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

Tổng quan vai trò:

Chúng tôi đang tìm kiếm một "kiến trúc sư trí tuệ tương lai" – vị trí Thực tập sinh AI / Machine Learning (AI/ML Intern). Bạn không chỉ là một người thực thi viết code thông thường, mà là mắt xích quan trọng trong việc chuyển hóa những dòng dữ liệu thô, phức tạp thành những mô hình trí tuệ nhân tạo có khả năng tự học, dự đoán và tối ưu hóa các quy trình cốt lõi của doanh nghiệp.

Sự tò mò toán học, tư duy logic nhạy bén trong việc xử lý thuật toán, và niềm đam mê mãnh liệt đối với việc huấn luyện máy tính hiểu thế giới thực chính là giá trị cốt lõi bạn sẽ mang lại và phát triển tại đây. Bạn sẽ được làm việc trực tiếp bên cạnh các chuyên gia dữ liệu (Data Scientists), kỹ sư AI kỳ cựu để tham gia vào toàn bộ vòng đời phát triển dự án AI từ nghiên cứu, tiền xử lý dữ liệu, thử nghiệm thuật toán cho đến triển khai mô hình lên môi trường thực tế (production). Nếu bạn là một tài năng trẻ đầy khát vọng, mong muốn vượt qua ranh giới của lý thuyết học thuật để tạo ra những giải pháp công nghệ có tầm ảnh hưởng lớn đến hàng triệu người dùng, chúng tôi nồng nhiệt chào đón bạn gia nhập đội ngũ sáng tạo của chúng tôi.

---

Nhiệm vụ công việc chính:

1. Thu thập, Tiền xử lý và Quản lý Dữ liệu (Data Engineering & Preprocessing)

* Thu thập và trích xuất dữ liệu: Phối hợp cùng đội ngũ kỹ sư dữ liệu (Data Engineers) để thu thập dữ liệu từ nhiều nguồn khác nhau bao gồm cơ sở dữ liệu nội bộ (SQL, NoSQL), các API bên ngoài, dữ liệu web (web scraping) và các tệp tin lưu trữ định dạng lớn (JSON, CSV, Parquet).
* Làm sạch dữ liệu (Data Cleaning): Nhận diện, phân tích và xử lý triệt để các vấn đề về chất lượng dữ liệu như dữ liệu bị khuyết thiếu (missing values), dữ liệu nhiễu (noise), dữ liệu trùng lặp hoặc các điểm dị biệt (outliers) có thể làm sai lệch kết quả huấn luyện mô hình.
* Gán nhãn dữ liệu (Data Labeling/Annotation): Thiết lập và giám sát quy trình gán nhãn dữ liệu chất lượng cao cho các bài toán học có giám sát (Supervised Learning), bao gồm gán nhãn hình ảnh (Bounding boxes, Segmentation), phân loại văn bản (Text classification), hoặc gán nhãn thực thể (Named Entity Recognition - NER).
* Biến đổi đặc trưng (Feature Engineering): Áp dụng các kỹ thuật toán học và thống kê để trích xuất, lựa chọn và chuẩn hóa các đặc trưng (features) quan trọng nhất từ dữ liệu thô, giúp tăng tốc độ hội tụ và độ chính xác của các mô hình học máy.

