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.

Kontrola životopisu

Na co se zaměřují personalisté a systémy pro sledování uchazečů. Jde o vodítko, ne předpověď.

100 / 100Úplný

100%
  • Kontakt20 / 20
  • Shrnutí20 / 20
  • Praxe30 / 30
  • Dovednosti20 / 20
  • Vzdělání10 / 10

Kontaktní údaje

Uveďte je nahoře; personalisté a systémy pro sledování uchazečů je hledají jako první.

Volitelné. V USA, Spojeném království a Kanadě životopisy obvykle fotografii neobsahují.

51 slov

Každé zaměstnání uveďte v samostatném odstavci; každý dosažený výsledek začněte na novém řádku znakem „-“.

10 dovedností

Dovednosti oddělte čárkami, například: Excel, SQL, plánování projektů.

Další oddíly

Projekty, certifikace, jazyky nebo cokoli dalšího, co podpoří vaši žádost o práci.

Nástroje
Vybraný projekt

Alex Morgan

Inženýr strojového učení

  • alex.morgan@example.com
  • +1 555 0100
  • Denver, CO

Shrnutí

Inženýr(ka) strojového učení se 7 lety zkušeností s tvorbou systémů pro řazení a predikci pro produkty B2B obchodu. Spojuje vývoj modelů v Pythonu a PyTorch, návrh datových pipeline pro příznaky a nasazování v Kubernetes s důkladným offline i online vyhodnocováním; nasadil(a) služby zpracovávající 2 miliony požadavků na doporučení denně.

Praxe

Inženýr(ka) strojového učení II ve společnosti Cedarpath Commerce, Denver, CO (2022 – současnost) - Vytvořil(a) model řazení v PyTorch s využitím příznaků relací a katalogu, čímž v kontrolovaném testu napříč 1,2 milionu relací zvýšil(a) míru přidání do košíku o 6 %. - Nasadil(a) služby doporučování v Kubernetes a přidal(a) dávkové skórování se sledováním v MLflow, čímž zkrátil(a) dobu odezvy p95 ze 180 ms na 125 ms. - Zautomatizoval(a) validaci příznaků a upozornění na posun u 14 produkčních příznaků, což týmu pomohlo prověřovat problémy s daty před týdenním vydáním modelů. Inženýr(ka) strojového učení ve společnosti Summitline Analytics, Boulder, CO (2019 – 2022) - Natrénoval(a) modely predikce poptávky v scikit-learn na třech letech prodejních dat a oproti stávajícímu sezonnímu základu snížil(a) střední absolutní chybu o 9 %. - Vytvořil(a) opakovaně použitelné pipeline příznaků v Pythonu a SQL pro pět nasazení u klientů, čímž zkrátil(a) přípravu na aktualizaci modelu ze dvou dnů přibližně na jeden den.

Vzdělání

Bakalářský titul v oboru informatiky — Juniper Ridge University, Grand Junction, CO (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

• Vyvinul(a) prototyp vyhledávání a následného řazení produktů pomocí vektorových reprezentací vět a PyTorch • Porovnal(a) relevanci a latenci na označené sadě 8 000 dotazů • Zdokumentoval(a) výsledky vyhodnocení a kompromisy při nasazení

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, za co jste odpovídal(a) po natrénování modelu: pipeline příznaků, obsluhu požadavků, monitorování, opakované trénování, návrat k předchozí verzi nebo pohotovostní řešení problémů. Uveďte prostředí nasazení a konkrétní ukazatel, například latenci p95, dobu aktualizace, výdaje za cloud nebo objem požadavků. Netvrďte, že model byl připravený pro produkci, pokud běžel jen 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.

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.

Akční slovesa

Vytvořil(a)Nasadil(a)Snížil(a)Vylepšil(a)Zautomatizoval(a)Vyhodnotil(a)Optimalizoval(a)

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.