Datatiede ja tekoäly · Keski- ja ylempi taso (4+ vuotta)

Tietokonenäkö- ja NLP-insinöörin ansioluettelo

Tämä esimerkki näyttää, miten tietokonenäön ja kielimallien avulla voidaan parantaa tuotetta mitattavasti kuvan käsittelyputkista tekstin luokitteluun. Tässä tehtävässä vahva ansioluettelo kertoo selkeästi datasta, mallivalinnoista, käyttöönotosta ja arviointituloksista sekä kehitystiimeille että soveltavan tutkimuksen tiimeille.

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.

44 sanaa

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

11 taitoa

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

Muita osioita

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

Valitut projektit
Työkalut

Alex Morgan

Tietokonenäkö- ja NLP-insinööri

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

Yhteenveto

Tietokonenäkö- ja NLP-insinööri, jolla on 5 vuoden kokemus tuotantokäytössä olevien ML-ominaisuuksien rakentamisesta B2B-logistiikka-alustalle. Vahvuuksia ovat kuvien esikäsittely, Transformer-mallien hienosäätö ja mallien arviointi. Näyttöä dokumenttien poiminnan ja pakettivaurioiden tarkastusprosessien parantamisesta. Kokemusta PyTorch-palvelujen käyttöönotosta ja mallien laadun seurannasta julkaisun jälkeen.

Työkokemus

Tietokonenäkö- ja NLP-insinööri, Pineglass Parcel Technologies, Denver, CO (2023 – nykyhetki) - Rakensi PyTorch- ja OpenCV-pohjaisen vaurioiden tunnistusputken varastokuville. Putki käsitteli noin 1 200 kuvaa päivässä ja vähensi manuaalisen tarkastuksen määrää 18 %. - Hienosääti Hugging Face -token-tason luokittelumallin lähetystietojen poimintaan. Kenttäkohtainen F1-arvo nousi 0,86:sta 0,91:een erillisessä arviointiaineistossa. - Otti käyttöön versioidut päättelypalvelut Dockerilla ja Kubernetesilla. Kuvien käsittelyn mediaaniaika lyheni 1,8 sekunnista 1,2 sekuntiin kuvaa kohden. Koneoppimisinsinööri, Ridgeway Applied Language Labs, Boulder, CO (2021 – 2023) - Kehitti laskuille OCR- ja nimettyjen entiteettien tunnistuksen työnkulkuja Tesseractilla ja BERTillä. Poikkeustilanteiden selvittämiseen kuluva keskimääräinen aika lyheni 22 % kahdessa asiakastiimissä. - Arvioi YOLO-kohteentunnistusmalleja 14 000 merkityn kuvan aineistolla. Tunnisti kameraan ja valaistukseen liittyviä puutteita, joiden korjaaminen paransi saantia 7 prosenttiyksikköä.

Koulutus

Tietojenkäsittelytieteen kandidaatti — Aspen Vale Institute of Computing, Fort Collins, CO (2021)

Osaaminen

  • Tietokonenäkö
  • luonnollisen kielen käsittely
  • PyTorch
  • OpenCV
  • Hugging Face Transformers
  • kohteiden tunnistus
  • OCR
  • nimettyjen entiteettien tunnistus
  • mallien arviointi
  • Docker
  • Kubernetes

Valitut projektit

• Pakettivaurioiden tunnistus: vertaili YOLO-malliversioita ja dokumentoi saannin vauriotyypeittäin. • Lähetystietojen poiminta: loi arviointiaineiston OCR:lle ja entiteettien poiminnalle erilaisista skannauksista.

Työkalut

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

Näin kirjoitat ansioluettelon tehtävään Tietokonenäkö- ja NLP-insinööri

Aloita tuotantoon viedyistä malleista

Sijoita nykyinen tehtäväsi ja vahvin tuotantotyösi alkuun. Kerro, mitä malli käsitteli, kuinka paljon dataa oli tai millaisessa käyttöympäristössä sitä käytettiin sekä mitä julkaisun jälkeen muuttui, esimerkiksi tarkastusten määrässä, viiveessä tai poiminnan laadussa. Erota prototyypit asiakkaiden tai operatiivisen toiminnan käytössä olevista ominaisuuksista. Rekrytoijien on tärkeää nähdä, oletko tukenut malleja myös muistikirjan ulkopuolella.

