Datová věda a AI · Seniorní (6+ let)

Životopis inženýra strojového učení

Tato ukázka představuje inženýra, který vylepšuje modely řazení a predikce od experimentování až po monitorované nasazení do produkce. Kvalitní životopis propojuje volbu modelů, práci s daty a nasazení s měřitelnými změnami latence, relevance, nákladů nebo firemních procesů a zároveň jasně uvádí použité nástroje a rozsah.

Jan Novák

Inženýr strojového učení

  • jan.novak@example.com
  • +420 601 123 456
  • Praha

Shrnutí

Inženýr strojového učení se sedmi lety zkušeností s tvorbou systémů pro řazení a předpovídání poptávky pro B2B obchodní platformy. Kombinuje vývoj modelů v Pythonu a PyTorch, návrh datových kanálů pro příznaky a nasazování v Kubernetes s pečlivým offline i online vyhodnocováním. Nasadil služby, které denně zpracují dva miliony požadavků na doporučení.

Praxe

Inženýr strojového učení II v Cedarpath Commerce (2022 - současnost) - Vytvořil hodnocení pomocí modelu PyTorch za použití prvků relace a katalogu, čímž zvýšil míru přidání do košíku o 6 % v kontrolovaném testu napříč 1,2 miliony relací. - Nasadil doporučující služby na Kubernetes a přidal dávkové bodování se sledováním pomocí MLflow, čímž snížil dobu odezvy p95 ze 180 ms na 125 ms. - Zautomatizoval ověřování funkcí a upozornění na odchylky pro 14 produkčních funkcí, což týmu pomohlo prošetřit problémy s daty před týdenními vydáními modelů. Inženýr strojového učení v Summitline Analytics (2019 - 2022) - Trénoval modely předpovědi poptávky scikit-learn na třech letech prodejních dat, čímž snížil střední absolutní chybu o 9 % oproti stávajícímu sezónnímu srovnávacímu základu. - Vytvořil znovupoužitelné datové kanály pro příznaky v Pythonu a SQL pro pět klientských nasazení, čímž zkrátil přípravu obnovení modelů ze dvou dnů na přibližně jeden den.

Vzdělání

Bakalářský titul v oboru informatiky - Juniper Ridge University (2018)

Dovednosti

  • Python
  • SQL
  • PyTorch
  • scikit-learn
  • tvorba příznaků
  • vyhodnocování modelů
  • Kubernetes
  • MLflow
  • Docker
  • A/B testování

Nástroje

• Programování v Pythonu, SQL, PyTorch a scikit-learn • MLflow, Docker a Kubernetes • Apache Spark a Airflow

Vybraný projekt

• Vývoj prototypu vyhledávání a následného řazení produktů pomocí vektorových reprezentací vět a PyTorch • Porovnání relevance a latence na označeném souboru 8 000 dotazů • Dokumentace výsledků vyhodnocení a kompromisů při nasazení

Použít tento příklad

Otevřete editor životopisu s tímto životopisem pro pozici Inženýr strojového učení a poté nahraďte příklad vlastními údaji.

Začít s prázdným životopisem

Běžná klíčová slova

Dovednosti a nástroje, které se u této pozice často uvádějí. Použijte jen ty, které ovládáte, a formulujte je stejně jako v pracovním inzerátu. Kliknutím na některé z nich ho zkopírujete.

Dynamická slovesa

VytvořitNasaditSnížitZlepšitAutomatizovatVyhodnotitOptimalizovat

Jak napsat životopis pro pozici Inženýr strojového učení

Ukažte přínos modelu nad rámec metrik

Začněte výsledkem pro produkt nebo provoz a poté uveďte model a způsob vyhodnocení. Propojte například změnu řazení s konverzí nebo relevancí vyhledávání a napište, zda výsledek pochází z online testu, nebo offline benchmarku. Když je to užitečné, uveďte výchozí hodnotu, rozsah a časové období; samotná metrika se bez kontextu těžko interpretuje.

Jasně popište odpovědnost za produkční provoz

Popište svou odpovědnost po natrénování modelu: datové kanály pro příznaky, obsluhu požadavků, monitorování, opakované trénování, návrat k předchozí verzi nebo řešení problémů v pohotovosti. Uveďte prostředí nasazení a konkrétní ukazatel, například latenci p95, dobu aktualizace, výdaje za cloud nebo objem požadavků. Nepopisujte model jako připravený pro produkci, pokud běžel pouze v notebooku nebo omezeném pilotním provozu.

Uveďte nástroje s užitečným kontextem

Uveďte jazyky, frameworky, cloudové služby a nástroje pro nasazení, o kterých dokážete mluvit při pohovoru, a pak ukažte, kde jste je použil(a) v popisu zkušeností. Použijte formulace z nabídky práce, pokud přesně popisují vaši práci. Vynechte dlouhé seznamy knihoven a neuvádějte každou architekturu modelu, kterou jste vyzkoušel(a), pokud nevysvětlíte její účel.

Doplňte chybějící důkazy projekty

Pokud máte v pracovní historii málo zkušeností s nasazováním modelů, uveďte jeden nebo dva relevantní projekty s odkazem na repozitář či demo, zdrojem dat, postupem vyhodnocení a popisem toho, co jste vytvořil(a). Vysvětlete omezení dat a nesdílejte důvěrný kód, informace o klientech ani tvrzení, která nelze ověřit. Projekt má přinést nové důkazy, ne opakovat seznam dovedností.

Všechny ukázky životopisů pro obor Datová věda a AI

Otázky k této pozici

Jak dlouhý má být životopis inženýra strojového učení?

Pokud máte několik let relevantních zkušeností, mohou fungovat dvě stránky, když každá položka přináší užitečné informace o modelech, datových systémech nebo odpovědnosti za produkční provoz. Nejdůležitější zkušenosti uveďte na první stránce a starší podrobnosti, které nepodporují vaši kandidaturu na danou roli, zkraťte. Přehledný jednostránkový životopis může být také účinný, pokud zůstane čitelný a poskytne dost kontextu k vašim výsledkům.

Mám uvést odkaz na portfolio nebo GitHub?

Uveďte ho, pokud ukazuje práci, která posílí vaši žádost, například reprodukovatelný projekt, odborný článek nebo veřejný příspěvek. Odkaz dejte poblíž kontaktních údajů nebo do sekce projektů a zkontrolujte, že má repozitář přehledný soubor README a neobsahuje tajné údaje ani neveřejná data. Nespoléhejte na odkaz místo vysvětlení svého přínosu v životopisu.

Jaké certifikace má inženýr strojového učení uvést?

Inženýři strojového učení v USA obecně nepotřebují profesní licenci ani povinnou certifikaci. Uveďte certifikaci, pokud souvisí s danou prací, je aktuální a vydal ji uznávaný poskytovatel, například certifikaci cloudové platformy. Uveďte její přesný název a vydavatele; vynechte certifikace s prošlou platností nebo osvědčení z krátkých kurzů, která k vašim prokázaným dovednostem přidávají jen málo.

Mohu přejít k inženýrství strojového učení z datové vědy?

Ano. Zdůrazněte důkazy o inženýrské práci vedle vývoje modelů: spolehlivé datové pipeline, testovaný kód, API nebo dávkové úlohy, nasazování, monitorování a spolupráci s produktovými či infrastrukturními týmy. Přesně popište svou roli a uveďte nástroje i výsledky. Pokud máte takových zkušeností málo, přidejte cílený projekt, který ukáže celý postup od přípravy dat přes vyhodnocení až po nasazení.