علم داده و هوش مصنوعی · ارشد (۶+ سال)

رزومه متخصص پژوهش هوش مصنوعی

این نمونه نشان می‌دهد پژوهشگر هوش مصنوعی چگونه می‌تواند روش‌های آزمایشی، ارزیابی مدل و آثار منتشرشده را به نتایج پژوهشی قابل‌اندازه‌گیری پیوند دهد. رزومه‌ای قوی برای این موقعیت شغلی، سهم فردی شما را روشن می‌کند و جزئیات فنی کافی در اختیار تیم‌ها می‌گذارد تا کارتان را ارزیابی کنند.

بررسی رزومه

چیزهایی که استخدام‌کنندگان و سامانه‌های ردیابی دنبال می‌کنند. این یک راهنماست، نه پیش‌بینی.

85 / 100کامل

85%
  • اطلاعات تماس20 از 20
  • خلاصه20 از 20
  • سوابق کاری15 از 30
  • مهارت‌ها20 از 20
  • تحصیلات10 از 10

1 مورد برای بهبود

اطلاعات تماس

این اطلاعات را بالای رزومه بگذارید؛ استخدام‌کنندگان و سامانه‌های ردیابی اول از همه دنبال آن‌ها می‌گردند.

اختیاری. در آمریکا، بریتانیا و کانادا معمولاً رزومه‌ها عکس ندارند.

41 واژه

برای هر شغل یک پاراگراف بنویسید؛ هر دستاورد را در خطی تازه و با «-» شروع کنید.

10 مهارت

مهارت‌ها را با ویرگول جدا کنید؛ مثلاً: Excel، SQL، برنامه‌ریزی پروژه.

بخش‌های بیشتر

پروژه‌ها، گواهی‌نامه‌ها، زبان‌ها یا هر چیز دیگری که به تقویت درخواست شما برای این شغل کمک می‌کند.

مقالات منتخب
ابزارهای پژوهش

الکس مورگان

متخصص پژوهش هوش مصنوعی

  • الکس.مورگان@اکزمپل.کام
  • +1 555 0100
  • Denver, CO

خلاصه

پژوهشگر هوش مصنوعی با ۸ سال تجربه در آزمایشگاه پژوهشی یادگیری ماشین کاربردی، با سابقه توسعه مدل‌های ترنسفورمر و روش‌های یادگیری تقویتی. مسلط به طراحی آزمایش، ارزیابی مدل و جریان‌های کاری آموزشِ بازتولیدپذیر؛ دارای دکتری علوم کامپیوتر و مقالات پژوهشی داوری‌شده.

سوابق کاری

پژوهشگر ارشد در Cedar Peak Intelligence، Boulder, CO (۲۰۲۱ – اکنون) - رویکردی مبتنی بر یادگیری تقویتی برای وظایف زبانی چندمرحله‌ای طراحی کردم و نرخ تکمیل را در مجموعه ارزیابی داخلی، ۴ واحد درصد بهبود دادم. - خط لوله ارزیابی PyTorch را برای ۱۲ گونه مدل ساختم و زمان بررسی آزمایش‌ها را از ۵ روز به ۳ روز کاهش دادم. - دو همکار پژوهشی را در طراحی آزمایش و جریان‌های کاری بازتولیدپذیر راهنمایی کردم؛ در آزمایش‌های سه مقاله مشترک مشارکت داشتم. پژوهشگر در Alpine Signal Labs، Denver, CO (۲۰۱۸ – ۲۰۲۱) - مدل‌های ترنسفورمر را برای درک اسناد با کارهای توزیع‌شده PyTorch آموزش دادم و خطای اعتبارسنجی را روی مجموعه‌داده کنارگذاشته‌شده ۹٪ کاهش دادم. - مطالعات حذف مؤلفه را در شش پیکربندی مدل انجام دادم و معماری ساده‌تری یافتم که محاسبات آموزش را ۱۵٪ کاهش داد.

تحصیلات

دکتری علوم کامپیوتر — Summit Plains University، Fort Collins, CO (۲۰۱۸)

مهارت‌ها

  • یادگیری عمیق
  • مدل‌های ترنسفورمر
  • یادگیری تقویتی
  • پردازش زبان طبیعی
  • PyTorch
  • JAX
  • ارزیابی LLM
  • طراحی آزمایش
  • آموزش توزیع‌شده
  • تحلیل آماری

مقالات منتخب

• «سازگار‌سازی کارآمد برای وظایف اسناد بلند»، NeurIPS (۲۰۲۴) • «بهینه‌سازی ترجیحات با بازخورد محدود»، ICML (۲۰۲۲)

ابزارهای پژوهش

• PyTorch، JAX، Weights & Biases • Slurm، Git، LaTeX

چطور برای شغل متخصص پژوهش هوش مصنوعی رزومه بنویسید

حوزه پژوهشی‌تان را در ابتدای رزومه بیاورید

حوزه تمرکز پژوهشی، روش‌های اصلی و مرتبط‌ترین مقاله یا پروژه‌تان را نزدیک ابتدای رزومه قرار دهید. تیم استخدام باید بتواند سریع ببیند که کارتان با حوزه آن‌ها، مثل مدل‌های زبانی، یادگیری تقویتی یا تفسیرپذیری، تناسب دارد یا نه. سهم خودتان را در کارهای گروهی مشخص کنید و اگر مقاله یا مخزن کد عمومی است و اشتراک‌گذاری آن مناسب است، پیوندش را بگذارید.

