Empieza por los modelos que pusiste en producción
Pon tu puesto actual y tu trabajo más sólido en producción cerca del inicio. Indica qué resolvía el modelo, la escala de los datos o el entorno operativo, y qué cambió tras su lanzamiento, como el volumen de revisiones, la latencia o la calidad de extracción. Distingue los prototipos de las funcionalidades que usan clientes u operaciones; los equipos de contratación necesitan saber si has dado soporte a modelos más allá de un cuaderno.
Explica cómo evaluaste los modelos
Indica el método de evaluación y la métrica adecuada para la tarea: precisión y exhaustividad para detección, F1 para extracción o latencia para un servicio de inferencia. Siempre que puedas, indica el tamaño o la fuente del conjunto de datos, y explica si los resultados provienen de un conjunto reservado o de la supervisión en producción. Evita afirmar sin fundamento que un modelo es preciso si no indicas qué mediste.
Especifica tus herramientas
Enumera los frameworks, las familias de modelos y las herramientas de despliegue que has usado directamente, como PyTorch, OpenCV, Hugging Face Transformers, Docker o Kubernetes. Relaciona cada herramienta con un proyecto o logro en lugar de enumerar todos los paquetes que hayas probado. Menciona plataformas en la nube o bases de datos vectoriales solo si formaron parte de tu trabajo real y son pertinentes para el anuncio del puesto.
Incluye un enlace a un portafolio enfocado
Un portafolio conciso puede mostrar un proyecto reproducible de visión artificial o NLP, cómo lo evaluaste y una explicación clara de los criterios de decisión. Enlaza código o una demostración que tengas permiso para compartir, y elimina los datos de clientes, las credenciales y los detalles privados de los modelos. Distingue los artículos académicos, tutoriales y proyectos personales del trabajo en producción para que se entienda rápidamente cuál fue tu nivel de responsabilidad.