuật (Documentation): Soạn thảo tài liệu chi tiết về kiến trúc mô hình, cấu trúc dữ liệu đầu vào/đầu ra, các giả định thiết kế, kết quả thử nghiệm và hướng dẫn triển khai/vận hành hệ thống.
* Báo cáo tiến độ: Tham gia các buổi họp báo cáo định kỳ (Daily Stand-up, Sprint Review) để chia sẻ tiến độ công việc, các khó khăn gặp phải và đề xuất giải pháp xử lý với Tech Lead hoặc Mentor trực tiếp.

---

Yêu cầu và điều kiện:

Học vấn/Kinh nghiệm:

* Trình độ học vấn: Sinh viên năm cuối hoặc mới tốt nghiệp Đại học/Thạc sĩ các chuyên ngành: Khoa học máy tính, Công nghệ thông tin, Trí tuệ nhân tạo, Khoa học dữ liệu, Toán - Tin, Kỹ thuật Máy tính hoặc các ngành kỹ thuật liên quan có định hướng mạnh mẽ về AI/ML.
* Điểm số học tập: Điểm GPA tích lũy từ 3.0/4.0 (hoặc tương đương) là một lợi thế lớn.
* Dự án thực tế: Đã từng thực hiện các bài tập lớn, dự án cá nhân, hoặc đề tài nghiên cứu khoa học có ứng dụng Machine Learning/Deep Learning. Ưu tiên ứng viên có các dự án public trên GitHub hoặc đạt thứ hạng cao trong các cuộc thi về Khoa học dữ liệu (Kaggle, Hackathon, v.v.).

Kỹ năng chuyên môn:

* Ngôn ngữ lập trình: Thành thạo ngôn ngữ lập trình Python (đặc biệt là các thư viện xử lý số liệu và trực quan hóa như NumPy, Pandas, Matplotlib, Seaborn). Khả năng viết code sạch (clean code), dễ bảo trì và tuân thủ chuẩn PEP 8.
* Frameworks & Thư viện ML/DL: Có kiến thức căn bản tốt và kinh nghiệm sử dụng ít nhất một trong các thư viện/framework học máy: Scikit-learn, PyTorch, TensorFlow, Keras.
* Cơ sở dữ liệu: Khả năng viết các câu lệnh truy vấn SQL từ cơ bản đến trung cấp để khai thác dữ liệu từ các hệ quản trị cơ sở dữ liệu (PostgreSQL, MySQL, SQL Server). Kiến thức về NoSQL là một điểm cộng.
* Kiến thức toán học nền tảng: Nắm vững kiến thức toán học phục vụ cho Machine Learning bao gồm Đại số tuyến tính (Linear Algebra), Giải tích (Calculus), Xác suất thống kê (Probability & Statistics).
* Công cụ phát triển: Sử dụng thành thạo Git để quản lý mã nguồn, làm việc nhóm qua GitHub/GitLab. Có hiểu biết cơ bản về hệ điều hành Linux/Ubuntu và các lệnh Command Line cơ bản.
* Kiến thức MLOps (Khuyến khích): Có hiểu biết sơ bộ hoặc mong muốn học hỏi về Docker, APIs (FastAPI/Flask), Cloud Services (AWS, GCP, Azure), MLflow, DVC là lợi thế cạnh tranh mạnh mẽ.
* Ngoại ngữ: Có khả năng đọc hiểu tốt các tài liệu kỹ thuật, tài liệu API và các bài báo khoa học bằng tiếng Anh.

