Mô tả công việc
- Nghiên cứu, thiết kế và phát triển các mô hình học máy nâng cao phục vụ các bài toán dự báo, phân loại, xếp hạng, phát hiện bất thường, tối ưu hóa và hỗ trợ ra quyết định trong sản phẩm, dịch vụ AI.
- Xây dựng, huấn luyện và tối ưu các nhóm mô hình học máy như regression, classification, clustering, mô hình dựa trên cây, ensemble learning, gradient boosting, time-series forecasting, graph neural networks và các phương pháp học máy hiện đại khác.
- Thiết kế và cải tiến các phương pháp huấn luyện mô hình nhằm xử lý hiệu quả dữ liệu có quy mô lớn, nhiều chiều, đa nguồn, đa định dạng và có tính biến động cao.
- Thực hiện đánh giá, so sánh và lựa chọn mô hình phù hợp dựa trên các tiêu chí như độ chính xác, khả năng tổng quát hóa, độ ổn định, khả năng giải thích, tốc độ xử lý, chi phí tính toán và khả năng triển khai thực tế.
- Nghiên cứu và ứng dụng các kỹ thuật tối ưu mô hình như hyperparameter tuning, feature selection, cross-validation, regularization, calibration, model stacking, model blending và các phương pháp cải thiện hiệu năng khác.
- Phát triển các mô hình học máy có khả năng giải thích, hỗ trợ phân tích nguyên nhân, đánh giá mức độ ảnh hưởng của các biến và cung cấp insight phục vụ nghiệp vụ.
- Tham gia xây dựng pipeline học máy từ dữ liệu đầu vào đến mô hình hoàn chỉnh, bao gồm xử lý dữ liệu, huấn luyện, đánh giá, kiểm thử, đóng gói và bàn giao mô hình cho môi trường triển khai.
- Cập nhật các xu hướng, thuật toán và công nghệ học máy mới, góp phần nâng cao năng lực nghiên cứu, chất lượng mô hình và giá trị nền tảng công nghệ AI của tổ chức.
- Định hướng kiến trúc kỹ thuật cho các hệ thống học máy lõi, đảm bảo mô hình có khả năng mở rộng, tái sử dụng và tích hợp hiệu quả vào nhiều sản phẩm, dịch vụ AI khác nhau.
- Dẫn dắt nghiên cứu, thử nghiệm và chuẩn hóa các phương pháp học máy tiên tiến nhằm giải quyết các bài toán phức tạp, dữ liệu lớn, dữ liệu không cân bằng, dữ liệu nhiễu hoặc dữ liệu có cấu trúc đặc thù.
- Thiết kế các framework, thư viện hoặc bộ công cụ nội bộ phục vụ huấn luyện, đánh giá, so sánh, giải thích và giám sát mô hình học máy ở quy mô tổ chức.
- Xây dựng chiến lược lựa chọn mô hình cho từng nhóm bài toán, cân bằng giữa hiệu năng, khả năng giải thích, chi phí tính toán, độ ổn định và khả năng triển khai trong môi trường production.
- Đề xuất và phát triển các phương pháp học máy mới hoặc cải tiến thuật toán hiện có nhằm nâng cao chất lượng mô hình, giảm chi phí vận hành và tạo lợi thế công nghệ cho tổ chức.
- Chủ trì việc thiết kế hệ thống đánh giá mô hình toàn diện, bao gồm kiểm thử độ chính xác, độ ổn định, khả năng tổng quát hóa, độ tin cậy, bias, fairness, robustness và explainability.
- Phân tích chuyên sâu các lỗi mô hình, xác định nguyên nhân gốc rễ từ dữ liệu, đặc trưng, thuật toán, quy trình huấn luyện hoặc điều kiện triển khai, từ đó đưa ra khuyến nghị cải tiến có tính hệ thống.
- Tư vấn kỹ thuật cho các nhóm sản phẩm, dữ liệu và nền tảng trong việc lựa chọn hướng tiếp cận AI/ML phù hợp với mục tiêu nghiệp vụ, ràng buộc dữ liệu và yêu cầu triển khai thực tế.
- Dẫn dắt các dự án nghiên cứu ứng dụng học máy có độ phức tạp cao, từ giai đoạn xác định bài toán, xây dựng giả thuyết, thiết kế thí nghiệm, đánh giá kết quả đến chuyển giao thành giải pháp sản phẩm.
