Deep Learning | AI Agent | Data Engineer | MLOps

Nhằm mục tiêu mở rộng & nâng cao chất lượng sản phẩm dịch vụ của Nền tảng gọi xe GreenSM, Khối Nghiên cứu & Phát triển Thuật toán GSM đang tuyển dụng một số vị trí có kinh nghiệm liên quan tới Deep learning, AI Agents, Data Science, Data Engineer và Data Architect.1/ Vị trí: Deep Learning Engineer / Deep Learning ResearcherNghiên cứu, thiết kế và tối ưu các mô hình deep learning & machine learning phục vụ các bài toán dự đoán demand/supply của thị trường theo (khu vực, thời gian), dự đoán hành vi của khách hàng, tài xế (VD xác suất hủy chuyến, xác suất chấp nhận giá, nguyên nhân hủy chuyến) trong hệ thống Ride-Hailing. Nhiệm vụ: Research and Development: Nghiên cứu, lựa chọn, huấn luyện và tối ưu hóa các mô hình Deep Learning (CNN, Transformers, Graph Neural Networks - GNN) và Tree-based (XGBoost, LightGBM). Core Machine Learning: Tự định nghĩa Loss Functions, Metrics phù hợp với business logic; thực hiện Feature Engineering; thiết lập cách đánh giá mô hình một cách hiệu quả và sát thực tiễn; làm chủ các kỹ thuật Regularization, Dropout, Batch-Norm, Data Augmentation etc để kiểm soát rủi ro, overfitting. Hyperparameter Selection: Biết cách lựa chọn tham số bằng Cross-Validation, Grid Search hoặc Bayesian Optimization.Model Risk Management: Có hiểu biết về cách kiểm soát các rủi ro về mô hình ML như Overfitting, Imbalanced Data, thiếu training data, robustness etc. Spatial-Temporal Analysis: Xây dựng mô hình phân tích hành vi tài xế/khách hàng và dự báo mật độ chuyến xe theo khu vực (Uber H3) và mốc thời gian. Model Experimentation: Biết cách deploy các mô hình ML/AI thử nghiệm lên môi trường Staging hoặc Simulation để đánh giá hiệu năng trước khi triển khai lên production. Hiểu biết về các phương pháp kiểm thử như A/B Testing, Switchback Test, Uplift Modelling và sự khác nhau giữa các phương pháp, lực chọn đúng phương pháp đánh giá tối ưu và phù hợp với thực tiễn.Yêu cầu: Tốt nghiệp Đại học/Thạc sĩ trở lên các ngành Computer Science, Statistics, Maths. Thành thạo Python, PyTorch hoặc TensorFlow; XGBoost, LightGBM, Scikit-Learn. Thành thạo SQL/Python để truy vấn và trích xuất feature từ các Data Warehouse/OLAP như Google BigQuery, ClickHouse, hoặc Apache Doris. Nắm vững thuật toán Backpropagation, biết cách tính đạo hàm theo từng layer, kinh nghiệm làm việc với các thuật toán training deep models như (SGD, Adam, Adagrad etc), có khả năng tự cài đặt và customize các building blocks / key components trong các kiến trúc Deep Learning.Có khả năng đọc hiểu technical papers và cài đặt, triển khai các giải pháp ML/DL.2/ Vị trí: Data/ML Engineer (MLOps & Model Serving) Xây dựng MLOps end-to-end, thiết kế kiến trúc Model Serving hướng sự kiện (Event-driven) có khả năng tự động mở rộng (Auto-scaling), độ trễ thấp (Low latency) và chịu tải cao trên hạ tầng AWS Cloud. Nhiệm vụ: Model Serving: Thiết kế và triển khai kiến trúc Real-time Inference. Architecture: Tối ưu hóa throughput và latency bằng các kỹ thuật xử lý song song và bất đồng bộ (Multiprocessing, Multithreading, Asynchronous functions - asyncio). Feature Store: Thiết kế và vận hành Feature Store. Xây dựng pipeline cập nhật feature Near Real-Time. Ingestion & Output Pipeline: Lựa chọn giải pháp và thiết kế luồng dữ liệu vào/ra cho mô hình: quyết định tần suất, cơ chế ghi/đọc giữa Messaging Queue, In-Memory Cache và OLAP Databases. MLOps & CI/CD: Thiết kế luồng CI/CD tự động cho ML pipeline (từ Code commit, Model retraining, Evaluation đến Deployment). Quản lý Model Registry, và chiến lược Re-train