thảo luận Xin topic để mình làm 1 buổi chia sẻ về career về Software/AI/Data

  • Người tạo chủ đề Người tạo chủ đề khanhdohn
  • Ngày bắt đầu Ngày bắt đầu
A. D.
Theo bác thì cần chuẩn bị kiến thức, luyện tập những gì trước khi đi phỏng vấn đối với entry level? Trong quá trình đi làm thì nên làm những gì để nâng cao kĩ năngv? Em cảm ơn bác

via theNEXTvoz for iPhone
 
Vậy là thiên thời địa lợi nhân hoà có đủ luôn anh nhỉ.

Em cũng quan tâm và mong anh share thêm vào buổi sharing sắp tới về hướng đi cho ae Dev trong tương lai - đặc biệt bọn em khi mới chỉ có 1 - 2 năm exp mà chưa biết nên focus vào cái gì giữa AI-era như hiện tại: Backend, Distributed System các thứ..., Cloud/Devops, Machine Learning engineer... và cách trở thành expert/senior với thứ đã chọn
bạn đăng kí trên trang web ở trên nhé.
theo mình nghĩ thì sắp tới AI sẽ làm phần lớn việc coding, nên human phải
1) design tốt hơn. Cái này thì chỉ upskill được khi làm project thật, giải quyết vấn đề lớn thì mới grow nhanh được. Mà muốn dc vậy thì phải vào công ty ngon, và nó kéo theo các vấn đề như ôn luyện leetcode, phỏng vấn các thứ.
2) làm sao đó để review nhanh hơn kq của AI. Cái này theo mình thấy thì hiện nay codex là khá tốt, nhưng bài toán lớn hơn là scale cái này lên dc cho cả team / công ty. Cái này làm được cũng sẽ khá hay.
3) làm thật nhiều bài toán để bài toán nào cũng phải gặp rồi, để còn biết con AI nó chém gió hay là nó nói thật, đánh giá xem output của nó thế nào. Mình đang gặp vấn đề là code quá phức tạp và AI nó ko hiểu được, làm việc rất chậm và output ko tốt, phải thường xuyên double triple check output và suggestion của nó.
Nếu mà nói focus vào cái gì thì mình nghĩ devops và security sẽ là 2 mảng càng ngày sống càng tốt. Devops là 1 phần công ty nào cũng cần, và devops lúc nào cũng sẽ cần human chịu trách nhiệm, agent có giỏi tới đâu thì vẫn cần 1 ông có tóc để nắm. Security thì khỏi nói rồi, với tốc độ generate rác như hiện nay + mythos/fable thì tương lai chắc chắn là rực rỡ

Mình nghĩ với các bạn có ít năm kinh nghiệm thì phải tranh thủ học nhanh hơn trước, làm (leetcode) nhiều hơn trước thì mới mong stay relevant được. Mình vẫn phải luyện leetcode và học kiến thức mới liên tục.
 
A. D.
Theo bác thì cần chuẩn bị kiến thức, luyện tập những gì trước khi đi phỏng vấn đối với entry level? Trong quá trình đi làm thì nên làm những gì để nâng cao kĩ năngv? Em cảm ơn bác

via theNEXTvoz for iPhone
Đối với entry level thì chuẩn bị pv là 1 quá trình dài:
  • Phải luyện leetcode nhiều và thường xuyên, vì bạn sẽ có nhiều thời gian hơn người đang đi làm. LC là must-have trong thời đại hiện giờ nhé
  • Bạn nên tham gia vài cái hackathon và có giải thưởng thì mới standout được với HR
  • Trước khi đi xin việc thì hi vọng bạn đã có intern ở đâu đó rồi, nếu không thì nên tìm 1 chỗ để intern trước
  • Chuẩn bị skill pv thật kĩ. Cái này không phải rocket science và luyện rất dễ, ko biết thì sẽ rất phí
  • Nếu có thời gian thì nên luyện thêm 1 vài câu brain teaser. Có 1 vài chỗ người ta chỉ cần test là bạn có thông minh hay không hơn là kn của bạn, vì bạn mới ra trường thì làm gì có kn.
  • Tiếng anh trôi chảy, có IELTS hoặc TOEFL thì càng tốt

Bạn hỏi rộng quá mà mới sáng mình lười type quá :)) hẹn bạn ở buổi online sharing cho dễ nha.
 
