Наука за данните и AI · Средно-високо ниво (4+ години)

Автобиография за инженер по компютърно зрение и NLP

Този пример показва как да свържете компютърното зрение и езиковите модели с измерими подобрения на продукта — от конвейери за изображения до класификация на текст. Силната автобиография за тази длъжност ясно представя данните, избора на модели, работата по внедряването и резултатите от оценяването както пред инженерни екипи, така и пред екипи за приложни изследвания.

Проверка на автобиографията

Какво търсят специалистите по подбор и системите за проследяване. Насоки, а не прогноза.

100 / 100Пълна

100%
  • Контакт20 от 20
  • Профил20 от 20
  • Професионален опит30 от 30
  • Умения20 от 20
  • Образование10 от 10

Данни за контакт

Поставете ги най-отгоре; специалистите по подбор и системите за проследяване ги търсят първо.

По желание. В САЩ, Обединеното кралство и Канада автобиографиите обикновено са без снимка.

76 думи

По една длъжност на абзац; започвайте всеки постигнат резултат на нов ред с „-“.

11 умения

Разделяйте уменията със запетаи, например: Excel, SQL, планиране на проекти.

Допълнителни раздели

Проекти, сертификати, езици или всичко друго, което подкрепя кандидатурата ви.

Избрани проекти
Инструменти

Алекс Морган

Инженер по компютърно зрение и NLP

  • алекс.морган@пример.бг
  • +1 555 0100
  • Denver, CO

Профил

Инженер по компютърно зрение и NLP с 5 години опит в изграждането на ML функционалности за продукционна среда в B2B платформа за логистика. Силните ми страни включват предварителна обработка на изображения, фино настройване на трансформър модели и оценяване на модели. Имам опит в подобряването на извличането на данни от документи и работните процеси за преглед на повредени пратки. Имам опит и с внедряване на услуги с PyTorch и наблюдение на качеството на моделите след пускането им.

Професионален опит

Инженер по компютърно зрение и NLP в Pineglass Parcel Technologies, Денвър, Колорадо (2023 – до момента) - Изградих конвейер с PyTorch и OpenCV за откриване на повреди по снимки от склад, който обработваше около 1 200 изображения дневно и намали обема на ръчните проверки с 18%. - Фино настроих модел за класификация на токени с Hugging Face за извличане на данни от документи за доставка, като повиших F1 на ниво поле от 0,86 на 0,91 върху отделен набор за оценяване. - Внедрих версирани услуги за инференция с Docker и Kubernetes и намалих медианното време за обработка на изображение от 1,8 на 1,2 секунди. Инженер по машинно обучение в Ridgeway Applied Language Labs, Боулдър, Колорадо (2021 – 2023) - Разработих работни процеси за OCR и разпознаване на именувани същности във фактури с Tesseract и BERT, като съкратих средното време за обработка на изключения с 22% в два екипа на клиенти. - Оцених модели YOLO за откриване на обекти върху набор от 14 000 анотирани изображения и открих пропуски при камерите и осветлението, чието отстраняване повиши пълнотата с 7 процентни пункта.

Образование

Бакалавърска степен по компютърни науки — Aspen Vale Institute of Computing, Форт Колинс, Колорадо (2021)

Умения

  • Компютърно зрение
  • Обработка на естествен език
  • PyTorch
  • OpenCV
  • Hugging Face Transformers
  • Откриване на обекти
  • OCR
  • Разпознаване на именувани същности
  • Оценяване на модели
  • Docker
  • Kubernetes

Избрани проекти

• Откриване на повреди по пратки: сравних варианти на модели YOLO и документирах пълнотата по вид повреда. • Извличане на данни от документи за доставка: създадох набор за оценяване на OCR и извличане на същности от сканирани документи с различно качество.