2. Nghiên cứu, Thử nghiệm và Phát triển Mô hình (R&D & Model Development)

* Nghiên cứu giải pháp (Literature Review): Chủ động đọc, hiểu và tổng hợp các bài báo khoa học, các công trình nghiên cứu mới nhất (State-of-the-art) từ các hội nghị uy tín như CVPR, ICCV, ACL, NeurIPS để đề xuất các phương pháp giải quyết bài toán thực tế của công ty.
* Xây dựng mô hình Baseline: Triển khai các mô hình học máy truyền thống (Logistic Regression, Decision Trees, Random Forest, Gradient Boosting như XGBoost, LightGBM) và các kiến trúc mạng thần kinh nhân tạo (Deep Learning) cơ bản để làm mốc so sánh hiệu năng.
* Phát triển mô hình nâng cao: Thiết kế và huấn luyện các mô hình AI chuyên sâu tùy thuộc vào định hướng dự án của công ty:
* *Xử lý ngôn ngữ tự nhiên (NLP):* Chatbot, hệ thống trích xuất thông tin, dịch thuật máy, phân tích cảm xúc sử dụng các kiến trúc Transformer (BERT, GPT, T5, LLMs).
* *Thị giác máy tính (Computer Vision):* Nhận diện khuôn mặt, phát hiện vật thể, phân vùng hình ảnh, OCR sử dụng CNNs, YOLO, ViT (Vision Transformers).
* *Hệ thống khuyến nghị (Recommendation Systems):* Gợi ý sản phẩm, cá nhân hóa trải nghiệm người dùng dựa trên Collaborative Filtering, Content-based Filtering hoặc Deep Recommender.
* Tối ưu hóa siêu tham số (Hyperparameter Tuning): Sử dụng các công cụ tự động như Optuna, GridSearch, RandomSearch để tinh chỉnh các tham số của mô hình nhằm đạt hiệu năng tối ưu nhất.

3. Thử nghiệm, Đánh giá và Kiểm định Mô hình (Validation & Evaluation)

* Thiết lập quy trình kiểm thử: Áp dụng các phương pháp phân chia dữ liệu khoa học như K-Fold Cross Validation để đảm bảo mô hình không bị hiện tượng quá khớp (Overfitting) hoặc dưới khớp (Underfitting).
* Phân tích chỉ số hiệu năng: Đánh giá mô hình một cách toàn diện bằng việc áp dụng linh hoạt các chỉ số đo lường chuẩn mực: Precision, Recall, F1-Score, ROC-AUC cho bài toán phân loại; MAE, MSE, RMSE, R-squared cho bài toán hồi quy; BLEU, ROUGE cho các bài toán sinh văn bản.
* Phân tích lỗi (Error Analysis): Đi sâu phân tích các trường hợp mô hình dự đoán sai (False Positives, False Negatives), tìm hiểu nguyên nhân gốc rễ từ dữ liệu hoặc thuật toán để đề xuất phương án cải tiến cụ thể.

4. Triển khai, Đóng gói và Tích hợp Mô hình (Model Deployment & MLOps)

* Đóng gói mô hình (Model Serialization): Chuyển đổi các mô hình đã huấn luyện thành các định dạng chuẩn hóa để dễ dàng lưu trữ và tái sử dụng (như Pickle, ONNX, TensorRT).
* Xây dựng API dịch vụ: Viết các dịch vụ web microservices sử dụng các framework Python nhẹ như FastAPI, Flask hoặc Sanic để phục vụ việc dự đoán thời gian thực (Real-time inference) hoặc dự đoán theo lô (Batch inference).
* Container hóa ứng dụng: Sử dụng Docker để đóng gói toàn bộ môi trường chạy mô hình AI, đảm bảo tính nhất quán tuyệt đối khi triển khai từ máy cá nhân lên môi trường thử nghiệm (Staging) và môi trường thực tế (Production).
* Hỗ trợ vận hành AI (MLOps): Phối hợp cùng các kỹ sư MLOps để xây dựng và tự động hóa các đường ống tích hợp và triển khai liên tục (CI/CD pipeline) cho hệ thống học máy.

5. Báo cáo, Tài liệu hóa và Cộng tác (Documentation & Collaboration)

* Viết tài liệu kỹ thuật (Documentation): Soạn thảo chi tiết các tài liệu hướng dẫn kỹ thuật bao gồm: cấu trúc dữ liệu đầu vào/đầu ra, kiến trúc mô hình, hướng dẫn cài đặt môi trường, và các kết quả kiểm thử mô hình.
* Báo cáo tiến độ trực quan: Sử dụng các công cụ quản lý thí nghiệm như TensorBoard, MLflow, Weights & Biases để theo dõi, lưu trữ trực quan hóa lịch sử huấn luyện mô hình và báo cáo tiến độ định kỳ cho Trưởng nhóm (Team Lead).
* Cộng tác liên phòng ban: Tham gia vào các cuộc họp Agile/Scrum hằng ngày, phối hợp chặt chẽ với các kỹ sư phần mềm (Backend/Frontend) và Quản lý sản phẩm (Product Manager) để chuyển hóa yêu cầu nghiệp vụ thành các tính năng AI thực tế.

