Ciencia de datos e IA · Nivel intermedio a sénior (4+ años)

Currículum de ingeniero de visión artificial y NLP

Este ejemplo muestra cómo vincular la visión artificial y los modelos de lenguaje con mejoras cuantificables del producto, desde los procesos de imágenes hasta la clasificación de texto. Un buen currículum para este puesto deja claros los datos, la elección de modelos, el trabajo de implementación y los resultados de evaluación para los equipos de ingeniería e investigación aplicada.

Revisión del currículum

Lo que buscan los reclutadores y los sistemas de seguimiento. Es una guía, no una predicción.

100 / 100Completo

100%
  • Contacto20 / 20
  • Resumen20 / 20
  • Experiencia30 / 30
  • Habilidades20 / 20
  • Formación10 / 10

Datos de contacto

Ponlos al principio; los reclutadores y los sistemas de seguimiento los buscan primero.

Opcional. En EE. UU., el Reino Unido y Canadá, los currículums normalmente no llevan foto.

71 palabras

Un empleo por párrafo; empieza cada logro en una línea nueva con “-”.

11 habilidades

Separa las habilidades con comas, por ejemplo: Excel, SQL, planificación de proyectos.

Más secciones

Proyectos, certificaciones, idiomas o cualquier otro dato que respalde tu candidatura.

Proyectos destacados
Herramientas

Alex Morgan

Ingeniero de visión artificial y NLP

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

Resumen

Ingeniero de visión artificial y NLP con 5 años de experiencia creando funcionalidades de ML para producción en una plataforma de logística B2B. Destaca en el preprocesamiento de imágenes, el ajuste fino de transformers y la evaluación de modelos, con experiencia mejorando la extracción de documentos y los procesos de revisión de daños en paquetes. Experiencia desplegando servicios de PyTorch y supervisando la calidad de los modelos después de su lanzamiento.

Experiencia

Ingeniero de visión artificial y NLP en Pineglass Parcel Technologies, Denver, CO (2023 – Actualidad) - Creé un proceso de detección de daños con PyTorch y OpenCV para fotos de almacén, que canaliza unas 1,200 imágenes al día y redujo un 18% el volumen de revisiones manuales. - Ajusté un modelo de clasificación de tokens de Hugging Face para extraer información de documentos de envío y elevé el F1 por campo de 0.86 a 0.91 en un conjunto de evaluación reservado. - Desplegué servicios de inferencia con versiones controladas mediante Docker y Kubernetes, y reduje el tiempo mediano de procesamiento de imágenes de 1.8 a 1.2 segundos por imagen. Ingeniero de aprendizaje automático en Ridgeway Applied Language Labs, Boulder, CO (2021 – 2023) - Desarrollé procesos de OCR y reconocimiento de entidades nombradas para facturas con Tesseract y BERT, y reduje un 22% el tiempo promedio para clasificar excepciones en dos equipos de clientes. - Evalué modelos de detección de objetos YOLO con un conjunto de datos etiquetado de 14,000 imágenes e identifiqué carencias de cámaras e iluminación que mejoraron la exhaustividad en 7 puntos porcentuales.

Formación

Licenciatura en Ciencias de la Computación — Aspen Vale Institute of Computing, Fort Collins, CO (2021)

Habilidades

  • Visión artificial
  • Procesamiento del lenguaje natural
  • PyTorch
  • OpenCV
  • Hugging Face Transformers
  • Detección de objetos
  • OCR
  • Reconocimiento de entidades nombradas
  • Evaluación de modelos
  • Docker
  • Kubernetes

Proyectos destacados

• Detección de daños en paquetes: comparé variantes del modelo YOLO y documenté la exhaustividad por tipo de daño. • Extracción de documentos de envío: creé un conjunto de evaluación para OCR y extracción de entidades en escaneos variados.

Herramientas

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

Cómo escribir un currículum para Ingeniero de visión artificial y NLP

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.

Palabras clave habituales

Habilidades y herramientas que suelen aparecer para este puesto. Usa solo las que tengas y las mismas palabras del anuncio de empleo. Haz clic en una para copiarla.

Verbos de acción

CreéEntrenéImplementéRedujeMejoréAutomaticéEvalué

Preguntas sobre este puesto

¿Cuánto debería ocupar un currículum de ingeniero de visión artificial y NLP?

Con unos cinco años de experiencia, dos páginas suelen ser razonables si la segunda incluye detalles pertinentes de proyectos o aspectos técnicos. Deja en la primera página el trabajo más sólido en producción, la evaluación de modelos y los resultados de implementación. Por lo general, puedes resumir o quitar los cursos iniciales y los empleos sin relación, salvo que demuestren habilidades directamente pertinentes.

¿Debería incluir un enlace a mi portafolio o GitHub?

Inclúyelo si muestra trabajo pertinente que sea público y fácil de revisar, como un proyecto reproducible, un cuaderno de evaluación o un informe técnico. Explica la tarea, la fuente de datos, las métricas y tu contribución. No subas datos de clientes, código de empleadores ni material sujeto a acuerdos de confidencialidad; para ese tipo de trabajo, es más seguro incluir una descripción depurada.

¿Qué certificaciones debería incluir para este puesto?

Por lo general, los puestos de ingeniería de visión artificial y NLP no exigen una licencia profesional ni una certificación universal en Estados Unidos. Incluye una certificación pertinente de servicios en la nube o de aprendizaje automático solo si la obtuviste; indica la entidad que la expide y la fecha cuando sea útil, y colócala después de la experiencia sustancial en proyectos. No presentes la finalización de un curso como una certificación profesional.

¿Puedo pasar a este puesto desde ciencia de datos o ingeniería de software?

Sí. Destaca proyectos que demuestren que sabes crear y evaluar modelos de visión o lenguaje, trabajar con datos reales e integrar la inferencia en una aplicación. Si vienes de ciencia de datos, añade ejemplos de implementación y supervisión; si vienes de ingeniería de software, muestra entrenamiento de modelos, métricas adecuadas para la tarea y manejo de conjuntos de datos. Identifica claramente los proyectos personales o académicos y describe tu contribución individual.