Kerro, miten arvioit malleja

Mainitse arviointimenetelmä ja tehtävään sopiva mittari: tunnistuksessa tarkkuus ja saanti, poiminnassa F1 tai päättelypalvelussa viive. Kerro aineiston koko tai lähde, jos voit, ja selitä, perustuivatko tulokset erilliseen testiaineistoon vai tuotannon seurantaan. Älä väitä mallia tarkaksi kertomatta, mitä mittasit.

Kuvaa teknologiapinosi täsmällisesti

Listaa kehykset, malliperheet ja käyttöönoton työkalut, joita olet itse käyttänyt, kuten PyTorch, OpenCV, Hugging Face Transformers, Docker tai Kubernetes. Yhdistä kukin työkalu projektiin tai saavutukseen sen sijaan, että luettelisit kaikki kokeilemasi paketit. Mainitse pilvialustat tai vektoritietokannat vain, jos olet käyttänyt niitä työssäsi ja ne ovat tehtävän kannalta olennaisia.

Linkitä rajattu portfolio

Tiivis portfolio voi esitellä toistettavissa olevan tietokonenäkö- tai NLP-projektin, arviointitavan ja selityksen tehdyistä kompromisseista. Linkitä koodiin tai demoon, jonka jakamiseen sinulla on lupa, ja poista asiakastiedot, tunnistetiedot ja omistusoikeuden alaiset mallien yksityiskohdat. Pidä tutkimusjulkaisut, opetusmateriaalit ja sivuprojektit erillään tuotantotyöstä, jotta lukija näkee nopeasti vastuualueesi.

Yleisiä avainsanoja

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

Toimintaverbejä

RakensiKouluttiOtti käyttöönVähensiParansiAutomatisoiArvioi

Kysymyksiä tästä tehtävästä

Kuinka pitkä tietokonenäkö- ja NLP-insinöörin ansioluettelon kannattaa olla?

Noin viiden vuoden kokemuksella kaksi sivua on yleensä sopiva pituus, jos toisella sivulla on tehtävän kannalta olennaisia projekti- tai teknisiä tietoja. Sijoita vahvin tuotantotyösi sekä mallien arviointi- ja käyttöönottotulokset ensimmäiselle sivulle. Alkuvaiheen kurssitöitä ja tehtävään liittymättömiä töitä voi yleensä lyhentää tai jättää pois, elleivät ne osoita suoraan olennaista osaamista.

Kannattaako minun lisätä portfolio- tai GitHub-linkki?

Lisää linkki, jos se esittelee olennaista, julkista ja helposti arvioitavaa työtä, kuten toistettavissa olevan projektin, arviointimuistikirjan tai teknisen kirjoituksen. Kerro tehtävä, datan lähde, mittarit ja oma osuutesi. Älä lataa asiakkaan dataa, työnantajan koodia tai salassapitosopimuksen alaista materiaalia. Tällaisesta työstä kannattaa kertoa turvallisemmin poistamalla arkaluonteiset tiedot kuvauksesta.

Mitä sertifiointeja minun kannattaa mainita tässä tehtävässä?

Tietokonenäkö- ja NLP-insinöörin tehtävät eivät yleensä edellytä Yhdysvalloissa yleispätevää ammattilupaa tai sertifiointia. Mainitse pilvi- tai koneoppimissertifiointi vain, jos olet suorittanut sen. Kerro myöntäjä ja päivämäärä, jos niistä on hyötyä, ja sijoita sertifiointi laajan projektikokemuksen jälkeen. Älä esitä kurssin suorittamista ammatillisena sertifiointina.

Voinko siirtyä tähän tehtävään data scientistin tai ohjelmistosuunnittelijan työstä?

Kyllä. Korosta projekteja, jotka osoittavat osaamisesi näkö- tai kielimallien rakentamisessa ja arvioinnissa, todellisen datan käsittelyssä sekä päättelyn integroinnissa sovellukseen. Data science -taustalla lisää esimerkkejä käyttöönotosta ja seurannasta. Ohjelmistosuunnittelutaustalla tuo esiin mallien koulutusta, tehtävään sopivia mittareita ja aineiston käsittelyä. Merkitse henkilökohtaiset tai akateemiset projektit selkeästi ja kuvaa oma osuutesi.