Beginnen Sie mit bereitgestellten Modellen
Platzieren Sie Ihre aktuelle Position und Ihre stärksten produktiven Arbeitsergebnisse weit oben. Beschreiben Sie, welche Aufgabe das Modell erfüllte, in welchem Umfang oder Einsatzbereich es verwendet wurde und was sich nach der Veröffentlichung änderte - etwa Prüfaufwand, Latenz oder Extraktionsqualität. Unterscheiden Sie Prototypen von Funktionen, die Kunden oder Betriebsteams nutzen. Hiring-Teams möchten wissen, ob Sie Modelle über die Notebook-Phase hinaus betreut haben.
Zeigen Sie, wie Sie Modelle evaluiert haben
Nennen Sie die Evaluierungsmethode und eine zur Aufgabe passende Kennzahl: Precision und Recall für die Erkennung, F1 für die Extraktion oder Latenz für einen Inferenzdienst. Geben Sie nach Möglichkeit die Größe oder Herkunft des Datensatzes an und erklären Sie, ob die Ergebnisse auf einem separaten Testdatensatz oder aus dem Produktionsmonitoring stammen. Behaupten Sie nicht unbelegt, ein Modell sei genau, ohne anzugeben, was Sie gemessen haben.
Machen Sie Ihre Toolchain konkret
Führen Sie Frameworks, Modellfamilien und Bereitstellungstools auf, mit denen Sie praktisch gearbeitet haben, etwa PyTorch, OpenCV, Hugging Face Transformers, Docker oder Kubernetes. Verknüpfen Sie jedes Tool mit einem Projekt oder Erfolg, statt alle ausprobierten Pakete aufzulisten. Nennen Sie Cloud-Plattformen oder Vektordatenbanken nur, wenn sie Teil Ihrer tatsächlichen Arbeit und für die Stellenanzeige relevant waren.
Verlinken Sie ein fokussiertes Portfolio
Ein prägnantes Portfolio kann ein reproduzierbares Computer-Vision- oder NLP-Projekt, den Evaluierungsansatz und eine klare Erklärung der Abwägungen zeigen. Verlinken Sie nur Code oder Demos, die Sie teilen dürfen, und entfernen Sie Kundendaten, Zugangsdaten und geschützte Modelldetails. Kennzeichnen Sie wissenschaftliche Arbeiten, Tutorials und Nebenprojekte klar getrennt von produktiver Arbeit, damit Leser/innen Ihren Verantwortungsbereich schnell verstehen.