Datatiede ja tekoäly · Kokenut (6+ vuotta)

Koneoppimisinsinöörin ansioluettelo

Tämä esimerkki näyttää, miten insinööri kehittää järjestys- ja ennustemalleja kokeiluista valvottuihin tuotantojulkaisuihin. Vahvassa ansioluettelossa mallivalinnat, data- ja käyttöönottotyö yhdistyvät mitattaviin muutoksiin viiveessä, osuvuudessa, kustannuksissa tai liiketoiminnan työnkuluissa. Samalla työkalut ja mittakaava käyvät selvästi ilmi.

Ansioluettelon tarkistus

Mitä rekrytoijat ja seurantajärjestelmät etsivät. Tämä on opas, ei ennuste.

100 / 100Kattava

100%
  • Yhteystiedot20 / 20
  • Yhteenveto20 / 20
  • Työkokemus30 / 30
  • Osaaminen20 / 20
  • Koulutus10 / 10

Yhteystiedot

Lisää nämä alkuun; rekrytoijat ja seurantajärjestelmät etsivät niitä ensimmäiseksi.

Valinnainen. Yhdysvalloissa, Isossa-Britanniassa ja Kanadassa ansioluetteloissa ei yleensä ole kuvaa.

39 sanaa

Kirjoita yksi työpaikka kappaletta kohden; aloita jokainen saavutus uudelta riviltä merkillä ”-”.

10 taitoa

Erota taidot pilkuilla, esimerkiksi: Excel, SQL, projektisuunnittelu.

Muita osioita

Lisää projekteja, sertifikaatteja, kielitaitoa tai muuta hakemustasi tukevaa sisältöä.

Työkalut
Valittu projekti

Alex Morgan

Koneoppimisinsinööri

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

Yhteenveto

Koneoppimisinsinööri, jolla on 7 vuoden kokemus järjestys- ja ennustejärjestelmien rakentamisesta B2B-kaupan tuotteisiin. Hallitsee Python- ja PyTorch-mallien kehittämisen, piirreputkien suunnittelun ja Kubernetes-käyttöönotot sekä huolellisen offline- ja online-arvioinnin. On julkaissut palveluita, jotka käsittelevät 2 miljoonaa suosituspyyntöä päivässä.

Työkokemus

Koneoppimisinsinööri II, Cedarpath Commerce, Denver, CO (2022 – nykyhetki) - Rakensin PyTorch-järjestysmallin istunto- ja tuoteluettelopiirteitä käyttäen. Kasvatin ostoskoriin lisäysten määrää 6 %:lla hallitussa testissä, joka kattoi 1,2 miljoonaa istuntoa. - Otin suosituspalvelut käyttöön Kubernetesissä ja lisäsin eräajopisteytyksen MLflow-seurannalla. Lyhensin p95-vastausajan 180 ms:sta 125 ms:iin. - Automatisoin 14 tuotantopiirteen validoinnin ja poikkeamailmoitukset, mikä auttoi tiimiä tutkimaan dataongelmia ennen viikoittaisia mallijulkaisuja. Koneoppimisinsinööri, Summitline Analytics, Boulder, CO (2019 – 2022) - Koulutin scikit-learn-kysyntäennustemalleja kolmen vuoden myyntidatalla. Pienensin keskimääräistä absoluuttista virhettä 9 % aiempaan kausittaiseen vertailutasoon nähden. - Rakensin uudelleenkäytettäviä Python- ja SQL-piirreputkia viiteen asiakaskäyttöönottoon ja lyhensin mallien päivityksen valmistelun kahdesta päivästä noin yhteen päivään.

Koulutus

Tietojenkäsittelytieteen kandidaatti — Juniper Ridge University, Grand Junction, CO (2018)

Osaaminen

  • Python
  • SQL
  • PyTorch
  • scikit-learn
  • piirteiden suunnittelu
  • mallien arviointi
  • Kubernetes
  • MLflow
  • Docker
  • A/B-testaus

Työkalut

• Python, SQL, PyTorch, scikit-learn • MLflow, Docker, Kubernetes • Apache Spark, Airflow

Valittu projekti

• Kehitin tuotehakuun hakua ja tulosten uudelleenjärjestystä yhdistävän prototyypin lauseupotuksia ja PyTorchia käyttäen • Vertailin osuvuutta ja viivettä 8 000 kyselyn annotoidussa aineistossa • Dokumentoin arvioinnin tulokset ja käyttöönoton kompromissit

Näin kirjoitat ansioluettelon tehtävään Koneoppimisinsinööri

Tuo esiin mallin vaikutus mittareiden lisäksi

Aloita tuote- tai toimintatuloksesta ja kerro sen jälkeen käytetty malli ja arviointitapa. Yhdistä esimerkiksi järjestysmuutos konversioon tai haun osuvuuteen ja kerro, perustuiko tulos online-testiin vai offline-vertailuun. Lisää vertailutaso, mittakaava ja ajanjakso, kun niistä on hyötyä. Ilman asiayhteyttä mittaria on vaikea tulkita.

