Phỏng vấn AI Engineer / Data Engineer: JD khác gì vị trí truyền thống

Vì sao JD của hai vị trí này dễ gây nhầm lẫn

"AI Engineer" hiện được dùng cho ít nhất ba công việc rất khác nhau: người huấn luyện và tinh chỉnh mô hình, người xây dựng hệ thống tích hợp các mô hình có sẵn (gọi API, thiết kế prompt, xử lý kết quả), và người xây dựng hạ tầng để chạy mô hình ở quy mô lớn (MLOps). "Data Engineer" cũng dao động giữa xây dựng pipeline xử lý dữ liệu và làm việc gần với phân tích dữ liệu hơn. JD thường không phân biệt rõ ba vai trò này, nên đọc nhầm dẫn đến chuẩn bị sai trọng tâm.

Ba câu hỏi cần trả lời được từ JD trước khi ôn

1. Dữ liệu ở quy mô nào? Vài nghìn bản ghi xử lý bằng pandas rất khác với terabyte dữ liệu cần Spark hoặc hệ thống phân tán. JD thường gợi ý qua các từ khoá công cụ được liệt kê.
2. Huấn luyện mô hình hay tích hợp mô hình có sẵn? Nếu JD nhắc nhiều đến "fine-tuning", "model training", "evaluation metrics" — đó là hướng huấn luyện. Nếu nhắc nhiều đến "prompt engineering", "API integration", "LLM orchestration" — đó là hướng tích hợp, đòi hỏi kỹ năng khác hẳn.
3. Ai tiêu thụ kết quả đầu ra? Một pipeline phục vụ trực tiếp sản phẩm (độ trễ thấp, phải ổn định 24/7) đòi hỏi tư duy vận hành khác với một pipeline phục vụ phân tích nội bộ (có thể chạy theo batch, sai số chấp nhận được cao hơn).

Câu hỏi thường gặp theo từng hướng

Hướng huấn luyện/nghiên cứu: cách chọn metric đánh giá phù hợp với bài toán, cách xử lý dữ liệu mất cân bằng, cách phát hiện và xử lý model drift sau khi triển khai.

Hướng tích hợp/ứng dụng: cách thiết kế prompt ổn định qua nhiều lần gọi, cách xử lý khi mô hình trả kết quả không đúng định dạng mong đợi, cách kiểm soát chi phí khi gọi API ở quy mô lớn.

Hướng hạ tầng (Data/MLOps): cách thiết kế pipeline chịu lỗi khi một bước xử lý thất bại giữa chừng, cách đảm bảo dữ liệu đồng nhất giữa môi trường huấn luyện và môi trường sản xuất, cách giám sát chất lượng dữ liệu đầu vào theo thời gian.

Vì sao đây là nhóm vị trí đang khó tuyển nhất

Theo các báo cáo thị trường nhân sự công nghệ gần đây, AI Engineer và các vị trí dữ liệu chuyên sâu nằm trong nhóm khó tuyển nhất vì số lượng ứng viên có kinh nghiệm thực chiến (không chỉ học qua khoá học) còn ít. Điều này có nghĩa là một câu trả lời thể hiện bạn đã thực sự vận hành một hệ thống (kể cả quy mô nhỏ) thường có giá trị hơn một câu trả lời lý thuyết đầy đủ nhưng chưa từng triển khai.

Khám phá thêm: Phỏng vấn system design: AI đối chiếu JD giúp được gì · Mức lương ngành IT Việt Nam