- Tổng hợp nội dung AMA của một Staff Data Scientist tại công ty công nghệ lớn ở Thung lũng Silicon, Mỹ, trên kênh Reddit DataScience
- Xuất thân là tiến sĩ thống kê, có khoảng 10 năm kinh nghiệm, từng làm ở các công ty với quy mô đa dạng như startup, unicorn tiền IPO, FAANG
- Phần lớn làm việc ở vai trò IC (Individual Contributor), nhưng cũng có một phần kinh nghiệm quản lý
- Thế mạnh chủ yếu về machine learning, thử nghiệm/suy luận nhân quả và phân tích dữ liệu
Tóm tắt các câu hỏi và trả lời chính
Giá trị của bằng PhD (tiến sĩ)?
- Có bằng tiến sĩ sẽ giúp ích khi mới vào công ty hoặc ở giai đoạn đầu sự nghiệp, nhưng ảnh hưởng sẽ giảm dần khi sự nghiệp tích lũy thêm
- Ngành công nghiệp (đặc biệt là Thung lũng Silicon) tập trung vào tốc độ và giá trị kinh doanh nhanh, coi trọng tính thực dụng hơn là sự chặt chẽ học thuật
- Nếu phải quyết định lại, có lẽ sẽ không đầu tư hơn 5 năm để làm tiến sĩ. Xu hướng ngành và tốc độ phát triển AI quá nhanh
- Các vị trí nghiên cứu AI cần PhD, nhưng các vai trò DS/ML thiên về sản phẩm thì MS/BS cũng đã đủ
Sự nghiệp và phát triển nghề nghiệp
- Để thăng tiến từ IC lên Senior trở lên, cần tạo ảnh hưởng ra ngoài phạm vi nhóm và đóng góp cho chiến lược/tổ chức
- Việc xây dựng niềm tin, dẫn dắt các dự án cross-functional và tạo quan hệ với lãnh đạo/quản lý là rất quan trọng
- Muốn thành công ở startup: cần là người đa năng có thể đảm đương nhiều vai trò (ML end-to-end/data pipeline/phân tích) và có đam mê với kinh doanh
- Ở giai đoạn đầu sự nghiệp, năng lực kỹ thuật là trọng yếu; về giữa và sau thì kiến thức domain cùng giao tiếp và lãnh đạo trở nên quan trọng hơn
Tương lai của data scientist và AI
- AI đang nhanh chóng thay thế các công việc đơn giản/lặp lại, nhưng những data scientist có năng lực cốt lõi lại càng nổi bật hơn
- Sau khi Generative AI được áp dụng, cách làm việc (coding, viết tài liệu, v.v.) đã thay đổi, nhưng vai trò cốt lõi (phân tích, modeling, v.v.) vẫn còn nguyên giá trị
- Trong tương lai AI có thể chiếm lĩnh thêm nhiều lĩnh vực, nhưng khả năng giải quyết vấn đề phức tạp, diễn giải domain và giao tiếp vẫn là tiêu chuẩn của nhân tài
Thực tế công việc và văn hóa tổ chức
- Tầm quan trọng của suy luận nhân quả/thử nghiệm (AB Test) khác nhau tùy domain. Trong môi trường không thể làm thử nghiệm, năng lực suy luận nhân quả dựa trên dữ liệu quan sát là bắt buộc
- Khi giao tiếp với business/lãnh đạo: nên tập trung giải thích vào “vì sao, sẽ làm gì” và tác động, thay vì quá sa vào chi tiết kỹ thuật
- Nếu văn hóa tổ chức không coi trọng suy luận nhân quả hay chất lượng dữ liệu thì sẽ có giới hạn trong giao tiếp và thay đổi. Khi đó cần cân nhắc chuyển việc hoặc chuyển team
- Khi manager không nhận ra vấn đề, cần xây dựng niềm tin, đề xuất giải pháp, và nếu cần thì cân nhắc chuyển nội bộ hoặc nghỉ việc
Phát triển năng lực và lời khuyên tìm việc
- Ở giai đoạn đầu sự nghiệp, kinh nghiệm internship/portfolio/project là rất quan trọng. Năng lực kỹ thuật (coding, ML, v.v.) là mức kỳ vọng tối thiểu
- Kiến thức domain, giao tiếp và khả năng giải quyết vấn đề sẽ càng là điểm khác biệt trong thời đại AI/tự động hóa
- So với bằng cấp hay chứng chỉ, dự án thực tế và kinh nghiệm thực chiến quan trọng hơn
- Tuyển dụng trong ngành coi trọng “kinh nghiệm”. Nên tích lũy kinh nghiệm qua internship, consulting và nhiều loại dự án khác nhau
Những insight khác
- Dấu hiệu startup sắp thất bại: tinh thần đi xuống, nhân sự chủ chốt rời đi, các chỉ số cốt lõi xấu đi, v.v.
- Năng lực chính trị: tập trung vào các dự án gắn với chiến lược tổ chức và xây dựng quan hệ có ảnh hưởng
- Lương cao/phúc lợi: mức lương cho vị trí cấp cao ở Big Tech như Netflix từ $750k trở lên là thực tế (bao gồm cổ phiếu)
- Mức độ hài lòng nghề nghiệp: ngoài quy mô dữ liệu ở Big Tech thì công việc khá bình thường, nên đang tìm thêm side project để có tăng trưởng và niềm vui
Chưa có bình luận nào.