Datová věda a AI · Středně pokročilá až seniorní úroveň (4+ let)

Životopis inženýra/inženýrky počítačového vidění a NLP

Tato ukázka vám ukáže, jak propojit počítačové vidění a jazykové modely s měřitelným zlepšením produktu, od obrazových pipeline až po klasifikaci textu. Kvalitní životopis pro tuto pozici jasně popisuje data, volbu modelů, jejich nasazení i výsledky vyhodnocení, a to pro technické týmy i týmy aplikovaného výzkumu.

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.

56 slov

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

11 dovedností

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

Další oddíly

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

Vybrané projekty
Nástroje

Alex Morgan

Inženýr/ka počítačového vidění a NLP

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

Shrnutí

Inženýr/ka počítačového vidění a NLP s 5 lety zkušeností s tvorbou produkčních ML funkcí pro logistickou platformu B2B. Mezi hlavní přednosti patří předzpracování obrazu, dolaďování transformerů a vyhodnocování modelů. Má prokazatelné výsledky ve zlepšování extrakce dat z dokumentů a procesů kontroly poškození zásilek. Má zkušenosti s nasazováním služeb PyTorch a sledováním kvality modelů po vydání.

Praxe

Inženýr/ka počítačového vidění a NLP ve společnosti Pineglass Parcel Technologies, Denver, CO (2023 – současnost) - Vytvořil/a pipeline pro detekci poškození skladových fotografií pomocí PyTorch a OpenCV, která zpracovávala přibližně 1 200 snímků denně a snížila objem ručních kontrol o 18 %. - Doladil/a model klasifikace tokenů Hugging Face pro extrakci údajů z přepravních dokumentů a zvýšil/a F1 skóre na úrovni polí z 0,86 na 0,91 na oddělené evaluační sadě. - Nasadil/a verzované inferenční služby pomocí Dockeru a Kubernetes a zkrátil/a medián doby zpracování jednoho snímku z 1,8 sekundy na 1,2 sekundy. Inženýr/ka strojového učení ve společnosti Ridgeway Applied Language Labs, Boulder, CO (2021 – 2023) - Vyvinul/a procesy OCR a rozpoznávání pojmenovaných entit pro faktury pomocí Tesseractu a BERT, čímž zkrátil/a průměrnou dobu třídění výjimek o 22 % ve dvou zákaznických týmech. - Vyhodnotil/a modely detekce objektů YOLO na označené datové sadě o 14 000 snímcích a identifikoval/a nedostatky v záběrech kamer a osvětlení, jejichž odstranění zvýšilo úplnost o 7 procentních bodů.

Vzdělání

Bakalářský titul v oboru informatiky — Aspen Vale Institute of Computing, Fort Collins, CO (2021)

Dovednosti

  • Počítačové vidění
  • zpracování přirozeného jazyka
  • PyTorch
  • OpenCV
  • Hugging Face Transformers
  • detekce objektů
  • OCR
  • rozpoznávání pojmenovaných entit
  • vyhodnocování modelů
  • Docker
  • Kubernetes

Vybrané projekty

• Detekce poškození zásilek: porovnání variant modelů YOLO a zdokumentování úplnosti podle typu poškození. • Extrakce údajů z přepravních dokumentů: vytvoření evaluační sady pro OCR a extrakci entit z různých typů skenů.

Nástroje

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

Jak napsat životopis pro pozici Inženýr/ka počítačového vidění a NLP

Začněte s nasazenými modely

Na začátek uveďte svou současnou pozici a nejvýznamnější práci na produkčních modelech. Popište, co model zpracovával, jaký byl rozsah dat nebo provozní prostředí a co se po jeho nasazení změnilo, například objem kontrol, latence nebo kvalita extrakce. Prototypy odlište od funkcí používaných zákazníky nebo v provozu. Náborové týmy potřebují vědět, zda máte zkušenosti s podporou modelů i mimo prostředí notebooku.