Phẩm chất cá nhân:

* Tư duy logic & giải quyết vấn đề (Logical & Problem-solving mindset): Khả năng phân tích một bài toán phức tạp thành các phần nhỏ hơn để giải quyết một cách có hệ thống. Luôn đặt câu hỏi "Tại sao" trước các kết quả bất thường của mô hình.
* Tinh thần tự học cao (Self-learning & Can-do attitude): Lĩnh vực AI thay đổi từng ngày, do đó bạn cần có khả năng tự nghiên cứu, đọc hiểu các công nghệ mới và áp dụng nhanh chóng vào công việc mà không cần sự cầm tay chỉ việc liên tục.
* Tỉ mỉ và kiên nhẫn: Công việc huấn luyện mô hình đòi hỏi rất nhiều thời gian làm sạch dữ liệu và tinh chỉnh thông số kỹ thuật. Sự kiên trì, cẩn trọng trong từng bước tiền xử lý dữ liệu quyết định 80% sự thành công của mô hình.
* Khả năng giao tiếp & Làm việc nhóm tốt: Truyền đạt ý tưởng kỹ thuật một cách rõ ràng, mạch lạc cho các thành viên trong đội ngũ phát triển và sẵn sàng tiếp thu các ý kiến đóng góp, phản biện mang tính xây dựng.

---

Quyền lợi:

* Trợ cấp thực tập hấp dẫn: Hỗ trợ chi phí thực tập hàng tháng cạnh tranh (xứng đáng với năng lực và đóng góp của bạn) cùng các phụ cấp ăn trưa, gửi xe tại tòa nhà văn phòng.
* Cơ hội trở thành nhân viên chính thức (Full-time Conversion): Lộ trình đánh giá năng lực rõ ràng sau 3 - 6 tháng thực tập. Những cá nhân xuất sắc sẽ có cơ hội nhận offer trở thành Kỹ sư Machine Learning chính thức ngay sau khi tốt nghiệp.
* Đào tạo & Cố vấn chất lượng (Mentorship): Được dẫn dắt trực tiếp bởi các Kỹ sư AI Senior, Chuyên gia Dữ liệu (Data Scientist) giàu kinh nghiệm thực chiến. Bạn sẽ học được tư duy giải quyết bài toán thực tế của doanh nghiệp, thay vì chỉ dừng lại ở lý thuyết sách vở.
* Tiếp cận hạ tầng phần cứng mạnh mẽ: Được cấp tài khoản làm việc trên các máy chủ hiệu năng cao, trang bị GPU chuyên dụng cho việc huấn luyện các mô hình Deep Learning lớn.
* Môi trường làm việc năng động, sáng tạo: Văn hóa phẳng, tôn trọng sự khác biệt và khuyến khích các ý tưởng đột phá. Không gò bó về mặt hình thức, tập trung hoàn toàn vào hiệu quả công việc thực tế.
* Trang thiết bị hiện đại: Được cung cấp đầy đủ các trang thiết bị làm việc cần thiết (Laptop cấu hình cao, màn hình phụ, các công cụ phần mềm bản quyền phục vụ công việc).
* Hoạt động gắn kết phong phú: Tham gia các buổi giao lưu nội bộ, Teambuilding, Happy Hour thứ Sáu hàng tuần, các câu lạc bộ thể thao, dã ngoại cùng toàn thể công ty.
* Định hướng nghề nghiệp: Được tham gia các buổi Tech-sharing nội bộ, định hướng lộ trình phát triển nghề nghiệp lâu dài trong lĩnh vực Trí tuệ nhân tạo đầy tiềm năng.

---

Tags:

Thực tập sinh Machine Learning, ML Engineer Intern, Thực tập sinh AI, Tuyển dụng ML Intern, Kỹ sư học máy thực tập, Data Science Intern, Thực tập sinh Khoa học dữ liệu, Học sâu PyTorch TensorFlow, Tuyển dụng AI Engineer, Lập trình viên Python thực tập, Việc làm AI MLOps, Thực tập sinh CNTT, Trí tuệ nhân tạo tuyển dụng, Nghiên cứu viên AI thực tập.

---

Từ khoá tìm kiếm:

Thực tập sinh Machine Learning, ML Engineer Intern, Thực tập sinh AI, Thực tập sinh Python, Tuyển dụng Machine Learning Hà Nội, Tuyển dụng Machine Learning TP.HCM, AI Developer Intern, Data Science Internship, Thực tập sinh NLP Computer Vision, Học máy thực tập sinh, MLOps Intern, Thực tập sinh phát triển phần mềm AI, Machine learning engineer jobs for freshers.

Share