Kerro selvästi vastuustasi tuotannossa

Kuvaile, mistä vastasit koulutuksen jälkeen: piirreputkista, mallien tarjoilusta, valvonnasta, uudelleenkoulutuksesta, palautuksesta tai päivystystutkimuksista. Mainitse käyttöympäristö ja anna konkreettinen mittari, kuten p95-viive, päivitysaika, pilvikustannus tai pyyntömäärä. Älä anna ymmärtää mallin olleen valmis tuotantoon, jos se toimi vain muistikirjassa tai rajatussa kokeilussa.

Kerro työkaluista niiden käyttöyhteydessä

Listaa kielet, viitekehykset, pilvipalvelut ja käyttöönottotyökalut, joista pystyt kertomaan haastattelussa. Näytä sen jälkeen työkokemuksen kohdissa, missä käytit niitä. Käytä työpaikkailmoituksen sanamuotoa, kun se kuvaa työtäsi oikein. Vältä pitkiä kirjastoluetteloita ja älä listaa jokaista kokeilemaasi mallirakennetta selittämättä sen tarkoitusta.

Täydennä näyttöä projekteilla

Jos työhistoriassasi on vähän näyttöä mallien käyttöönotosta, lisää yksi tai kaksi olennaista projektia ja niihin linkki koodivarastoon tai demoon, käytetty datalähde, arviointitapa ja kuvaus siitä, mitä rakensit. Kerro datan rajoituksista äläkä jaa luottamuksellista koodia, asiakastietoja tai väitteitä, joita ei voi todentaa. Projektin pitäisi tuoda uutta näyttöä, ei toistaa taitoluetteloa.

Yleisiä avainsanoja

Tässä tehtävässä usein mainittuja taitoja ja työkaluja. Käytä vain niitä, jotka hallitset, ja käytä työpaikkailmoituksen sanamuotoa. Kopioi sana napsauttamalla sitä.

Toimintaverbejä

RakensinOtin käyttöönVähensinParansinAutomatisoinArvioinOptimoin

Kysymyksiä tästä tehtävästä

Kuinka pitkä koneoppimisinsinöörin ansioluettelon kannattaa olla?

Jos sinulla on useita vuosia olennaista kokemusta, kaksisivuinen ansioluettelo voi toimia, kun jokainen kohta tuo hyödyllistä näyttöä malleista, datajärjestelmistä tai tuotantovastuusta. Sijoita olennaisin työkokemus ensimmäiselle sivulle ja tiivistä vanhempia tietoja, jotka eivät tue hakemaasi roolia. Myös tiivis yksisivuinen ansioluettelo voi toimia, jos se on helppolukuinen ja antaa tuloksille riittävästi asiayhteyttä.

Kannattaako minun lisätä portfolio- tai GitHub-linkki?

Lisää linkki, jos se vahvistaa hakemustasi esimerkiksi toistettavalla projektilla, teknisellä kirjoituksella tai julkisella kontribuutiolla. Sijoita linkki yhteystietojesi lähelle tai projektiosioon ja varmista, että koodivaraston README on selkeä eikä sisällä salaisuuksia tai rajoitettua dataa. Älä korvaa ansioluettelossa kuvausta omasta työpanoksestasi pelkällä linkillä.

Mitä sertifikaatteja koneoppimisinsinöörin kannattaa mainita?

Koneoppimisinsinööreille ei ole yleistä Yhdysvaltain toimilupaa tai pakollista sertifikaattia. Mainitse sertifikaatti, jos se on tehtävään liittyvä, voimassa ja tunnetun tarjoajan myöntämä, kuten pilvialustan pätevyyskirja. Kirjoita sen tarkka nimi ja myöntäjä. Jätä pois vanhentuneet pätevyydet sekä lyhyiden kurssien todistukset, jotka eivät tuo juuri mitään näyttämiesi taitojen lisäksi.

Voinko siirtyä koneoppimisinsinööriksi datatieteestä?

Kyllä. Tuo mallien kehittämisen rinnalla esiin näyttöä insinöörityöstä: luotettavat dataputket, testattu koodi, API:t tai eräajot, käyttöönotto, valvonta sekä yhteistyö tuote- tai infrastruktuuritiimien kanssa. Kuvaile oma roolisi täsmällisesti ja kerro käyttämistäsi työkaluista ja tuloksista. Jos kokemusta on vähän, lisää rajattu projekti, joka näyttää koko polun datan valmistelusta arviointiin ja käyttöönottoon.