آزمایش و نتیجه را توضیح دهید

برای هر پروژه، پرسش پژوهش، رویکرد و شواهد موفقیت آن را مشخص کنید. هر وقت امکان اشتراک‌گذاری دارید، معیار مبنا، مجموعه ارزیابی، مطالعه حذف مؤلفه‌ها یا سنجش منابع را هم بیاورید. از عددهایی استفاده کنید که دامنه واقعی آزمایش را نشان می‌دهند؛ مثل تعداد گونه‌های آزموده‌شده یا میزان تغییر در یک معیار مشخص. از ادعاهای بی‌پشتوانه درباره توانایی کلی مدل پرهیز کنید.

مرور مقاله‌ها را آسان کنید

مقاله‌های منتخب را در بخشی جداگانه، همراه با عنوان، محل انتشار، سال و جایگاه نویسندگی‌تان فهرست کنید، اگر این اطلاعات به روشن شدن سهم شما کمک می‌کند. اگر مقاله یا پیش‌چاپ عمومی است، پیوندش را بگذارید. آثار داوری‌شده را از پیش‌چاپ‌ها و کارهای در حال انجام جدا کنید؛ برای مقاله‌ای که هنوز در دست بررسی است، وانمود نکنید پذیرفته شده. رساله را فقط وقتی بیاورید که از نقشی که می‌خواهید پشتیبانی کند.

ابزارها را در بستر پژوهش معرفی کنید

چارچوب‌ها و زیرساخت‌هایی را بیاورید که مستقیماً استفاده کرده‌اید، مثل PyTorch، JAX یا ابزارهای آموزش توزیع‌شده، و ارتباطشان را با آزمایشی در بخش سوابق کاری نشان دهید. فهرست بلند کتابخانه‌هایی را که فقط امتحان کرده‌اید حذف کنید. جزئیات محرمانه پروژه، نتایج منتشرنشده‌ای را که اجازه افشایشان را ندارید و ادعاهای کلی درباره نوآور یا کنجکاو بودن را نیاورید.

کلیدواژه‌های رایج

مهارت‌ها و ابزارهایی که اغلب برای این عنوان شغلی فهرست می‌شوند. فقط مواردی را استفاده کنید که دارید و با همان واژه‌های آگهی شغلی بنویسید. برای کپی کردن، روی یکی کلیک کنید.

فعل‌های کنشی

توسعه دادمارزیابی کردمطراحی کردمبهبود دادممنتشر کردمتحلیل کردمراهنمایی کردم

پرسش‌هایی درباره این عنوان شغلی

رزومه پژوهشگر هوش مصنوعی بهتر است چند صفحه باشد؟

طول مشخصی برای همه الزامی نیست. برای پژوهشگر باتجربه، دو صفحه می‌تواند فضای کافی برای چند دستاورد پژوهشی منتخب، انتشارات و تجربه فنی فراهم کند. مرتبط‌ترین کارها را در ابتدای رزومه بیاورید و جزئیات قدیمی‌تری را که از نقش موردنظر پشتیبانی نمی‌کنند کوتاه کنید. اگر در درخواست، CV یا فهرست انتشارات خواسته شده است، همان دستورالعمل را دنبال کنید و مدرک درخواستی را ارائه دهید.

آیا باید همه مقاله‌ها و پیش‌چاپ‌ها را بیاورید؟

معمولاً بهتر است چند اثر مرتبط‌تر را در رزومه بیاورید و اگر فهرست کامل انتشارات دارید، پیوند آن را اضافه کنید. محل انتشار و سال را مشخص کنید و پیش‌چاپ‌ها یا کارهای در حال انجام را دقیق برچسب بزنید. اگر جایگاه نویسندگی‌تان به روشن شدن نقشتان کمک می‌کند، به‌ویژه در مقاله‌های گروهی، آن را ذکر کنید. دستورالعمل‌های هر درخواست درباره فهرست انتشارات را رعایت کنید.

آیا مشاغل پژوهش هوش مصنوعی به PhD نیاز دارند؟

شرایط بسته به کارفرما، تیم و حوزه پژوهش فرق می‌کند. بسیاری از موقعیت‌های پژوهشگر علمی PhD یا تجربه پژوهشی هم‌سطح می‌خواهند؛ بعضی موقعیت‌ها هم به‌جای مدرک مشخص، کار مستقل قوی، انتشارات یا تجربه گسترده پژوهش کاربردی را می‌پذیرند. هر آگهی را با دقت بخوانید و شواهدی از دستاوردهای پژوهشی، روش‌ها و عمق فنی‌تان ارائه دهید.

آیا می‌توانید از مهندسی نرم‌افزار وارد پژوهش هوش مصنوعی شوید؟

بله، اما در کنار مهارت‌های مهندسی، شواهد پژوهشی هم ارائه دهید. آزمایش‌هایی را که طراحی کرده‌اید، مقاله‌ها یا گزارش‌های فنی، کار متن‌باز یا همکاری‌هایی را برجسته کنید که پرسش پژوهشی و ارزیابی دقیق را نشان می‌دهند. کار مهندسی محصول را از دستاوردهای پژوهشی جدا کنید. نمونه‌ها را با تمرکز نقش موردنظر هماهنگ کنید و ادعای نویسندگی یا نتایجی نکنید که نمی‌توانید مستندشان کنید.