Mình đang nghĩ tới việc tổ chức một buổi chia sẻ nhỏ về career trong software engineering / AI / data, nhưng trước khi làm thì muốn hỏi mọi người xem topic nào thật sự hữu ích.

Một chút context:

Mình đi làm software engineering cũng hơn 10 năm rồi. Bắt đầu từ backend/full-stack, sau đó chuyển dần qua machine learning engineering, ML platform, MLOps, AI tooling, và gần đây là các bài toán liên quan tới AI adoption trong công ty. Những công ty mình đã từng làm việc cùng: Zalora, Axon (vàng), Techcombank, OrangeLogic.

Mình từng có cơ hội làm việc ở nhiều môi trường khác nhau: startup, product company, global company, fintech/banking, enterprise software. Mỗi môi trường cho mình một góc nhìn khác nhau về cách team vận hành, cách sản phẩm được xây dựng, cách engineering decisions được đưa ra, và cách một người engineer có thể phát triển qua từng giai đoạn career.

Mình không nghĩ điều hữu ích nhất mình có thể chia sẻ là “tech stack X tốt hơn tech stack Y” hay “tool nào đang hot nhất hiện tại”. Mỗi công ty có context khác nhau, và công nghệ chỉ là một phần của câu chuyện.

Cái mình nghĩ có thể hữu ích hơn là những kinh nghiệm thực tế hơn, ví dụ:

* Mình đã chuẩn bị phỏng vấn như thế nào qua từng giai đoạn career

* Làm sao để chuyển từ một engineer chỉ làm task sang người có thể own system / own problem

* Những điều mình ước biết sớm hơn khi interview, chọn công ty, và phát triển career

* Những khác biệt giữa startup, product company, fintech/banking, global company

* Cách nhìn một công ty trước khi join: nên hỏi gì, quan sát gì, chuẩn bị gì

* Những thứ đi làm mới thấy quan trọng nhưng ít được nói kỹ trong course

* Làm AI/ML trong công ty thật sự khác với học AI/ML trên course như thế nào

* Làm sao để grow career mà không bị cuốn theo hype, title, hoặc tool mới

Mình đang cân nhắc tổ chức buổi đầu tiên theo format rất đơn giản:

Một buổi chia sẻ kinh nghiệm thật + Q&A mở.

Không phải khóa học lý thuyết.

Không phải quảng cáo “lộ trình thành công”.

Không hứa hẹn nghe xong là pass interview hay đổi đời.

Chỉ là những gì mình đã trải qua, những gì mình từng làm đúng/sai, và những bài học có thể giúp các bạn developer khác chuẩn bị tốt hơn cho career của mình.

Mình đang phân vân vài topic cho buổi đầu tiên:

A. Mình chuẩn bị phỏng vấn software/AI/ML roles như thế nào qua từng giai đoạn career

B. Từ backend engineer sang ML/AI engineering: những gì thật sự cần học, những gì không cần quá hype

C. Làm việc ở nhiều loại công ty khác nhau: startup, product company, fintech/banking, global company — khác nhau thế nào và nên chọn ra sao

D. Những bài học career mình ước biết sớm hơn: interview, chọn công ty, grow lên senior, làm việc với team

E. AI/ML trong công ty thật sự là gì: khác gì so với course, tutorial, demo, và LinkedIn hype

Nếu bạn là student, junior dev, backend engineer, data/AI learner, hoặc đang muốn đổi job/grow career, bạn muốn nghe topic nào nhất?

Comment giúp mình A/B/C/D/E, hoặc nói thẳng vấn đề bạn đang gặp.

