1. Triển khai mô hình Machine Learning/Deep Learning vào Production
-
Chuyển đổi mô hình do Data Scientist phát triển thành sản phẩm hoàn chỉnh thông qua API/microservice, sẵn sàng tích hợp với các hệ thống nghiệp vụ.
-
Xây dựng và vận hành hệ thống inference realtime hoặc batch phù hợp với từng bài toán.
-
Đảm bảo mô hình hoạt động ổn định trong môi trường Production, đáp ứng yêu cầu về SLA, độ trễ và khả năng mở rộng.
2. Quản lý vòng đời mô hình (MLOps)
-
Thiết kế và vận hành CI/CD pipeline cho ML, từ training, testing đến deployment và retraining.
-
Tự động hóa vòng đời mô hình: huấn luyện – kiểm thử – triển khai – giám sát – tái huấn luyện.
-
Quản lý model registry, versioning, rollback và kiểm soát thay đổi theo chuẩn MLOps.
3. Giám sát và duy trì hiệu năng mô hình
-
Theo dõi hiệu năng mô hình sau triển khai; phát hiện data drift, concept drift và các dấu hiệu suy giảm chất lượng.
-
Xây dựng hệ thống monitoring và cảnh báo khi mô hình không đáp ứng yêu cầu.
-
Phối hợp với Data Scientist cải tiến mô hình dựa trên dữ liệu thực tế và phản hồi từ hệ thống.
4. Tối ưu hiệu suất và hạ tầng AI
-
Tối ưu tốc độ training và inference, đảm bảo hiệu năng trong môi trường Production.
-
Tối ưu việc sử dụng CPU/GPU và tài nguyên hệ thống, góp phần nâng cao hiệu quả vận hành.
-
Tham gia đánh giá, đề xuất kiến trúc và hạ tầng AI phù hợp với định hướng toàn Ngân hàng.
5. Phối hợp kỹ thuật và nghiệp vụ
-
Phối hợp với Data Engineer, DevOps và CNTT trong triển khai, tích hợp và vận hành giải pháp AI.
-
Phối hợp với các đơn vị nghiệp vụ trong quá trình đưa mô hình AI vào hệ thống.
-
Tham gia chuẩn hóa kiến trúc AI và nền tảng ML/MLOps trong toàn Ngân hàng.
