Kiểm soát chất lượng truyền thống và AI:
- Phân tích và review các đặc tả yêu cầu chức năng
- Lập kế hoạch kiểm thử cho các sản phẩm truyền thống và AI
- Thực hiện kiểm thử chức năng, UI/UX và hành vi của AI
- Kiểm tra các tình huống edge case, misuse và rủi ro nghiệp vụ
- Kiểm tra độ chính xác, độ tin cậy và tính công bằng của kết quả AI
- Theo dõi và báo cáo các lỗi một cách có hệ thống
- Tham gia các buổi demo và review luồng nghiệp vụ
Kiểm thử tự động và công cụ AI:
- Phát triển các kịch bản kiểm thử tự động
- Áp dụng các công cụ kiểm thử AI (LLM evaluation, synthetic data)
- Thiết lập và duy trì hệ thống CI/CD cho kiểm thử
- Sử dụng công cụ giả lập người dùng để kiểm thử tự động
- Phát triển các công cụ nội bộ hỗ trợ kiểm thử AI
Đảm bảo chất lượng dữ liệu cho AI:
- Kiểm tra tính đầy đủ và chính xác của dữ liệu huấn luyện AI
- Đánh giá tính đa dạng và cân bằng của dữ liệu
- Kiểm tra việc xử lý dữ liệu cá nhân và tuân thủ bảo mật
- Theo dõi hiệu suất mô hình AI theo thời gian
Học hỏi và phát triển:
- Nghiên cứu các xu hướng, công cụ và phương pháp kiểm thử AI mới
- Chủ động nâng cao tư duy kiểm thử manual + automation, tư duy phân tích rủi ro và tư duy end user
- Tham gia các khóa học và hoạt động nâng cao kỹ năng
- Chia sẻ kiến thức với đồng nghiệp





