Jan Novák
Inženýr strojového učení
- jan.novak@example.com
- +420 601 123 456
- Praha
Shrnutí
Praxe
Vzdělání
Dovednosti
- Python
- SQL
- PyTorch
- scikit-learn
- tvorba příznaků
- vyhodnocování modelů
- Kubernetes
- MLflow
- Docker
- A/B testování
Datová věda a AI · Seniorní (6+ let)
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
Otevřete editor životopisu s tímto životopisem pro pozici Inženýr strojového učení a poté nahraďte příklad vlastními údaji.
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.
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.
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 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.
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.
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.
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.
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.
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.