Khám phá vai trò của Research Engineer từ chia sẻ của người trong nghề: Khai thác dữ liệu và Ứng Dụng AI để hỗ trợ cho doanh nghiệp trong lĩnh vực Fintech

Chào chị, chị có thể giới thiệu đôi chút về bản thân được không ạ?

Xin chào mọi người, mình là Thắm, hiện đang làm Research Engineer tại Trusting Social, trong lĩnh vực công nghệ tài chính (Fintech). Công việc của mình tập trung vào giải quyết các bài toán liên quan đến Computer Vision và phát triển các mô hình AI/ML, nhằm mang lại những giải pháp phù hợp nhất cho doanh nghiệp. Với vai trò này, mình chịu trách nhiệm không chỉ về viết mã cho sản phẩm mà còn điều chỉnh, triển khai các mô hình AI theo hướng phù hợp với yêu cầu kinh doanh.

Mục tiêu cuối cùng của mình là không ngừng cải tiến mô hình để tối ưu hoá hiệu suất và đảm bảo sản phẩm không chỉ đáp ứng mà còn vượt qua các bài toán thực tế mà doanh nghiệp đặt ra.

Lý do nào khiến chị chọn học ngành Khoa học máy tính và theo đuổi công việc hiện tại?

Từ khi học cấp 3, mình đã nghe những câu chuyện truyền cảm hứng về các nhân vật như Jack Ma, điều này đã khơi gợi niềm đam mê của mình với công nghệ. Bên cạnh đó, mình nhận ra rằng bản thân khá hợp với những bài toán logic hơn là các lĩnh vực về kinh tế. Sau khi học qua nhiều môn và thực tập trong ngành, mình có cơ hội thử sức ở các vai trò khác nhau, và dần dần thấy yêu thích, gắn bó với công việc hiện tại – nơi mình có thể áp dụng kỹ năng và niềm đam mê của mình để giải quyết những bài toán phức tạp.

Chị có thể chia sẻ thêm về chức danh "Research Engineer" của mình không ạ?

Chức danh “Research Engineer” của mình có thể khá khác biệt so với một số vị trí như Data Scientist, mặc dù cả hai đều liên quan mật thiết đến việc khai thác dữ liệu và ứng dụng AI. Ở nhiều công ty, Research Engineer thường được coi là một nhánh chuyên sâu về kỹ thuật trong lĩnh vực dữ liệu và trí tuệ nhân tạo. Với vai trò này, mình tập trung vào nghiên cứu và phát triển các mô hình AI/ML, thử nghiệm, tối ưu hóa và đảm bảo các mô hình này đáp ứng đúng yêu cầu kinh doanh và có giá trị ứng dụng thực tế cho khách hàng.

Trong khi đó, Data Scientist thường có phạm vi công việc rộng hơn, bao gồm cả phân tích dữ liệu, khám phá và tìm hiểu các xu hướng từ dữ liệu để đề xuất các giải pháp chiến lược cho doanh nghiệp. Một Data Scientist có thể làm việc với nhiều nhóm khác nhau để tối ưu hóa các mô hình dựa trên kết quả kinh doanh, trong khi Research Engineer tập trung vào xây dựng và cải tiến công nghệ cốt lõi của mô hình.

Có thể nói, trong một số mô hình doanh nghiệp hiện nay, Research Engineer là bước đệm trước khi lên vị trí Data Scientist. 

Vậy quy trình làm việc với vai trò Research Engineer sẽ như thế nào?

Công việc của mình cũng tương tự như các bạn Software Engineer. Đầu tiên, đội ngũ sản phẩm sẽ xác định các vấn đề và yêu cầu từ khách hàng, tạo ra các nhiệm vụ (ticket) cùng thời hạn hoàn thành. Sau đó, mình và quản lý sẽ thảo luận và lên kế hoạch giải quyết, chẳng hạn như viết mã cho các dịch vụ hoặc huấn luyện mô hình.