Nếu đủ nhiều người quan tâm, mình sẽ tổ chức một buổi đầu tiên theo topic được vote nhiều nhất.
Bác đã từng áp dụng ml/ai vào chơi chứng khoán chưa
 
mình tự học khóa machine learning của Andrew Ng. Lần đầu tiên học ko hiểu nên là drop sau 1 2 tháng gì đấy. 6 tháng sau học lại thì hiểu hơn mà thấm được. Lúc đó mình cũng may mắn là Axon mới vào VN và mình convince được hiring team là mình có thể làm machine learning platform được. Lúc đó team mình là team đầu tiên Axon tuyển ở VN, trong đấy những anh em khác cũng ko hẳn là background về ML, nên nói chung là phần nhiều cũng là vì may mắn. Sau đó vừa học vừa làm và gain experience thôi.
Bác chia sẻ về B nhưng theo hướng ngược lại từ ML mở rộng backend được ko bác ? :big_smile: Em thấy khóa machine learning ông này lý thuyết nhiều quá học ko cuốn bằng cs231n
 
Bác chia sẻ về B nhưng theo hướng ngược lại từ ML mở rộng backend được ko bác ? :big_smile: Em thấy khóa machine learning ông này lý thuyết nhiều quá học ko cuốn bằng cs231n
mình thấy khóa của Andrew Ng đúng là lý thuyết nhiều thật nhưng học xong rồi thì sẽ hiểu bản chất của vấn đề, hơn là chỉ ứng dụng. Những công ty như Axon lại thích hỏi về bản chất hơn là ứng dụng - thậm chí là còn hỏi về intuition, là những cái mà chỉ có thể làm nhiều và có óc quan sát tốt thì mới có được. Ví dụ cái thời mà làm OCR người ta còn hay sử dụng LSTM để đọc, thì bác DS team mình sử dụng CNN, điều mà mình thấy chả ai làm. Nếu mà học ko sâu hoặc ko hiểu thì chắc không thể nào nghĩ ra những hướng đi kiểu như vậy được.

Nên tùy vào công ty bạn apply bạn có thể điều chỉnh bài học cho phù hợp. Cá nhân mình thì thấy là với thời đại AI viết code như bây giờ, điểm khác biệt của Senior/Lead là phải hiểu bản chất của vấn đề hơn là đi sử dụng library A hay là B. Cái cốt lõi ở đây vẫn là khả năng học sâu, hiểu sâu của người engineer. Đó cũng chính là lý do mình recommend là engineer bây giờ lại phải làm leetcode nhiều hơn. Vì trong tương lai, khi việc viết code nó ko còn là bottleneck thì công ty chỉ có thể dựa vào lực suy nghĩ của người engineer, mà ko có cái gì nhanh và hiệu quả bằng hỏi leetcode.

Câu hỏi của bác là từ ML -> Backend, cái này thì mình chỉ có thể đưa ra quan điểm cá nhân thôi nhé. Quan điểm của mình là mạnh 1 cái, còn những cái khác chỉ cần biết không cần mạnh. Theo ngôn ngữ tuyển dụng của Valve (Steam) thì gọi là T-shaped engineer. Giờ có AI thì làm cái này càng dễ, chủ yếu là cần kinh nghiệm để biết là hệ thống có thể bị gãy ở chỗ nào. Ví dụ như bạn làm 1 cái website hoàn chỉnh thì có thể nhờ AI làm tất cả mọi thứ. Bạn ko giỏi FE nhưng nên biết chọn framework nào cho phù hợp với nhu cầu (e.g: ko chọn react nếu ko cần thiết), ko cần biết devops quá sâu nhưng nên biết phải chọn terraform để làm IAC, ko cần biết về DB nhưng phải biết cách design DB căn bản để còn iterate với AI, ko cần code được OAuth nhưng phải biết nó hoạt động thế nào để còn tính đường secure cái web app.

Giờ tài liệu với khóa học đầy ra rồi, thì mình thấy cái cần nhất là biết học cái gì và nên học như thế nào sẽ quan trọng hơn.
 
pạng nghĩ là khi giá xài AI không còn được bổ trợ bởi đám công ty AI nữa thì giá vẫn còn đủ rẻ để các công ty cân nhắc hả?
hiện giờ các công ty lớn đều đang dùng gói tính tiền bằng API nhé, nên nó cũng đang rất mắc rồi. Mình được biết là NAB đang cho dùng 2.5k/người/tháng tiền AI. Nvidia là unlimited.
Đương nhiên nó có thể mắc hơn nữa, nhưng với 1 người senior/staff thì giá trị họ mang lại khi dùng AI còn lớn hơn nhiều so với số tiền họ bỏ ra. Còn middle với junior thì mình không chắc, sau này có 2 hướng: 1 là hạn chế hoặc cắt luôn không cho dùng AI xịn như claude code nữa, 2 là sẽ cho dùng nhưng model của tàu/local.
 
