Đừng Vội Làm Portfolio ML Nếu Thiếu Những Dự Án Sau

Nhà tuyển dụng thực sự quan tâm gì khi xem portfolio machine learning của bạn?

Portfolio về machine learning ngày nay giống như một bản CV mới – thứ có thể thay thế cho kinh nghiệm làm việc thực tế khi bạn chưa có.
Nhưng nhiều bạn chỉ làm những dự án cho có, hoặc làm qua loa cho đủ số lượng, dẫn đến mãi không được gọi phỏng vấn.
Bài viết này sẽ phân tích các loại dự án cốt lõi mà các công ty lớn thực sự cần thấy trong portfolio, giúp bạn không còn gửi CV vô vọng mà có thể tự tin bước vào vòng phỏng vấn.
Hãy biến portfolio của bạn thành “nam châm” hút nhà tuyển dụng.

3-5 Dự Án Cơ Bản

Portfolio tối thiểu cần có từ 3 đến 5 dự án nhỏ, dạng cơ bản.
Các dự án này không giúp bạn nổi bật ngay, nhưng là nền tảng cần thiết để xây dựng portfolio chất lượng.
Bạn có thể hình dung chúng như những bài tập khởi động ở phòng gym – không phải để tăng cơ mà để rèn luyện thói quen, kỹ năng nền và sự kiên nhẫn trước khi làm những dự án lớn hơn.
Điểm chính của các dự án này là bạn phải tự làm từ đầu, không phụ thuộc vào hướng dẫn từng bước; điều này giúp bạn chủ động tư duy và giải quyết vấn đề.
Đồng thời, portfolio có nhiều dự án nhỏ sẽ làm nổi bật CV, GitHub, LinkedIn của bạn – thể hiện bạn là người liên tục học hỏi và chủ động.
Tốt nhất nên dành khoảng một tháng để thực sự hoàn thiện các dự án nhỏ này, chú trọng vào chất lượng thay vì dùng ChatGPT cho xong.
Nên làm các dự án đa dạng về công cụ, bộ dữ liệu, và thuật toán học máy.
Nếu cần ý tưởng, bạn có thể tham khảo repo tôi từng làm từ 5 năm trước – ví dụ về các dự án nhỏ mà tôi dùng khi đi xin việc lần đầu:

GitHub – egorhowell/Data-Science-Projects: Một số dự án nhỏ về Data Science.

Lưu ý, những dự án này giờ có thể không còn đáp ứng tiêu chuẩn cạnh tranh hiện nay.
Dưới đây là những tiêu chí một dự án cơ bản cần có để thực sự hữu ích:

Đa dạng thuật toán: Hãy thử cả các phương pháp như Gradient Boosted Trees, Neural Networks, thuật toán phân cụm như K-Means hoặc DBSCAN…
Dữ liệu thực tế: Tốt nhất nên dùng các bộ dữ liệu “bẩn”, sát thực tế, để thể hiện kỹ năng xử lý dữ liệu và học máy của bạn.
Chủ đề cá nhân: Chọn chủ đề mà bạn thực sự thích hoặc muốn khám phá từ dữ liệu. Dự án cá nhân luôn gây ấn tượng hơn.

Dự Án End-to-End

Nếu muốn làm việc trong lĩnh vực machine learning, bạn cần biết cách đưa mô hình vào thực tế.

“Một mô hình nằm trong Jupyter notebook thì chẳng mang lại giá trị kinh doanh gì cả.”

Chắc bạn đã nghe câu này rất nhiều lần.
Dù bạn xây dựng được mô hình mới nhất, mạnh nhất, cũng chẳng có ý nghĩa nếu nó không được ứng dụng để ra quyết định thực tế.
Các công ty và nhà tuyển dụng đều quan tâm đến việc: mô hình của bạn có giúp tiết kiệm chi phí, tạo ra doanh thu, hoặc tăng lợi nhuận hay không.
Đơn giản là như vậy.
Vì thế, portfolio cần có dự án end-to-end – tức là bạn biết cách xây dựng và triển khai hoàn chỉnh một thuật toán học máy.
Một dự án end-to-end nên có các bước:

Thu thập và lưu trữ dữ liệu
Tiền xử lý dữ liệu
Huấn luyện và đánh giá mô hình
Triển khai mô hình (qua API, web app…)
Phân tích và trình bày kết quả

Đây thường là dạng dự án khó nhất với người mới, vì bạn phải học thêm nhiều kỹ năng về phần mềm.
Những công nghệ nên làm quen gồm:

Quản lý container: Docker, Kubernetes…
Pipeline CI/CD: CircleCI…
Quản lý mã nguồn: Git
Viết code chất lượng: unit test, lint, format, typing nghiêm ngặt
Nền tảng cloud: AWS, GCP, Azure
Cơ sở dữ liệu: SupaBase
Orchestration: Airflow, Argo, Metaflow
Theo dõi thí nghiệm: MLflow, Weights & Biases

Đừng bị choáng vì danh sách này.
Hãy bắt đầu từ những cái cơ bản nhất, học từng phần, không nhất thiết phải dùng hết.
Luôn chọn chủ đề cá nhân bạn thích, vừa có động lực vừa có câu chuyện để kể khi phỏng vấn.
Có thể xem ví dụ về dự án dự báo giá cổ phiếu và tối ưu hóa danh mục đầu tư mà tôi từng trình bày trên YouTube.

