Læg vægt på modeller i drift
Placér din nuværende rolle og dit stærkeste arbejde med produktionsmodeller øverst. Beskriv, hvad modellen håndterede, datamængden eller driftsmiljøet, og hvad der ændrede sig efter lanceringen, for eksempel mængden af gennemgang, latenstiden eller kvaliteten af dataudtrækket. Skeln mellem prototyper og funktioner, som kunder eller driften brugte. Rekrutteringsteams skal kunne se, om du har understøttet modeller ud over en notebook.
Vis, hvordan du evaluerede modeller
Angiv evalueringsmetoden og det mål, der passer til opgaven: præcision og recall ved detektion, F1 ved dataudtræk eller latenstid for en inferenstjeneste. Angiv datasættets størrelse eller kilde, hvis du kan, og forklar, om resultaterne kom fra et separat datasæt eller overvågning i produktion. Undgå udokumenterede påstande om, at en model er præcis, uden at fortælle, hvad du har målt.
Vær konkret om din teknologistak
Angiv de frameworks, modeltyper og implementeringsværktøjer, du selv har arbejdet med, for eksempel PyTorch, OpenCV, Hugging Face Transformers, Docker eller Kubernetes. Knyt hvert værktøj til et projekt eller et resultat i stedet for at opremse alle pakker, du har prøvet. Nævn kun cloudplatforme eller vektordatabaser, hvis de indgik i dit faktiske arbejde og er relevante for stillingsopslaget.
Link til en fokuseret portfolio
En kort portfolio kan vise et reproducerbart projekt inden for computer vision eller NLP, din evalueringsmetode og en tydelig forklaring af afvejningerne. Link til kode eller en demo, du har lov til at dele, og fjern kundedata, adgangsoplysninger og proprietære modeloplysninger. Hold akademiske artikler, vejledninger og sideprojekter adskilt fra produktionsarbejde, så læserne hurtigt kan forstå, hvad du selv havde ansvar for.