pạng nghĩ là khi giá xài AI không còn được bổ trợ bởi đám công ty AI nữa thì giá vẫn còn đủ rẻ để các công ty cân nhắc hả?
by the way, mình thấy bạn đang hình dung là sử dụng AI nó là lựa chọn? Nó không phải nhé. Tất cả mọi dev và công ty sẽ PHẢI dùng AI. Đây chỉ là vấn đề đơn giản về cạnh tranh. 1 công ty A không dùng AI, và 1 công ty burn 1M để tạo ra 1.05M nó cũng đã là lợi thế rồi. Nếu công ty A mà ko dùng AI thì công ty B sẽ tiếp tục accumulate lợi thế cạnh tranh cho tới khi công ty A không thể cạnh tranh nổi. Vì vậy công ty A cũng sẽ phải dùng AI để tạo ra 1.1M để cạnh tranh với công ty B. Hãy hình dung trong bức tranh tổng thể của nền kinh tế, chỉ cần 1 công ty dùng AI, thì tất cả những công ty khác trong ngành cũng phải dùng AI, nếu không sẽ bị bỏ lại phía sau. Ở góc độ vi mô cũng tương tự, tất cả mọi dev sẽ PHẢI dùng AI, dù bạn hay ai có nói là không muốn hoặc ko thích.
Đương nhiên hiện giờ không có nhiều người nhận ra cái gì nó cũng có cái cost của nó, sử dụng AI không đúng cách cũng vậy. Nhưng nó chưa hiện ra ngay lập tức. Và nếu mà nó chỉ xuất hiện sau 1 2 năm, thì tội gì dev không xài (vì việc clean up cũng ko phải của người hiện tại) hoặc công ty không dùng (vì sau khi công ty đối thủ sập tiệm thì có thoải mái thời gian mà clean up).
Túm cái váy lại: dù AI có đắt đỏ, thì sử dụng AI không phải là lựa chọn.
 
em thì nghĩ là sắp tới claude sẽ giảm dần các gói subscription thôi. Tức là không có chuyện dùng gói 200$ để burn token như 4000$ khi dùng API. Lúc ấy thì chuyển dần qua model trên local dần.
 
Những khác biệt giữa startup, product company, fintech/banking, global company

Muốn Work Life Balance thì nên vào đâu thím
 
Những khác biệt giữa startup, product company, fintech/banking, global company

Muốn Work Life Balance thì nên vào đâu thím
sau nhiều năm làm việc thì mình thấy work life balance gần như rất hiếm hoặc là không có. Vì tư bản không trả tiền cho chúng ta ngồi chơi để mà WLB. Mình thấy NAB được khá nhiều người khen, và mình thấy nếu chỗ nào có WLB thì thường là bank. Bạn mình ở MoneyForward cũng khen trong đó WLB khá tốt. OL làm việc cũng khá cực nhưng mà sau khi clock-in đủ giờ thì tối về nhà bạn ko cần mở máy nữa. Tuy nhiên WLB thì cũng phải đánh đổi khá nhiều về các mặt khác, như là bạn sẽ grow khá chậm, lương sẽ ít cạnh tranh hơn so với những chỗ khác.
 
Ông nghĩ AI Engineer là gì ?
nói thật là giờ mình ko biết định nghĩa AI Engineer là gì luôn :))) lúc trước AI Engineer chủ yếu là làm model research, đọc paper, bridge giữa research và engineer, làm việc cùng với Data Scientist để support. Còn giờ đọc JD thì có vẻ không giống lắm. Có vẻ mình chưa đọc đủ nhiều JD để xem nhưng có gần đây định nghĩa về role này đang thay đổi, có vẻ như dùng được AI và ứng dụng AI được thì gọi là AI Engineer.
 

Thống kê chủ đề

Ngày tạo
khanhdohn,
Người trả lời cuối
khanhdohn,
Trả lời
97
Lượt xem
9.931
Quay lại
Lên đầu trang