Học AI để làm nghề gì

Lộ trình nghề nghiệp AI đa dạng: từ Research Scientist, ML Engineer đến MLOps và AI Product Manager. Chọn đúng vai trò phù hợp năng lực và đam mê của bạn.

Định nghĩa

Ngành AI không chỉ có một chức danh "AI Engineer" duy nhất mà là hệ sinh thái đa dạng gồm Research Scientist đẩy giới hạn công nghệ, Machine Learning Engineer triển khai sản phẩm, Data Scientist khai thác dữ liệu, và cả AI Product Manager định hướng chiến lược — mỗi vai trò đòi hỏi skillset và mindset khác biệt.

Giải thích chi tiết

AI Research Scientist — Người tạo ra kiến thức mới

Đây là vị trí "pure research" tại các lab như Google DeepMind, OpenAI, hoặc các trung tâm nghiên cứu của FPT, Samsung Vietnam. Họ không chỉ áp dụng mô hình có sẵn mà phát minh kiến trúc mới (như Transformer, Diffusion Models).

Yêu cầu: Thường cần bằng tiến sĩ (PhD) về Machine Learning, Deep Learning hoặc Toán ứng dụng. Kỹ năng đọc paper, viết paper, và thực nghiệm thuật toán mới trên framework từ đầu (thường dùng PyTorch/Jax hơn là high-level APIs).

Công việc thường ngày: Đọc arXiv papers, chạy thử nghiệm trên cluster GPU, viết báo cáo khoa học, chứ không phải maintain production code.

Machine Learning Engineer — Người đưa AI vào sản phẩm thực

Khác với Research Scientist, MLE tập trung vào engineering: xây dựng pipeline huấn luyện, tối ưu latency, deploy model lên cloud (AWS/GCP), và đảm bảo hệ thống chịu tải được hàng triệu requests.

Kỹ thuật cốt lõi: Software Engineering (Python/C++), Distributed Systems, Docker/Kubernetes, và hiểu sâu về model serving (TorchServe, Triton Inference Server). Họ cần biết fine-tuning nhưng không cần phát minh lại thuật toán.

Ví dụ thực tế: Tại Grab Việt Nam, MLE team xây dựng hệ thống dự đoán thời gian giao hàng (ETA) — không chỉ train model mà còn optimize inference time dưới 50ms để không làm chậm app.

Data Scientist — Người khai thác insight từ dữ liệu

Vị trí này nằm giữa business và kỹ thuật. Họ dùng thống kê và ML để trả lời câu hỏi kinh doanh: "Tại sao khách hàng churn?", "Giảm giá bao nhiêu thì tối ưu doanh thu?".

Khác biệt với MLE: Data Scientist dùng Jupyter Notebooks, Pandas, Scikit-learn để phân tích và prototype. Họ có thể không cần biết deploy microservices, nhưng phải giỏi trực quan hóa dữ liệu và giao tiếp với stakeholders.

Xu hướng hiện tại: Đang có sự phân hóa — "Analytics DS" (tập trung SQL/dashboard) và "ML DS" (xây dựng predictive models).

MLOps Engineer — Người vận hành hệ thống ML

Khi có nhiều model cần quản lý, cần người chuyên về infrastructure: CI/CD cho ML, monitoring data drift, retraining tự động, và quản lý feature store.

Tech stack: Airflow/Kubeflow, MLflow, Terraform, và monitoring tools (Prometheus, Grafana). Họ là DevOps của thế giới AI.

AI Product Manager và AI Interaction Designer

Không phải ai trong AI cũng cần code. AI PM hiểu capability của LLM/Computer Vision để định nghĩa sản phẩm (ví dụ: tính năng nào nên dùng GPT-4, tính năng nào dùng heuristic thường).

Prompt Engineer (hay AI Interaction Designer) là vai trò mới: tối ưu cách con người "giao tiếp" với AI thông qua prompt templates, chain-of-thought designs, và evaluation frameworks cho conversational AI.

Ví dụ thực tế

Dự án chatbot tiếng Việt tại ngân hàng

Một ngân hàng lớn muốn xây dựng trợ lý ảo hỗ trợ khách hàng qua Zalo và app:

Research Scientist: Thử nghiệm fine-tuning PhoGPT (foundation model tiếng Việt) với dữ liệu nội bộ, nghiên cứu cách giảm hallucination trong ngữ cảnh ngân hàng.
ML Engineer: Xây dựng RAG pipeline, tích hợp vector database (Pinecone/Weaviate), optimize latency để phản hồi dưới 2 giây.
MLOps: Thiết lập pipeline tự động cập nhật knowledge base khi có regulation mới, monitor khi model bắt đầu trả lời sai lệch.
AI Product Manager: Quyết định chatbot nên xử lý được 80% câu hỏi thường gặp trước khi đẩy sang agent con người, thiết kế flow "fallback" khi AI không chắc chắn.