Popište, jak jste modely vyhodnocoval/a

Uveďte metodu vyhodnocení a metriku odpovídající dané úloze: přesnost a úplnost u detekce, F1 u extrakce nebo latenci u inferenční služby. Pokud můžete, uveďte velikost nebo zdroj datové sady a vysvětlete, zda výsledky pocházejí z oddělené sady, nebo z monitorování v produkci. Netvrďte bez opory, že je model přesný, aniž uvedete, co jste měřil/a.

Uveďte konkrétní technologie

Vyjmenujte frameworky, rodiny modelů a nástroje pro nasazení, se kterými máte praktické zkušenosti, například PyTorch, OpenCV, Hugging Face Transformers, Docker nebo Kubernetes. Každý nástroj propojte s projektem nebo výsledkem, místo abyste uváděl/a všechny balíčky, které jste vyzkoušel/a. Cloudové platformy nebo vektorové databáze zmiňujte jen tehdy, pokud byly součástí vaší skutečné práce a souvisejí s nabízenou pozicí.

Přidejte odkaz na zaměřené portfolio

Stručné portfolio může představit reprodukovatelný projekt z oblasti počítačového vidění nebo NLP, postup vyhodnocení a jasné vysvětlení kompromisů. Přidejte odkaz na kód nebo ukázku, které smíte sdílet, a odstraňte zákaznická data, přihlašovací údaje a proprietární podrobnosti o modelech. Akademické práce, tutoriály a vlastní projekty jasně odlište od produkční práce, aby čtenáři snadno poznali rozsah vaší odpovědnosti.

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/aNatrénoval/aNasadil/aSnížil/aZlepšil/aAutomatizoval/aVyhodnotil/a

Otázky k této pozici

Jak dlouhý má být životopis inženýra/inženýrky počítačového vidění a NLP?

Při přibližně pěti letech zkušeností jsou obvykle přiměřené dvě stránky, pokud druhá stránka obsahuje relevantní projektové nebo technické podrobnosti. Nejsilnější práci na produkčních modelech, jejich vyhodnocování a výsledky nasazení uveďte na první stránce. Rané studium a nesouvisející zaměstnání můžete obvykle zkrátit nebo vynechat, pokud nedokládají přímo využitelné dovednosti.

Mám přidat odkaz na portfolio nebo GitHub?

Přidejte ho, pokud představuje relevantní veřejnou práci, kterou lze snadno posoudit, například reprodukovatelný projekt, evaluační notebook nebo technický článek. Vysvětlete úlohu, zdroj dat, metriky a svůj přínos. Nenahrávejte zákaznická data, kód zaměstnavatele ani materiály podléhající dohodám o důvěrnosti. U takové práce je bezpečnější uvést popis bez citlivých údajů.

Které certifikace mám pro tuto pozici uvést?

Pozice inženýra/inženýrky počítačového vidění a NLP ve Spojených státech obecně nevyžadují univerzální profesní licenci ani certifikaci. Relevantní certifikaci z oblasti cloudu nebo strojového učení uveďte pouze tehdy, pokud jste ji získal/a. V případě potřeby doplňte vydavatele a datum a umístěte ji pod podstatné projektové zkušenosti. Absolvování kurzu nevydávejte za profesní certifikaci.

Mohu přejít na tuto pozici z datové vědy nebo softwarového inženýrství?

Ano. Zdůrazněte projekty, které dokládají, že umíte vytvářet a vyhodnocovat modely pro počítačové vidění nebo jazykové modely, pracovat s reálnými daty a začlenit inferenci do aplikace. Máte-li zkušenosti s datovou vědou, doplňte příklady nasazení a monitorování; přicházíte-li ze softwarového inženýrství, ukažte trénování modelů, metriky vhodné pro danou úlohu a práci s datovými sadami. Osobní a akademické projekty jasně označte a popište svůj vlastní přínos.