Trong trường hợp huấn luyện mô hình, công việc bao gồm chuẩn bị và dán nhãn dữ liệu, sau đó tiến hành huấn luyện và kiểm tra mô hình. Để huấn luyện mô hình, công cụ chính mình sử dụng là Python và các thư viện như Pytorch. Sau khi hoàn thành, sản phẩm sẽ được kiểm tra bởi đội QA/QC và qua bước kiểm tra của khách hàng trước khi đến tay người dùng cuối.

Điều đặc biệt khi làm việc trong môi trường Product là mình theo sát sản phẩm lâu dài, luôn cải tiến để tăng trải nghiệm người dùng (UI/UX) và nâng cao độ chính xác của mô hình, đảm bảo sản phẩm đạt được hiệu suất tối ưu.

Những khó khăn lớn nhất mà chị gặp phải khi mới bắt đầu làm Research Engineer là gì?

Khó khăn lớn nhất có lẽ là cảm giác choáng ngợp vì công nghệ luôn thay đổi nhanh chóng và đa dạng. Điều này khiến mình đôi khi cảm thấy bối rối không biết nên tập trung vào hướng nào, nhất là khi lĩnh vực Data Science lại có rất nhiều nhánh nhỏ khác nhau để theo đuổi.

Thời điểm ban đầu khi mới làm việc, mình chịu áp lực không tốt lắm nhưng mà làm lâu thì cũng quen hơn. Mỗi lần hoàn thành được một dự án quan trọng, mình cũng rút ra thêm được kinh nghiệm và có thêm tự tin hơn khi đóng góp được những giá trị thực tiễn cho doanh nghiệp. 

Bên cạnh đó, trong quá trình làm việc, thì khó khăn chính là lúc gặp bug. Mỗi khi triển khai sản phẩm mà hệ thống gặp sự cố, mình phải nhanh chóng tìm ra và khắc phục. 

Làm Research Engineer trong lĩnh vực Fintech có gì giống và khác so với các lĩnh vực khác không?

Fintech là một lĩnh vực mà dữ liệu có tính chất đặc thù rất cao so với các lĩnh vực khác như media. Và hiện nay thì các doanh nghiệp Fintech cũng ứng dụng chuyển đổi số rất nhiều, đặc biệt là AI. Ví dụ, AI có thể hỗ trợ rất hiệu quả trong eKYC (xác thực danh tính qua nhận diện khuôn mặt), dự đoán rủi ro tín dụng và nhiều ứng dụng khác.

Ở doanh nghiệp mình đang làm việc, AI được coi là giá trị cốt lõi, nên không chỉ riêng đội kỹ thuật mà ngay cả các bạn làm Product và Sale đều phải hiểu về cách đánh giá mô hình AI để có thể giải thích tốt hơn cho khách hàng. Điều này đòi hỏi một nền tảng kiến thức sâu và rộng về dữ liệu, AI để làm việc hiệu quả hơn. Nên mình thấy, dù không làm chuyên môn về IT, nhân sự trong lĩnh vực này hoặc trong tất cả các ngành nghề khác đều nên trang bị kỹ năng làm việc với công nghệ hoặc kỹ năng làm việc với dữ liệu.

Chị có thể chia sẻ một vài phương pháp để nâng cấp bản thân và phát triển mạnh mẽ trong lĩnh vực này được không ạ?

Có rất nhiều cách để nâng cấp bản thân. Đầu tiên, mình nghĩ việc đọc blog chuyên ngành hoặc các báo cáo khoa học là một phương pháp hiệu quả. Những tài liệu này thường được chia sẻ bởi các chuyên gia có nhiều năm kinh nghiệm trong lĩnh vực dữ liệu và AI, cung cấp rất nhiều kiến thức thực tế và cập nhật về xu hướng công nghệ. Các nghiên cứu và chia sẻ này giúp mình học hỏi từ thành tựu và thử thách của người đi trước, qua đó tránh được những sai lầm phổ biến và tối ưu hóa quá trình làm việc.

