Trách nhiệm: Chịu trách nhiệm nghiên cứu, thiết kế và phát triển các giải pháp AI/ML thế hệ mới phục vụ chiến lược dài hạn của VIB; dẫn dắt quá trình chuyển hóa từ nghiên cứu học thuật sang các ứng dụng có thể triển khai trong môi trường ngân hàng thực tế. Vị trí này tập trung vào việc xây dựng năng lực AI nội bộ — các kiến trúc mô hình, phương pháp học và pipeline thực nghiệm — không phụ thuộc vào giải pháp vendor, nhằm tạo ra lợi thế cạnh tranh bền vững cho VIB.

1. Nghiên cứu ứng dụng AI / Applied AI Research– 25%

• Nghiên cứu và thử nghiệm các kiến trúc mô hình tiên tiến phù hợp với bài toán ngân hàng: sequence models (GRU, Transformer) cho hành vi giao dịch, survival analysis cho CLV và early termination prediction, causal inference cho uplift modeling và A/B test design.

• Dịch các nghiên cứu học thuật mới nhất (NeurIPS, ICML, KDD, AAAI) thành proof-of-concept có thể kiểm chứng trên dữ liệu thực của VIB; đánh giá khả năng áp dụng trước khi đề xuất đưa vào roadmap sản phẩm.

• Xây dựng và duy trì thư viện thực nghiệm nội bộ: baseline models, benchmark datasets đặc thù cho ngân hàng Việt Nam, evaluation metrics chuẩn cho từng use case (CLV, NBO, EWS, early termination).

• Viết research notes và technical reports tóm tắt phát hiện nghiên cứu để chia sẻ với Data Science team và lãnh đạo AI Center.

2. Phát triển kiến trúc mô hình nội bộ / Internal Model Architecture Development – 25%

• Thiết kế và xây dựng các kiến trúc mô hình phức tạp mà Data Scientists không có thời gian hoặc chuyên môn để tự nghiên cứu: multi-tower embedding architectures cho NBO, competing risks survival models cho early termination, hybrid GRU + LightGBM cho CLV revenue prediction.

• Chịu trách nhiệm về kiến trúc kỹ thuật của các mô hình thế hệ tiếp theo trong roadmap AI Center; xây dựng prototypes đủ chắc chắn để Data Scientists có thể tiếp nhận và đưa vào production.

• Thiết kế Feature Engineering pipelines tiên tiến: behavioral embeddings từ transaction sequences, product journey representations, time-aware feature transformations.

• Xác định ranh giới rõ ràng giữa complexity có giá trị (mang lại AUC cải thiện đáng kể, đo lường được) và complexity không cần thiết (thêm chi phí vận hành mà không cải thiện outcome).

3. Thực nghiệm & Đánh giá / Experimentation & Evaluation - 30%

• Thiết kế và thực hiện các thực nghiệm có kiểm soát (controlled experiments) để so sánh kiến trúc mô hình: định nghĩa hypothesis, thiết kế holdout strategy phù hợp với time-series banking data, đánh giá statistical significance của kết quả.

• Xây dựng evaluation framework toàn diện cho từng use case: không chỉ AUC/RMSE mà còn business-relevant metrics như expected revenue lift per contact, NPL reduction per flagged customer, TOI protection per retained mortgage.

• Thực hiện ablation studies để hiểu đóng góp của từng thành phần kiến trúc; tài liệu hóa kết quả để tránh lặp lại thực nghiệm đã biết là không hiệu quả.

• Đề xuất và duy trì experiment tracking standards cho toàn bộ AI Center; đảm bảo reproducibility của mọi kết quả nghiên cứu.

4. Báo cáo & Theo dõi ROI / Reporting & ROI Tracking – 15%

- Xây dựng và duy trì dashboard theo dõi business KPI của từng mô hình đã triển khai.

- Chuẩn bị báo cáo ROI hàng quý cho AI Center Director và C-suite.

- Ghi nhận case studies về tác động thực tế của AI: khách hàng được giữ lại, NPL được ngăn chặn, doanh thu tăng thêm.

5. Công việc khác / Other Tasks – 5%

- Thực hiện các công việc khác theo phân công của cấp quản lý.

Yêu cầu:

- Tốt nghiệp Đại học trở lên chuyên ngành Tài chính – Ngân hàng, Quản trị kinh doanh, Hệ thống thông tin hoặc các lĩnh vực liên quan.

- Tối thiểu 5 năm (Chuyên gia) / 3 năm (Chuyên viên cao cấp) kinh nghiệm trong lĩnh vực Applied Machine Learning hoặc AI Research với focus vào ứng dụng thực tế.

- Kinh nghiệm thực hành sâu với ít nhất hai trong số các lĩnh vực: sequence modeling (RNN/GRU/LSTM/Transformer), survival analysis và competing risks models, causal inference và uplift modeling, Bayesian methods, graph neural networks, hoặc reinforcement learning.

- Kinh nghiệm xây dựng và validate ML models trên tabular financial data ở quy mô production: hiểu rõ các vấn đề về data leakage, temporal splits, class imbalance, và distribution shift đặc thù của banking data.

- Thành thạo Python ở mức advanced; có kinh nghiệm với PyTorch hoặc TensorFlow cho custom model development (không chỉ sử dụng high-level APIs).

- Kinh nghiệm với scikit-learn, LightGBM/XGBoost, và các thư viện survival analysis (lifelines, scikit-survival) hoặc sequence modeling.

- Tư duy thực nghiệm nghiêm túc: hiểu sâu về statistical hypothesis testing, power analysis, multiple comparison correction, và các nguồn bias trong ML evaluation.