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.