Инструменти

• Python, PyTorch, OpenCV, Hugging Face Transformers, Tesseract • Docker, Kubernetes, MLflow, PostgreSQL, Git

Как да напишете автобиография за Инженер по компютърно зрение и NLP

Започнете с внедрените модели

Поставете текущата си длъжност и най-силната си работа в продукционна среда близо до началото. Посочете какво е обработвал моделът, мащаба на данните или работната среда и какво се е променило след пускането му — например обемът на проверките, забавянето или качеството на извличане. Разграничете прототипите от функционалностите, използвани от клиенти или оперативни екипи; екипите по подбор трябва да видят дали сте поддържали модели извън среда за разработка.

Покажете как сте оценявали моделите

Посочете метода за оценяване и подходящата за задачата метрика: прецизност и пълнота при откриване, F1 при извличане или забавяне при услуга за инференция. Когато можете, посочете размера или източника на набора от данни и обяснете дали резултатите са от отделен набор за оценяване или от наблюдение в продукционна среда. Избягвайте неподкрепени твърдения, че моделът е точен, без да посочите какво сте измерили.

Посочете конкретните технологии

Избройте рамките, семействата модели и инструментите за внедряване, с които сте работили лично, например PyTorch, OpenCV, Hugging Face Transformers, Docker или Kubernetes. Свържете всеки инструмент с проект или постижение, вместо да изреждате всеки пакет, който сте изпробвали. Посочвайте облачни платформи или векторни бази данни само ако са част от действителната ви работа и са релевантни за обявата.

Добавете връзка към целенасочено портфолио

Кратко портфолио може да представи възпроизводим проект за компютърно зрение или NLP, подхода за оценяване и ясно обяснение на компромисите. Добавете връзка към код или демонстрация, които имате право да споделите, и премахнете данните на клиенти, данните за достъп и поверителните подробности за моделите. Отделете академичните статии, уроците и страничните проекти от работата в продукционна среда, за да могат читателите бързо да разберат каква отговорност сте носили.

Често използвани ключови думи

Умения и инструменти, които често се посочват за тази професия. Използвайте само тези, които владеете, и формулировките от обявата за работа. Щракнете върху някоя ключова дума, за да я копирате.

Глаголи за действие

ИзградихОбучихВнедрихНамалихПодобрихАвтоматизирахОцених

Въпроси за тази професия

Колко дълга трябва да бъде автобиографията на инженер по компютърно зрение и NLP?

При около пет години опит обикновено са подходящи две страници, ако втората съдържа релевантни подробности за проекти или технологии. Поставете най-силния си опит в продукционна среда, оценяването на модели и резултатите от внедряването на първата страница. Курсовете от началото на обучението и несвързаните работни места обикновено може да съкратите или премахнете, освен ако не показват пряко релевантни умения.

Трябва ли да включа портфолио или връзка към GitHub?

Включете такава връзка, ако показва релевантна публична работа, която лесно може да бъде прегледана, например възпроизводим проект, тетрадка за оценяване или технически материал. Обяснете задачата, източника на данните, метриките и личния си принос. Не качвайте данни на клиенти, код на работодателя или материали, обхванати от споразумения за поверителност; за такава работа е по-безопасно да дадете редактирано описание.

Кои сертификати да включа за тази длъжност?

За длъжностите инженер по компютърно зрение и NLP в САЩ обикновено няма общоприет професионален лиценз или сертификат, който да се изисква навсякъде. Включете релевантен сертификат за облачни услуги или машинно обучение само ако сте го получили, като посочите издателя и датата, когато е полезно, и го поставете след значимия си опит по проекти. Не представяйте завършен курс като професионален сертификат.

Мога ли да премина към тази длъжност от науката за данните или софтуерното инженерство?

Да. Подчертайте проектите, които показват, че можете да изграждате и оценявате модели за компютърно зрение или език, да работите с реални данни и да интегрирате инференцията в приложение. Ако имате опит в науката за данните, добавете примери за внедряване и наблюдение; ако сте софтуерен инженер, покажете обучение на модели, подходящи за задачата метрики и работа с набори от данни. Отбележете ясно личните или академичните проекти и опишете личния си принос.