---

Yêu cầu và điều kiện:

1. Học vấn và Kinh nghiệm:

* Trình độ học vấn: Sinh viên năm cuối hoặc mới tốt nghiệp Đại học/Thạc sĩ chuyên ngành Khoa học máy tính, Công nghệ thông tin, Khoa học dữ liệu, Toán - Tin, Kỹ thuật phần mềm, Điện tử viễn thông hoặc các ngành kỹ thuật có liên quan trực tiếp đến tư duy định lượng.
* Nền tảng học thuật: Điểm trung bình tích lũy (GPA) từ Khá/Giỏi trở lên là một lợi thế lớn. Điểm số cao trong các môn học nền tảng như Giải tích, Đại số tuyến tính, Xác suất thống kê, và Cấu trúc dữ liệu & Giải thuật.
* Kinh nghiệm thực tiễn:
* Có kinh nghiệm làm đồ án môn học, dự án cá nhân hoặc nghiên cứu khoa học liên quan đến Học máy (Machine Learning) hoặc Trí tuệ nhân tạo (AI).
* Có tài khoản GitHub hoạt động tích cực, lưu trữ các mã nguồn dự án cá nhân được trình bày sạch sẽ, khoa học là điểm cộng cực kỳ lớn.
* Ưu tiên ứng viên đã từng đạt giải thưởng tại các cuộc thi Hackathon, Kaggle (Kaggle Notebooks/Competitions Expert trở lên), hoặc các kỳ thi học thuật lớn.

2. Kỹ năng chuyên môn (Professional Skills):

* Ngôn ngữ lập trình:
* Thành thạo ngôn ngữ lập trình Python (đây là công cụ làm việc chính hằng ngày).
* Biết sử dụng cơ bản SQL để truy vấn dữ liệu từ các hệ quản trị cơ sở dữ liệu.
* Hiểu biết về C++ hoặc Java là một lợi thế phụ trợ cho việc tối ưu hiệu năng.
* Thư viện và Framework AI/ML:
* Sử dụng thành thạo các thư viện xử lý và trực quan hóa dữ liệu chuẩn của Python: NumPy, Pandas, Scikit-learn, Matplotlib, Seaborn.
* Có kinh nghiệm thực chiến với ít nhất một trong các framework Deep Learning hàng đầu: PyTorch hoặc TensorFlow / Keras.
* Biết sử dụng các thư viện chuyên biệt như Hugging Face (cho NLP), OpenCV (cho Computer Vision).
* Công cụ phát triển hệ thống:
* Sử dụng thành thạo hệ điều hành Linux (Ubuntu/CentOS), biết viết các lệnh Bash shell cơ bản.
* Sử dụng thành thạo hệ thống quản lý phiên bản mã nguồn Git / GitHub.
* Hiểu biết cơ bản về Docker và nguyên lý hoạt động của các dịch vụ đám mây (AWS, GCP, Azure) là lợi thế lớn.
* Tư duy Toán học và Thuật toán:
* Nắm vững bản chất toán học đằng sau các thuật toán học máy (đạo hàm, ma trận, phân phối xác suất, định lý Bayes).
* Có khả năng tự triển khai lại (re-implement) thuật toán từ các bài báo khoa học dựa trên mã nguồn khung.

3. Phẩm chất cá nhân (Personal Qualities):

* Khả năng tự học xuất sắc (Self-learning ability): Lĩnh vực AI phát triển với tốc độ chóng mặt từng ngày. Khả năng chủ động nghiên cứu công nghệ mới, tự đọc hiểu tài liệu tiếng Anh kỹ thuật và tự giải quyết các lỗi lập trình phát sinh là bắt buộc.
* Tư duy giải quyết vấn đề (Analytical & Problem-solving): Khả năng tiếp cận một bài toán kinh doanh phức tạp, bóc tách nó thành các bài toán kỹ thuật nhỏ hơn và kiên trì thử nghiệm nhiều phương pháp khác nhau cho đến khi tìm ra giải pháp tối ưu.
* Sự tỉ mỉ và kiên nhẫn (Attention to detail): Việc huấn luyện mô hình đòi hỏi sự kiên nhẫn cực lớn khi phải theo dõi hàng giờ liền, tỉ mỉ trong việc kiểm tra sự cân bằng của tập dữ liệu hay các lỗi logic nhỏ trong dòng code.
* Kỹ năng giao tiếp và làm việc nhóm (Communication & Teamwork): Có khả năng giải thích các khái niệm kỹ thuật AI phức tạp một cách đơn giản, dễ hiểu cho các thành viên ngoài ngành kỹ thuật. Hòa đồng, sẵn sàng lắng nghe và tiếp thu các ý kiến đóng góp từ đồng nghiệp.

