Ξεκινήστε με μοντέλα που τέθηκαν σε λειτουργία
Τοποθετήστε τον τρέχοντα ρόλο σας και την ισχυρότερη εργασία σας σε περιβάλλον παραγωγής κοντά στην αρχή. Δηλώστε τι επεξεργαζόταν το μοντέλο, την κλίμακα των δεδομένων ή το λειτουργικό περιβάλλον και τι άλλαξε μετά τη διάθεσή του, όπως ο όγκος ελέγχων, ο χρόνος απόκρισης ή η ποιότητα εξαγωγής. Ξεχωρίστε τα πρωτότυπα από τις λειτουργίες που χρησιμοποιούν πελάτες ή ομάδες λειτουργίας· οι υπεύθυνοι προσλήψεων χρειάζεται να γνωρίζουν αν έχετε υποστηρίξει μοντέλα πέρα από ένα notebook.
Δείξτε πώς αξιολογήσατε τα μοντέλα
Αναφέρετε τη μέθοδο αξιολόγησης και τη μετρική που ταιριάζει στην εργασία: ακρίβεια και ανάκληση για ανίχνευση, F1 για εξαγωγή ή χρόνο απόκρισης για υπηρεσία συμπερασμού. Αναφέρετε το μέγεθος ή την προέλευση του συνόλου δεδομένων, αν μπορείτε, και εξηγήστε αν τα αποτελέσματα προήλθαν από σύνολο που δεν χρησιμοποιήθηκε στην εκπαίδευση ή από παρακολούθηση στην παραγωγή. Αποφύγετε ατεκμηρίωτους ισχυρισμούς ότι ένα μοντέλο είναι ακριβές, χωρίς να δηλώνετε τι μετρήσατε.
Γίνετε συγκεκριμένοι για τα εργαλεία σας
Αναφέρετε τα frameworks, τις οικογένειες μοντέλων και τα εργαλεία θέσης σε λειτουργία που χρησιμοποιήσατε στην πράξη, όπως PyTorch, OpenCV, Hugging Face Transformers, Docker ή Kubernetes. Συνδέστε κάθε εργαλείο με ένα έργο ή επίτευγμα αντί να παραθέσετε κάθε πακέτο που έχετε δοκιμάσει. Αναφέρετε πλατφόρμες cloud ή διανυσματικές βάσεις δεδομένων μόνο αν αποτελούσαν μέρος της πραγματικής εργασίας σας και είναι σχετικές με την αγγελία.
Συνδέστε ένα στοχευμένο portfolio
Ένα σύντομο portfolio μπορεί να παρουσιάσει ένα αναπαραγώγιμο έργο υπολογιστικής όρασης ή NLP, την προσέγγιση αξιολόγησης και μια σαφή εξήγηση των συμβιβασμών. Παραθέστε σύνδεσμο προς κώδικα ή επίδειξη που έχετε άδεια να κοινοποιήσετε και αφαιρέστε δεδομένα πελατών, διαπιστευτήρια και ιδιόκτητες λεπτομέρειες μοντέλων. Διαχωρίστε τις ακαδημαϊκές εργασίες, τα εκπαιδευτικά υλικά και τα προσωπικά έργα από την εργασία σε παραγωγή, ώστε οι αναγνώστες να κατανοήσουν γρήγορα τον βαθμό ευθύνης σας.