VỀ SUN GROUP & VỊ TRÍ NÀY

Trong mô hình AI First, tốc độ và tự động hóa là mục tiêu — nhưng độ tin cậy là điều kiện tiên quyết. Data Quality & AI Ops Engineer là người giữ cho toàn bộ hệ sinh thái data và AI agent của Sun Group hoạt động ổn định, đáng tin cậy và minh bạch.

Đây là vị trí kép hiếm có: bạn vừa là người bảo vệ chất lượng dữ liệu truyền thống, vừa là người đầu tiên tại Việt Nam vận hành và giám sát AI agent trong môi trường enterprise thực chiến. Khi Data Quality Agent phát hiện bất thường, bạn là người quyết định hành động tiếp theo. Khi Pipeline Builder Agent sinh ra code sai, bạn là người build guardrail để nó không lặp lại.

TRÁCH NHIỆM CÔNG VIỆC

Vận hành & giám sát AI agents (45% thời gian)

• Monitor toàn bộ AI agent đang chạy trong phòng: Pipeline Builder, SQL Analytics, Report Narrative, Data Quality, Documentation
• Thiết lập hệ thống alerting và dashboard monitoring cho AI agent performance (accuracy, latency, error rate, hallucination rate)
• Xử lý incident khi agent produce sai output — phân tích root cause và đề xuất cải tiến prompt/workflow
• Quản lý version control cho agent prompts và configurations; duy trì audit trail đầy đủ
• Đánh giá và implement guardrails cho AI agent: input validation, output filtering, human approval workflows

Data quality management (40% thời gian)

• Thiết kế và vận hành data quality framework trên toàn bộ data platform: completeness, accuracy, consistency, timeliness
• Cấu hình và vận hành Data Quality Agent — định nghĩa rules, threshold, và escalation workflow
• Tham gia điều tra và xử lý data incident (sai số, mất dữ liệu, schema drift) theo SLA đã cam kết
• Xây dựng data quality scorecard và báo cáo tình trạng dữ liệu định kỳ cho Data Platform Lead
• Duy trì data catalog (Microsoft Purview) — đảm bảo metadata và lineage được cập nhật liên tục

DevOps & platform reliability (15% thời gian)

• Quản lý CI/CD pipeline cho data assets và AI agent configurations trên Azure DevOps
• Monitor chi phí Azure cloud, tối ưu resource allocation và cảnh báo khi vượt ngưỡng
• Đóng góp vào incident playbook và runbook để team xử lý sự cố nhất quán, nhanh chóng

YÊU CẦU

Kiến thức & kỹ năng nền tảng (bắt buộc)

• Tối thiểu 5 năm kinh nghiệm trong data engineering, data operations hoặc platform engineering — trong đó ít nhất 2 năm chịu trách nhiệm vận hành hệ thống data trong môi trường production quy mô lớn
• Nắm vững data quality concepts ở mức thiết kế framework: DAMA DMBOK, DQ dimensions, data contract, SLA/SLO cho data pipeline
• SQL và Python thành thạo ở mức senior: viết và review data testing framework, tự xây dựng automated quality checks
• Kinh nghiệm vận hành hệ thống phân tán: on-call incident response, postmortem, chaos engineering mindset

Hiểu biết domain data đặc thù (lợi thế quan trọng)

• Kinh nghiệm xử lý data quality cho các domain có yêu cầu nghiêm ngặt: dữ liệu tài chính kế toán (reconciliation, auditability), dữ liệu y tế (HL7, patient privacy, HIPAA-aligned), dữ liệu hàng không (real-time flight, IATA standards), dữ liệu giao dịch hospitality (PMS, POS, CRM)
• Hiểu rủi ro đặc thù của từng domain: sai số tài chính ảnh hưởng báo cáo kiểm toán, sai dữ liệu y tế ảnh hưởng an toàn bệnh nhân, sai dữ liệu hàng không ảnh hưởng an toàn bay và compliance
• Biết thiết kế data quality rule phù hợp với nghiệp vụ — không chỉ check null/duplicate mà check business logic thực tế

Năng lực AI Ops (ưu tiên cao — vị trí tiên phong)

• Hiểu biết về LLM behavior: hallucination, prompt injection, context window management, output variability
• Kinh nghiệm hoặc khả năng học nhanh về LLM evaluation frameworks (LangSmith, Ragas, custom evals)
• Tư duy "trust but verify" với AI output — không tin tưởng mù quáng, không sợ hãi thái quá
• Khả năng thiết kế test case để đánh giá độ chính xác của AI agent trên domain cụ thể

Tố chất & văn hóa

• Tỉ mỉ, kiên nhẫn — chất lượng dữ liệu đòi hỏi sự chú ý đến từng chi tiết
• Chủ động, sense of ownership cao — bạn là người cuối cùng chịu trách nhiệm khi dữ liệu sai
• Khả năng làm việc dưới áp lực khi có incident, giao tiếp bình tĩnh và rõ ràng với stakeholder
• Ham học hỏi — AI Ops là lĩnh vực mới, bạn sẽ phải tự xây dựng playbook từ đầu