Data science og AI · Mellemniveau til senior (4+ år)

CV for ingeniør inden for computer vision og NLP

Dette eksempel viser, hvordan du kan forbinde computer vision og sprogmodeller med målbare produktforbedringer, fra billedpipelines til tekstklassifikation. Et stærkt CV til denne rolle gør dataene, modelvalgene, implementeringsarbejdet og evalueringsresultaterne tydelige for både udviklingsteams og anvendte forskningsteams.

CV-tjek

Det, rekrutteringsansvarlige og ATS-systemer kigger efter. En vejledning, ikke en forudsigelse.

100 / 100Komplet

100%
  • Kontakt20 / 20
  • Resumé20 / 20
  • Erhvervserfaring30 / 30
  • Kompetencer20 / 20
  • Uddannelse10 / 10

Kontaktoplysninger

Placér dem øverst; rekrutteringsansvarlige og ATS-systemer leder efter dem først.

Valgfrit. I USA, Storbritannien og Canada har CV'er som regel ikke et billede.

57 ord

Skriv ét job pr. afsnit; begynd hver præstation på en ny linje med “-”.

11 kompetencer

Adskil kompetencer med kommaer, f.eks.: Excel, SQL, projektplanlægning.

Flere afsnit

Projekter, certificeringer, sprog eller andet, der styrker din ansøgning.

Udvalgte projekter
Værktøjer

Alex Morgan

Ingeniør inden for computer vision og NLP

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

Resumé

Ingeniør inden for computer vision og NLP med 5 års erfaring i at udvikle ML-funktioner til en B2B-logistikplatform. Stærke kompetencer inden for forbehandling af billeder, finjustering af transformermodeller og modelevaluering samt dokumenterede resultater med forbedring af dokumentudtræk og arbejdsgange til gennemgang af pakkeskader. Erfaring med at implementere PyTorch-tjenester og overvåge modellernes kvalitet efter lancering.

Erhvervserfaring

Ingeniør inden for computer vision og NLP hos Pineglass Parcel Technologies, Denver, CO (2023 – nu) - Byggede en pipeline til skadesdetektion med PyTorch og OpenCV til lagerfotos, som behandlede cirka 1.200 billeder om dagen og reducerede mængden af manuel gennemgang med 18 %. - Finjusterede en tokenklassifikationsmodel fra Hugging Face til udtræk af oplysninger fra forsendelsesdokumenter og hævede F1-scoren på feltniveau fra 0,86 til 0,91 på et separat evalueringssæt. - Implementerede versionsstyrede inferenstjenester med Docker og Kubernetes og reducerede den mediane billedbehandlingstid fra 1,8 sekunder til 1,2 sekunder pr. billede. Machine Learning-ingeniør hos Ridgeway Applied Language Labs, Boulder, CO (2021 – 2023) - Udviklede arbejdsgange til OCR og genkendelse af navngivne entiteter på fakturaer med Tesseract og BERT, hvilket forkortede den gennemsnitlige tid til afklaring af afvigelser med 22 % på tværs af to kundeteams. - Evaluerede YOLO-modeller til objektdetektion på et mærket datasæt med 14.000 billeder og fandt mangler ved kameraer og lysforhold, som forbedrede recall med 7 procentpoint.

Uddannelse

Bachelor i datalogi — Aspen Vale Institute of Computing, Fort Collins, CO (2021)

Kompetencer

  • Computer vision
  • naturlig sprogbehandling
  • PyTorch
  • OpenCV
  • Hugging Face Transformers
  • objektdetektion
  • OCR
  • genkendelse af navngivne entiteter
  • modelevaluering
  • Docker
  • Kubernetes

Udvalgte projekter

• Detektion af pakkeskader: sammenlignede YOLO-modelvarianter og dokumenterede recall efter skadestype. • Udtræk af oplysninger fra forsendelsesdokumenter: oprettede et evalueringssæt til OCR og entitetsudtræk på tværs af forskellige scanninger.

Værktøjer

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

Sådan skriver du et CV som Ingeniør inden for computer vision og NLP

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.

Almindelige nøgleord

Kompetencer og værktøjer, der ofte nævnes for denne stilling. Brug kun dem, du har, og brug formuleringen fra jobopslaget. Klik på et nøgleord for at kopiere det.

Handlingsverber

ByggedeTrænedeImplementeredeReduceredeForbedredeAutomatiseredeEvaluerede

Spørgsmål om denne stilling

Hvor langt bør et CV for en ingeniør inden for computer vision og NLP være?

Med omkring fem års erfaring er to sider som regel passende, hvis den anden side indeholder relevante projekt- eller tekniske detaljer. Sørg for, at dit stærkeste arbejde med produktionsmodeller, modelevaluering og implementering står på første side. Tidlige kurser og irrelevante job kan som regel forkortes eller udelades, medmindre de viser direkte relevante kompetencer.

Bør du medtage et link til din portfolio eller GitHub?

Medtag et link, hvis det viser relevant arbejde, som er offentligt tilgængeligt og nemt at gennemgå, for eksempel et reproducerbart projekt, en evalueringsnotebook eller en teknisk artikel. Forklar opgaven, datakilden, målene og dit bidrag. Upload ikke kundedata, arbejdsgiverens kode eller materiale, der er omfattet af fortrolighedsaftaler. En renset beskrivelse er sikrere for den type arbejde.

Hvilke certificeringer bør du anføre til denne rolle?

Stillinger som ingeniør inden for computer vision og NLP kræver generelt ikke en fælles professionel autorisation eller certificering i USA. Anfør kun en relevant cloud- eller machine learning-certificering, hvis du har opnået den. Angiv udsteder og dato, hvis det er nyttigt, og placér den efter betydelig projekterfaring. Fremstil ikke et kursusbevis som en professionel certificering.

Kan du skifte til denne rolle fra datavidenskab eller softwareudvikling?

Ja. Fremhæv projekter, der viser, at du kan udvikle og evaluere modeller til computer vision eller sprog, håndtere virkelige data og integrere inferens i en applikation. Hvis du kommer fra datavidenskab, så tilføj eksempler på implementering og overvågning. Hvis du kommer fra softwareudvikling, så vis modeltræning, relevante målinger og håndtering af datasæt. Markér personlige eller akademiske projekter tydeligt, og beskriv dit eget bidrag.