“Giai đoạn mình làm ở Meta rất áp lực, vì đôi khi phải đưa ra quyết định ngừng các dự án phát triển có vẻ kém hiệu quả. Mình phải cân nhắc cẩn trọng quyết định đó, vì một sai lầm có thể dẫn đến doanh thu của Meta âm và phá sản.”
Tuan Vu - Senior Software Engineer at Quora & Admin at Viet Tech
Công việc đầu tiên mình làm là Data Scientist cho một startup về trí tuệ nhân tạo tên Viant Technology ở Mỹ. Hai năm đầu tiên mình học được rất nhiều thứ về Big Data và Machine Learning (ML). Nhưng đến năm thứ 3 công ty được tập đoàn lớn mua lại, văn hóa làm việc thay đổi, không còn tập trung vào đổi mới sáng tạo nữa. Mình thì thích mày mò làm những cái mới, được trải nghiệm nhiều điều mới mẻ, cung Song tử nữa, mình thích đủ thứ hết, mình thích đọc sách, viết blog, thích chia sẻ, thích làm video, thích dạy học… Đến lúc này mình mới tự hỏi “có khi mình nên thử thách với công việc khác không?”.
Mình dành 1 năm rưỡi để tìm câu trả lời cho câu hỏi đó bằng cách thử sức ở nhiều lĩnh vực: khởi nghiệp, tư vấn, viết sách, đi dạy… Mình bắt đầu viết blog, viết cả sách mà không publish, viết vì thích, viết xong để đó. Mình cũng tạo kênh Youtube, đăng video về ****SQL Tutorial for Beginners, Apache Airflow Tutorials, Machine Learning,…** Trộm vía, đăng cũng không nhiều video lắm mà kênh mình có tới gần 10k subs đó (hehe).
Sau khoảng 1 năm rưỡi khám phá bản thân, mình nhận ra các hoạt động trên chỉ dừng ở mức độ sở thích, không phải là sự nghiệp lâu dài. Lúc này thì mình đã có kinh nghiệm về Big Data, Machine Learning rồi, mình muốn làm cái gì đó mới hơn. Mình bắt đầu quan tâm đến lĩnh vực cơ sở hạ tầng (Infrastructure) và tự hỏi làm thế nào để triển khai các dịch vụ đám mây (Cloud) cho hàng triệu thiết bị và hàng tỉ người dùng. Vì vậy, mình quyết định tìm đến làm việc cho các công ty công nghệ lớn có cơ sở hạ tầng quy mô như Google Cloud, AWS, Facebook - nơi có cơ sở hạ tầng khổng lồ mà scale có thể reach được hàng tỷ người dùng.
Mình quyết định gia nhập vào team Ads Core Infrastructure của Facebook (Meta). Trong 2 năm làm việc tại đây, mình đã học hỏi được rất nhiều điều về quản lý tài nguyên và xây dựng cơ sở hạ tầng. Mình hiểu được toàn bộ chu trình phát triển phần cứng (hardware) và phần mềm (software) là như thế nào. Bất cứ khi nào công ty muốn mua phần cứng, chips mới hoặc xây dựng data center, thì mình đều phải lên kế hoạch trước ít nhất 4 năm. Điều này bao gồm dự đoán tốc độ tăng trưởng người dùng, các dịch vụ và tính năng mới cần có, cũng như các yếu tố kỹ thuật chi tiết hơn như kích thước mô hình (ML model), dữ liệu, tải trọng CPU, bộ nhớ và nghiên cứu phát triển - cho từng giai đoạn.
Ví dụ, hiện Meta đang có khoảng 2 tỷ người dùng. Với tốc độ tăng trưởng như vậy, trong 4 năm tới thì công ty sẽ cần thêm 10 triệu máy tính nữa - các loại máy khác nhau với cấu hình RAM, chip, tài nguyên khác nhau. Meta đều phải tính toán và đặt hàng trước. Sau khi đặt hàng nhà máy, cần từ 6 tháng đến 1 năm để sản xuất và giao chip theo từng đợt. Ngoài ra, mình còn phải tính toán chi phí của các mô hình học máy lớn (Large ML models) và lượng dữ liệu cần dùng - với lượng dữ liệu tăng dần hàng ngày và những hạn chế về bảo mật từ Apple. Để thay thế các tính năng đó, đòi hỏi phải dùng rất nhiều dữ liệu khác để bù vào. Đáng kinh ngạc là chi phí có thể tăng gấp 10 lần để duy trì chất lượng như cũ.
Giai đoạn mình làm ở Meta rất áp lực, vì nguồn tài nguyên (resources) bị hạn chế trong khi mỗi team đều muốn nhiều hơn số có sẵn. Nếu không lập kế hoạch cẩn thận, chi phí cơ sở hạ tầng có thể vượt quá doanh thu của công ty. Đôi khi mình phải đưa ra quyết định khó khăn để ngừng các dự án phát triển nếu chúng có vẻ kém hiệu quả. Mình phải cân nhắc cẩn trọng quyết định đó, vì một sai lầm có thể dẫn Meta đến doanh thu âm và phá sản. Việc quản lý nguồn lực một cách khôn ngoan ở quy mô lớn là một thách thức lớn. Chính vì vậy, các công ty lớn cần xem xét dài hạn chứ không chỉ tập trung vào lợi nhuận hiện tại. Với quy mô khổng lồ của Meta, việc quản lý chi phí và phân bố tài nguyên hiệu quả là vô cùng quan trọng. Đây là bài học lớn về phân bổ nguồn lực chiến lược và tầm nhìn dài hạn mà mình rút ra được và áp dụng trong suốt sự nghiệp của mình.