Dự Án Theo Hướng Nghiên Cứu

Tôi khuyên bạn nên bổ sung yếu tố nghiên cứu vào portfolio.
Một cách hiệu quả là tái tạo lại một bài báo khoa học mà bạn thấy hứng thú.
Quá trình này giúp bạn:

Hiểu sâu về toán học và lý thuyết của các mô hình phức tạp
Biết cách xây dựng mô hình từ đầu hoặc dùng thư viện đơn giản
Rèn luyện tư duy sáng tạo, áp dụng lý thuyết vào thực tế
Nắm được xu hướng mới, biết các nhà nghiên cứu đang làm gì

Điều đặc biệt là hầu như 99% ứng viên không làm việc này, nên bạn sẽ nổi bật ngay.
Một số nguồn để tìm bài báo:

Tái tạo một bài báo là thử thách lớn. Tôi từng thử nhiều lần, chưa lần nào thành công hoàn toàn, nhưng học hỏi được rất nhiều.
Một cách khác là đọc/tóm tắt các bài báo rồi chia sẻ online hoặc tạo nhóm thảo luận bài báo (journal club).
Tôi từng tổ chức câu lạc bộ này ở công ty cũ, rất hữu ích. Ví dụ một số bài tôi từng trình bày:

Các hoạt động này giúp bạn rèn kỹ năng diễn giải các chủ đề kỹ thuật phức tạp thành nội dung dễ hiểu – kỹ năng mà các công ty cực kỳ đánh giá cao.
Nếu chưa có điều kiện tổ chức club, bạn có thể tham gia các nhóm cộng đồng như Discord của Yannic Kilcher (nhà nghiên cứu ML, chuyên giải thích các bài báo qua video).

Viết Bài Chuyên Môn

Nhiều người nghĩ rằng viết blog phải thật “đột phá”, thật khác biệt.
Thật ra, đó chỉ là lý do để trì hoãn; blog của bạn không cần độc nhất để hỗ trợ cho sự nghiệp.
Nếu xem blog của tôi, đa phần chỉ viết về các khái niệm cơ bản trong thống kê, data science, học máy.
Tôi đã viết hơn 150 bài kỹ thuật và 60 bài chia sẻ kinh nghiệm nghề nghiệp.
Ban đầu tôi chỉ viết để tự học, không để ý người khác nghĩ gì, chỉ phục vụ bản thân.
Bạn cũng nên giữ tư duy như vậy.
Bắt đầu bằng việc ghi lại những gì bạn đang học hoặc muốn học. Đừng ép buộc phải làm gì quá đặc biệt.
Có blog mang lại rất nhiều lợi ích cho sự nghiệp:

Giúp bạn hệ thống hóa kiến thức
Rèn luyện tư duy và kỹ năng diễn đạt
Thể hiện bạn chủ động, đam mê với ngành
Có thể giúp bạn được gọi phỏng vấn và nhận việc – tôi là ví dụ!

Blog giống như “thu nhập thụ động” dành cho sự nghiệp: đầu tư sớm, kết quả lớn về sau.
Bạn nên thử viết blog trên Towards Data Science – nền tảng dễ dùng, cộng đồng lớn, có sẵn độc giả.
Ngoài ra còn có Hashnode, hoặc bạn có thể tự làm blog riêng bằng WordPress hoặc Ghost.

Bạn thậm chí có thể tự code blog từ đầu bằng HTML, CSS, JavaScript!

Nếu muốn tìm hiểu thêm, tôi đã viết hướng dẫn cách bắt đầu và phát triển blog kỹ thuật, bạn có thể xem tại đây:

Giờ bạn đã biết những loại dự án giúp portfolio machine learning của mình thành “nam châm” hút phỏng vấn. Chỉ còn một điều quan trọng: cách trình bày portfolio.
Phần lớn mọi người chỉ gắn link GitHub lên CV rồi mong chờ điều kỳ diệu, nhưng như vậy bạn sẽ bỏ lỡ cơ hội chứng minh giá trị thực sự của bản thân.
Muốn biết cách trình bày portfolio hiệu quả, hãy xem bài viết trước của tôi dưới đây.
Hẹn gặp lại bạn!