Data Scientist thường mạnh về thống kê, mô hình hoá, và phân tích — nhưng ML Engineer cần thêm kỹ năng kỹ thuật phần mềm: viết code production-ready, hiểu hệ thống phân tán, và vận hành hạ tầng. Nhà tuyển dụng phỏng vấn chuyển ngành sẽ tập trung kiểm tra đúng khoảng cách này.
"Bạn có kinh nghiệm nghiên cứu mô hình tốt, nhưng chưa từng deploy production — làm sao chúng tôi tin tưởng bạn làm được?" — Câu trả lời tốt không né tránh mà thể hiện lộ trình học có chủ đích: đã tự học Docker/CI-CD qua dự án cá nhân, hiểu rõ sự khác biệt giữa "model tốt trong notebook" và "model sẵn sàng production", và có kế hoạch cụ thể để lấp khoảng trống (không chỉ nói "em sẽ học nhanh thôi").
"Kể về 1 lần bạn phải tối ưu code (không phải model) để cải thiện hiệu suất hệ thống." — Đây là câu hỏi kiểm tra tư duy kỹ sư phần mềm thật sự — nếu chưa có kinh nghiệm thật, có thể kể về việc tối ưu pipeline xử lý dữ liệu (vd. dùng vectorization thay vì loop, batch processing) trong các dự án đã làm.
1 dự án end-to-end: từ training model tới deploy thành API có thể gọi được thật (không chỉ notebook), có Dockerfile, có ít nhất 1 test cơ bản, và lý tưởng nhất là có giám sát đơn giản (log request/response, theo dõi latency) — thể hiện tư duy production dù ở quy mô nhỏ.
1. Docker cơ bản (đóng gói ứng dụng) → 2. REST API cơ bản (FastAPI dễ học nhất cho người có nền Python) → 3. CI/CD đơn giản (GitHub Actions) → 4. 1 nền tảng cloud cơ bản (deploy được 1 service đơn giản) → 5. Công cụ MLOps chuyên biệt (MLflow, Feature Store...) khi đã vững các bước trên.
Thừa nhận rõ ràng phần còn thiếu, nhưng chứng minh bằng hành động cụ thể đã làm để lấp đầy (không chỉ lời hứa) — nhà tuyển dụng đánh giá cao sự trung thực kèm chủ động học hỏi hơn nhiều so với việc cố tỏ ra đã biết hết mọi thứ.