Hệ thống gợi ý sản phẩm tại Tiki

Data Scientist: Phân tích hành vi mua sắm, tìm pattern "người mua tã thường mua bia vào cuối tuần" để đề xuất chiến lược bundle.
ML Engineer: Triển khai Two-Tower Neural Network cho real-time recommendation, xử lý cold-start problem cho sản phẩm mới.
Applied AI Specialist: Làm việc với team marketing để A/B testing các thuật toán gợi ý khác nhau, đo lường ROI.

Startup xây dựng công cụ tạo ảnh AI

Research Scientist: Điều chỉnh Stable Diffusion để tối ưu cho khuôn mặt người Việt Nam (dữ liệu training thiên lệch phương Tây).
AI Interaction Designer: Thiết kế prompt templates giúp người dùng không chuyên tạo được ảnh chất lượng cao chỉ bằng 3-4 click, thay vì viết prompt phức tạp.

Ứng dụng

Sinh viên mới ra trường

Nếu giỏi Toán và thích nghiên cứu: Hướng Research Scientist — cần học sâu về lý thuyết (Probability, Linear Algebra, Optimization), tham gia các lab tại ĐH Bách Khoa, FPT, và target các công ty có R&D center tại Việt Nam (Samsung, VinAI).

Nếu giỏi code và thích sản phẩm: Machine Learning Engineer — tập trung Software Engineering, làm pet projects deploy ML trên cloud (AWS free tier), tham gia Kaggle competitions nhưng để ý cả code quality, không chỉ accuracy.

Nếu thích giao tiếp và business: Data Scientist hoặc AI Product Manager — học thêm domain knowledge (tài chính, marketing), kỹ năng thuyết trình dữ liệu (storytelling with data).

Người đi làm chuyển ngành

Từ Developer (Web/Mobile) → MLE: Leverage kỹ năng system design đã có. Học thêm ML foundations qua các khóa hands-on (Fast.ai, DeepLearning.AI), bắt đầu bằng việc thêm ML features vào sản phẩm hiện tại (ví dụ: thêm recommendation engine vào app đang làm).

Từ Data Analyst → Data Scientist: Nâng cấp từ SQL/dashboard sang predictive modeling. Học scikit-learn, xgboost, và thống kê suy diễn (inference), không chỉ mô tả (descriptive).

Từ Business/Product → AI PM: Học technical enough để hiểu constraint của AI (ví dụ: latency của LLM, cost per token), học cách đọc AI research paper ở mức high-level.

Doanh nghiệp Việt Nam đang xây dựng team AI

Công ty mới bắt đầu: Thuê 1-2 Applied AI Specialists (full-stack ML) có thể làm từ data collection đến prototype, thay vì chia nhỏ role ngay từ đầu.

Công ty có quy mô vừa (50-200 người): Cần Data Scientist cho insights và MLE để productionize. Bắt đầu nghĩ đến MLOps khi có trên 3-4 model chạy production.

Tập đoàn lớn/Startup AI-native: Xây dựng cả research team (pre-training models) và platform team (MLOps infrastructure). Cần AI Product Manager để đảm bảo research không "bay" khỏi nhu cầu thị trường.

So sánh

Vai trò	Trọng tâm	Ngôn ngữ chính	Đo lường thành công	Môi trường làm việc
Research Scientist	Phát minh thuật toán, viết paper	Python (PyTorch/Jax), Toán	SOTA trên benchmark, citations	Lab nghiên cứu, trường đại học
Machine Learning Engineer	Production system, scalability	Python (Production code), C++, Go	Latency, throughput, uptime	Engineering team, tech company
Data Scientist	Insight, prediction, business value	Python (Pandas), SQL, R	Revenue uplift, accuracy metrics	Business unit, cross-functional
MLOps Engineer	Infrastructure, automation	YAML, Python, Bash, Terraform	Deployment frequency, MTTR	Platform team, DevOps culture
AI Product Manager	Strategy, user experience	Con người, requirement docs	User adoption, business metrics	Product team, startup

Insight quan trọng: Ranh giới giữa các role đang mờ nhạt dần. MLE giờ cũng cần hiểu research để implement SOTA models, Data Scientist cũng cần biết deploy nếu muốn impact lớn. Tuy nhiên, ở level senior, bạn vẫn cần chọn 1 hướng sâu (T-shape skills).