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.

Matti Virtanen

Koneoppimisinsinööri

  • matti.virtanen@example.com
  • +358 50 000 0000
  • Helsinki

Tiivistelmä

Koneoppimisinsinöörillä on seitsemän vuoden kokemus järjestys- ja ennustejärjestelmien rakentamisesta B2B-kaupan tuotteisiin. Hän kehittää malleja Pythonilla ja PyTorchilla, suunnittelee piirreputkia ja ottaa palveluita käyttöön Kubernetesissä. Hän on julkaissut palveluita, jotka käsittelevät kaksi miljoonaa suosituspyyntöä päivässä, ja arvioi malleja sekä offline- että online-testeillä.

Työkokemus

Koneoppimisinsinööri II, Cedarpath Commerce (2022 - nykyhetki) - Rakensin PyTorchilla järjestysmallin istunto- ja tuoteluettelopiirteiden avulla. Nostin ostoskoriin lisäämisen osuutta 6 % kontrolloidussa testissä, joka kattoi 1,2 miljoonaa istuntoa. - Otin suosituspalvelut käyttöön Kubernetesissä ja lisäsin eräajona tehtävän pisteytyksen MLflow-seurantaan. Lyhensin 95. persentiilin vasteajan 180 millisekunnista 125 millisekuntiin. - Automatisoin 14 tuotantopiirteen validoinnin ja poikkeamahälytykset, mikä auttoi tiimiä tutkimaan dataongelmia ennen viikoittaisia mallijulkaisuja. Koneoppimisinsinööri, Summitline Analytics (2019 - 2022) - Koulutin scikit-learnillä kysjan ennustemalleja kolmen vuoden myyntidatalla, mikä pienensi keskimääräistä absoluuttista virhettä 9 % nykyiseen kausittaiseen vertailutasoon nähden. - Rakensin uudelleenkäytettäviä Python- ja SQL-piirreputkia viiteen asiakaskäyttöönottoon, mikä lyhensi mallin päivityksen valmistelua kahdesta päivästä noin yhteen päivään.

Koulutus

Tietojenkäsittelytieteen kandidaatti, Juniper Ridge University (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

Käytä tätä esimerkkiä

Avaa laatija tällä Koneoppimisinsinööri-esimerkillä ja korvaa sitten esimerkki omilla tiedoillasi.

Aloita tyhjällä CV:llä

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

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.

Kaikki Datatiede ja tekoäly-alan CV-esimerkit

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 tehtävää. Myös tiivis yksisivuinen ansioluettelo voi toimia, jos se on helppolukuinen ja antaa tuloksille riittävästi asiayhteyttä.

Kannattaako minun lisätä työnäytekansio- 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.