tối ưu. System Resilience: Thiết kế Fallback mechanism (cơ chế dự phòng) khi dữ liệu đầu vào bị thiếu/lỗi hoặc một module thuật toán gặp sự cố để đảm bảo hệ thống luôn hoạt động. Yêu cầu: Languages & Concurrency: Lập trình thạo Python, Go hoặc C++. Nắm vững bản chất CPU/IO-bound tasks, Async/Await, Threading và Multiprocessing. Event Streaming & Caching: Thành thạo Apache Kafka và Redis. Data Warehouses & OLAP: Kinh nghiệm làm việc với ClickHouse, Apache Doris, hoặc Google BigQuery cho bài toán lưu trữ và tính toán dữ liệu lớn với tần suất cao. AWS Cloud & Infra: Làm chủ môi trường AWS Cloud (EKS, MSK, S3, ElastiCache, Lambda, IAM, EC2 Auto Scaling) và Infra as Code (Terraform). MLOps & Serving Frameworks: Kinh nghiệm thực chiến với Triton Inference Server, FastAPI, SageMaker Feature Store, MLflow, Kubeflow / Airflow.CI/CD & Containerization: Biết sử dụng Docker, Kubernetes (K8s), GitHub hoặc GitLab.3/Vị trí: AI Agent & LLM Engineer (Mobility Operations Center)Xây dựng, triển khai hệ thống Multi-Agent System và giải pháp LLM nhằm tự động hóa, tối ưu hóa toàn bộ quy trình vận hành tại GSM Operations Center. Hệ thống hỗ trợ phát hiện bất thường theo thời gian thực, tự động trigger luồng xử lý nghiệp vụ, và cung cấp giao diện tương tác thông minh (Chatbot / Copilot) cho đội ngũ vận hành.Nhiệm vụ:Agentic Framework & Architecture: Thiết kế và phát triển hệ thống AI Agent linh hoạt (sử dụng LangChain, LangGraph, AutoGen, CrewAI hoặc LlamaIndex) có khả năng phân rã tác vụ (Task Decomposition), lập kế hoạch (Planning), tự sửa lỗi (Self-Correction).Operational Anomaly Detection: Xây dựng hệ thống Agent theo dõi luồng dữ liệu thời gian thực (Real-time Stream Integration) để tự động phát hiện gian lận (chạy cuốc ảo, trục lợi khuyến mãi, vi phạm quy trình), tự động phân tích nguyên nhân gốc rễ và trigger các luồng xử lý nghiệp vụ.RAG & Knowledge Integration: Xây dựng đường ống RAG kết hợp Vector Databases để Agent truy vấn chính xác tài liệu quy trình, chính sách vận hành, lịch sử xử lý vi phạm và dữ liệu OLAP/Warehouse.Natural Language to Business Logic / Tool Use: Phát triển tính năng Function Calling / Tool Use cho phép Agent chuyển đổi câu hỏi bằng ngôn ngữ tự nhiên thành truy vấn dữ liệu (Text-to-SQL / Text-to-ClickHouse), chỉnh sửa quy tắc nghiệp vụ (Rule-based engines), gợi ý/tối ưu hóa bộ rules tự động dựa trên phân tích dữ liệu lịch sử.LLM Evaluation: Thiết lập khung đánh giá chất lượng Agent (Faithfulness, Relevance), cài đặt bộ lọc an toàn (Guardrails, Prompt Injection Prevention) và tối ưu chi phí & độ trễ khi gọi LLM calls.Yêu cầu:Tốt nghiệp Đại học trở lên ngành Khoa học Máy tính hoặc liên quan.Thành thạo Python, kinh nghiệm thực chiến với các Frameworks xây dựng Agent (LangChain, LangGraph, LlamaIndex)Hiểu biết sâu về Prompting, Fine-tuning (LoRA/QLoRA), RAG architectures, và Function Calling.Thành thạo SQL/Python; có kinh nghiệm làm việc với Vector Databases (Milvus, Qdrant, FAISS) và các hệ thống OLAP / Stream Data (ClickHouse, BigQuery, Kafka) để truy xuất context cho Agent.Có kinh nghiệm đóng gói và deploy LLM/Agent services thông qua RESTful/gRPC APIs (FastAPI, Ray Serve, vLLM, Ollama); tích hợp Webhooks để trigger các hệ thống vận hành bên ngoài.Hiểu biết về kiến trúc vi dịch vụ (Microservices), hệ thống chịu tải, giao thức bất đồng bộ (Asyncio), xử lí song song và hạ tầng Cloud (AWS, Docker, K8s).Có khả năng đọc hiểu nhanh các technical papers mới nhất về AI Agents, LLM reasoning (Chain-of-Thought, ReAct, Tree-of-Thoughts) và làm chủ các kỹ thuật tùy biến pipeline theo nghiệp vụ thực tế.