- Tham gia xây dựng tiêu chuẩn kỹ thuật, quy trình phát triển mô hình, quy trình kiểm định chất lượng và nguyên tắc quản trị mô hình học máy trong toàn tổ chức.
- Đóng vai trò chuyên gia phản biện kỹ thuật trong các thiết kế mô hình, kết quả thử nghiệm, phương án triển khai và các quyết định liên quan đến kiến trúc AI/ML.
- Theo dõi, đánh giá và chuyển hóa các xu hướng nghiên cứu mới như graph machine learning, causal machine learning, self-supervised learning, automated machine learning, foundation models for tabular data, interpretable ML thành năng lực công nghệ nội bộ.
- Góp phần xây dựng tài sản trí tuệ của tổ chức thông qua công bố khoa học, sáng chế, giải pháp kỹ thuật lõi, bộ benchmark nội bộ, bộ dữ liệu chuẩn hoặc nền tảng học máy dùng chung.
Yêu cầu công việc
- Yêu cầu bắt buộc: Ứng viên gửi kèm bằng tốt nghiệp và bảng điểm trong đơn ứng tuyển.
- Tốt nghiệp đại học trở lên chuyên ngành Công nghệ thông tin, Khoa học máy tính, Trí tuệ nhân tạo, Khoa học dữ liệu, Toán tin, Hệ thống thông tin hoặc các lĩnh vực liên quan.
- Có kiến thức nền tảng vững chắc về Machine Learning, Deep Learning, xác suất thống kê, tối ưu hóa, đại số tuyến tính và phân tích dữ liệu.
- Có kinh nghiệm nghiên cứu, thiết kế, huấn luyện và tối ưu các mô hình học máy như regression, classification, clustering, decision tree, random forest, gradient boosting, ensemble learning, time-series forecasting, graph neural networks hoặc các mô hình học máy nâng cao khác.
- Thành thạo Python và các thư viện, framework học máy phổ biến như Scikit-learn, XGBoost, LightGBM, CatBoost, PyTorch, TensorFlow, NumPy, Pandas, NetworkX, PyTorch Geometric hoặc các công cụ tương đương.
- Có khả năng xử lý dữ liệu thực tế có quy mô lớn, dữ liệu nhiễu, dữ liệu thiếu, dữ liệu mất cân bằng, dữ liệu nhiều chiều hoặc dữ liệu đến từ nhiều nguồn khác nhau.
- Có kinh nghiệm thiết kế feature engineering, lựa chọn đặc trưng, giảm chiều dữ liệu, chuẩn hóa dữ liệu và xây dựng pipeline dữ liệu phục vụ huấn luyện mô hình.
- Hiểu rõ các phương pháp đánh giá mô hình như cross-validation, hold-out validation, A/B testing, model calibration, error analysis, robustness testing và biết lựa chọn chỉ số phù hợp với từng bài toán.
- Nắm vững các chỉ số đánh giá mô hình như accuracy, precision, recall, F1-score, AUC-ROC, RMSE, MAE, MAPE, log loss, lift, gain, NDCG hoặc các chỉ số chuyên biệt theo từng lĩnh vực ứng dụng.
- Có kinh nghiệm tối ưu mô hình thông qua các kỹ thuật như hyperparameter tuning, regularization, model selection, feature selection, model stacking, model blending, Bayesian optimization hoặc AutoML.
- Có khả năng phân tích lỗi mô hình, xác định nguyên nhân suy giảm hiệu năng từ dữ liệu, đặc trưng, thuật toán, phương pháp huấn luyện hoặc điều kiện triển khai thực tế.
- Có tư duy thực nghiệm tốt, biết thiết kế thí nghiệm, xây dựng giả thuyết, so sánh nhiều phương án mô hình và đưa ra kết luận dựa trên dữ liệu.
- Có khả năng đọc hiểu paper, tài liệu kỹ thuật chuyên sâu và chuyển hóa kết quả nghiên cứu thành giải pháp có thể áp dụng trong sản phẩm hoặc hệ thống thực tế.
- Có tư duy hệ thống, khả năng giải quyết vấn đề phức tạp, cẩn trọng trong phân tích dữ liệu và có tinh thần học hỏi, cập nhật liên tục các xu hướng học máy mới.
- Có năng lực định hướng kỹ thuật, dẫn dắt nghiên cứu ứng dụng, chuẩn hóa phương pháp phát triển mô hình và hỗ trợ đào tạo, nâng cao năng lực cho đội ngũ kỹ sư học máy.
Phúc lợi
Nhập thông tin để xem phúc lợi