Bên cạnh đó, vì công nghệ luôn thay đổi nhanh chóng, việc bổ sung kiến thức qua các khóa học, cả offline lẫn online, cũng là cách tốt để bắt kịp xu hướng mới. Các nền tảng học tập trực tuyến hiện nay có rất nhiều khóa học chuyên sâu về AI, Machine Learning và Data Science, từ cơ bản đến nâng cao, giúp mình vừa học lý thuyết vừa có cơ hội thực hành các bài toán thực tế.

Chị có lời khuyên nào cho các bạn trẻ muốn theo đuổi ngành này không?

Theo mình, các bạn nên trang bị nền tảng kiến thức vững chắc và chăm chỉ rèn luyện kỹ năng. Bởi Research Engineer hay Data Scientist là công việc đòi hỏi rất cao về kỹ năng lập trình. Kiến thức ở đại học, nhất là trong ngành IT, rất hữu ích khi áp dụng vào công việc thực tế. 

Mình khuyên các bạn nên tích cực tham gia các công việc thực tập, dự án thực tế hoặc các cuộc thi để gây ấn tượng với nhà tuyển dụng. Ngoài ra, việc học từ blog, khóa học online hoặc offline cũng rất hiệu quả. Ngành IT là nơi thực lực lên ngôi, vì vậy nếu các bạn có khả năng, chắc chắn sẽ nhận lại những giá trị xứng đáng.

Hiện tại, mình cũng đang đảm nhận vai trò giảng dạy level 3 (chuyên về Python và Machine Learning) trong khóa học Data Analyst tại MindX. Ban đầu, mình đến với công việc giảng dạy như một cách để thử nghiệm bản thân và trải nghiệm một lĩnh vực mới. Tuy nhiên, sau hai năm làm việc, mình đã nhận ra rất nhiều giá trị từ công việc này.

Trước hết, giảng dạy giúp mình mở rộng mạng lưới kết nối đáng kể. Mình có cơ hội gặp gỡ nhiều bạn học viên nhiệt huyết, cũng như làm việc cùng các anh chị đồng nghiệp và giảng viên đầy kinh nghiệm. Việc chuẩn bị tài liệu, slide, hoặc quiz cho học viên cũng giống như quá trình mình tự ôn tập và củng cố lại kiến thức cho bản thân. Ngoài ra, MindX còn có chính sách phúc lợi rất tốt, và môi trường làm việc tại đây mang đến nhiều cơ hội kết nối và học hỏi từ những người trong ngành. Nếu các bạn có hứng thú với lĩnh vực này, mình khuyến khích các bạn thử sức vì đây thực sự là một cơ hội quý giá để phát triển bản thân.

MindX xin cảm ơn những chia sẻ của chị về công việc cũng như những trải nghiệm thực tế trong lĩnh vực Data Science. Chúc anh luôn thành công trong sự nghiệp và cuộc sống. 

---

Thông tin KHOÁ HỌC DATA ANALYST tại MindX: 

8 tháng - 4 kỳ học: 

Kỳ 1: Kiến thức tổng quan về cơ sở dữ liệu; thành thạo công cụ SQL, Python, Power BI,...; thực hành ứng dụng phương pháp phân tích mô tả. 

Kỳ 2: Học về quy trình phân tích dữ liệu trong kinh doanh; phương pháp phân tích chẩn đoán và xây dựng báo cáo tự động với Power BI Advanced. 

Kỳ 3: Học chuyên sâu về Python và cách làm việc với mô hình dữ liệu Machine Learning. 

Kỳ 4: Ôn luyện kiến thức, làm dự án cuối khoá, làm CV/Portfolio, luyện phỏng vấn thử và lên chiến lược ứng tuyển thành công. 

>>> Xem chương trình học chi tiết TẠI ĐÂY.