Datová věda a AI · Zkušená úroveň (4+ roky)

Životopis inženýra počítačového vidění a zpracování přirozeného jazyka

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.

Jan Novák

Inženýr počítačového vidění a zpracování přirozeného jazyka

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

Shrnutí

Inženýr počítačového vidění a zpracování přirozeného jazyka s pěti lety zkušeností s vývojem produkčních funkcí strojového učení pro logistickou platformu B2B. Specializuje se na předzpracování obrazu, dolaďování transformerů a vyhodnocování modelů. Má zkušenosti se zlepšováním extrakce údajů z dokumentů a kontroly poškozených zásilek i s nasazováním služeb PyTorch a sledováním kvality modelů po vydání.

Praxe

Inženýr počítačového vidění a zpracování přirozeného jazyka ve společnosti Pineglass Parcel Technologies (2023 - současnost) - Sestavil/a jsem pipeline pro detekci poškození v knihovnách PyTorch a OpenCV pro fotografie ze skladu, která zpracovává přibližně 1 200 snímků denně a snižuje objem ručního posuzování o 18 %. - Doladil/a jsem model klasifikace tokenů od Hugging Face pro extrakci dat z přepravních dokumentů, čímž jsem zvýšil/a metriku F1 na úrovni polí z 0,86 na 0,91 na vyhrazené vyhodnocovací sadě. - Nasadil/a jsem verzované inferenční služby pomocí nástrojů Docker a Kubernetes, čímž jsem zkrátil/a medián doby zpracování obrazu z 1,8 sekundy na 1,2 sekundy na jeden snímek. Inženýr strojového učení ve společnosti Ridgeway Applied Language Labs (2021 - 2023) - Vyvinul/a jsem pracovní postupy pro OCR a rozpoznávání pojmenovaných entit (NER) u faktur pomocí nástrojů Tesseract a BERT, čímž jsem zkrátil/a průměrnou dobu triáže výjimek o 22 % napříč dvěma zákaznickými týmy. - Vyhodnotil/a jsem modely detekce objektů YOLO na označené datové sadě o velikosti 14 000 snímků, čímž jsem identifikoval/a nedostatky v úhlech kamery a osvětlení, což zlepšilo úplnost (recall) o 7 procentních bodů.

Vzdělání

Bakalářský titul v oboru informatiky - Aspen Vale Institute of Computing (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 modelu YOLO a dokumentace úplnosti záchytu podle typu poškození. • Extrakce údajů z přepravních dokumentů: vytvoření vyhodnocovací sady pro OCR a extrakci pojmenovaných entit z různých typů skenů.

Nástroje

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

Použít tento příklad

Otevřete editor životopisu s tímto životopisem pro pozici Inženýr počítačového vidění a zpracování přirozeného jazyka 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

VytvořitNatrénovatNasaditSnížitZlepšitAutomatizovatVyhodnotit

Jak napsat životopis pro pozici Inženýr počítačového vidění a zpracování přirozeného jazyka

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.

Všechny ukázky životopisů pro obor Datová věda a AI

Otázky k této pozici

Jak dlouhý má být životopis inženýra počítačového vidění a zpracování přirozeného jazyka?

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 počítačového vidění a zpracování přirozeného jazyka ve Spojených státech obvykle nevyžadují jednotnou profesní licenci ani certifikaci. Relevantní cloudovou certifikaci nebo certifikaci z oblasti strojového učení uveďte, pokud jste ji získali. Podle potřeby doplňte vydavatele a datum a umístěte ji až za významnější pracovní a 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.