---

Quyền lợi:

* Trợ cấp thực tập cạnh tranh: Nhận mức hỗ trợ tài chính hấp dẫn hằng tháng (trao đổi chi tiết khi phỏng vấn, dao động tùy thuộc vào năng lực và thời gian cam kết làm việc). Hỗ trợ chi phí gửi xe, teabreak hằng ngày tại văn phòng.
* Cơ hội trở thành nhân viên chính thức: Sau thời gian thực tập từ 3 đến 6 tháng, những ứng viên có biểu hiện xuất sắc và đạt kết quả đánh giá công việc tốt sẽ được ưu tiên xem xét chuyển thẳng lên vị trí Kỹ sư AI / Machine Learning chính thức (Full-time Senior/Junior AI Engineer) với lộ trình thăng tiến rõ ràng.
* Được dẫn dắt bởi chuyên gia (Mentorship 1-on-1): Bạn sẽ không bị "bỏ rơi" trong thế giới code đồ sộ. Mỗi thực tập sinh sẽ được phân công một Mentor là Kỹ sư AI hoặc Chuyên gia dữ liệu cấp cao trực tiếp kèm cặp, định hướng nghiên cứu và phản hồi công việc hằng ngày.
* Trải nghiệm thực tế với nguồn tài nguyên "Khủng":
* Được trực tiếp làm việc trên các hệ thống dữ liệu thực tế ở quy mô lớn (Big Data) của doanh nghiệp, điều mà bạn khó có cơ hội trải nghiệm khi còn ngồi trên ghế nhà trường.
* Được cấp quyền truy cập và sử dụng hạ tầng tính toán hiệu năng cao (Hệ thống máy chủ GPU chuyên dụng như NVIDIA A100/RTX 4090 phục vụ huấn luyện Deep Learning).
* Môi trường làm việc lý tưởng:
* Văn phòng hiện đại, sáng tạo, trang bị đầy đủ thiết bị làm việc cần thiết. Không khí làm việc trẻ trung, năng động, khuyến khích sự đổi mới sáng tạo và tôn trọng sự khác biệt cá nhân.
* Thời gian làm việc linh hoạt, tạo điều kiện tối đa cho sinh viên chưa tốt nghiệp có thể vừa hoàn thành chương trình học trên trường vừa tham gia thực tập tại công ty (chấp nhận làm việc tối thiểu 3-4 ngày/tuần).
* Đào tạo nội bộ chuyên sâu: Được tham gia miễn phí vào các buổi Tech-talk, Seminar khoa học hàng tuần của công ty, các khóa học nâng cao kỹ năng mềm và kỹ năng chuyên môn do các chuyên gia trong và ngoài nước đứng lớp.

---

Tags:

Thực tập sinh AI, Tuyển dụng AI Intern, Thực tập sinh Machine Learning, Việc làm Machine Learning Intern, Kỹ sư AI trẻ, Thực tập sinh Khoa học dữ liệu, Học máy Python, Thực tập sinh Deep Learning, Thực tập sinh NLP, Thực tập sinh Thị giác máy tính, Tuyển dụng MLOps Intern, Việc làm IT thực tập, Thực tập sinh Công nghệ thông tin.

---

Từ khoá tìm kiếm:

Thực tập sinh Trí tuệ nhân tạo, AI Machine Learning Intern tuyển dụng, Thực tập sinh Python AI, Machine Learning Engineer Intern, Data Science Intern, Thực tập sinh PyTorch TensorFlow, Tìm việc thực tập AI Hà Nội, Việc làm AI Intern TP.HCM, Thực tập sinh lập trình AI, AI Research Intern, Thực tập sinh thị giác máy tính Computer Vision, Tuyển thực tập sinh xử lý ngôn ngữ tự nhiên NLP.

Share