Datatiede ja tekoäly · Keskitasoinen tai kokenut (yli 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.

Matti Virtanen

Tietokonenäkö- ja NLP-insinööri

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

Tiivistelmä

Tietokonenäkö- ja NLP-insinöörillä on viiden vuoden kokemus tuotantokäytössä olevien koneoppimisominaisuuksien rakentamisesta B2B-logistiikka-alustalle. Hän on parantanut dokumenttien tietojen poimintaa ja pakettivaurioiden tarkastusta kuvien esikäsittelyllä, Transformer-mallien hienosäädöllä ja mallien arvioinnilla. Hänellä on kokemusta PyTorch-palvelujen käyttöönotosta ja mallien laadun seurannasta.

Työkokemus

Tietokonenäkö- ja NLP-insinööri, Pineglass Parcel Technologies (2023 - nykyhetki) - Rakensin varastokuvien vaurioiden tunnistusputken PyTorchilla ja OpenAPI:llä. Se käsitteli noin 1 200 kuvaa päivässä ja vähensi manuaalisen tarkistuksen määrää 18 %. - Hienosäädin Hugging Face Transformers -mallia lähetystietojen poimintaan. Nostin kenttäkohtaisen F1-arvon 0,86:sta 0,91:een erillisessä arviointiaineistossa. - Otin käyttöön versioidut päättelypalvelut Dockerilla ja Kubernetesillä, mikä lyhensi kuvan käsittelyn mediaaniajan 1,8 sekunnista 1,2 sekuntiin kuvaa kohden. Koneoppimisinsinööri, Ridgeway Applied Language Labs (2021 - 2023) - Kehitin laskuille OCR- ja nimettyjen entiteettien tunnistuksen työnkulut Tesseractilla ja BERTillä. Lyhensin poikkeustapausten käsittelyaikaa 22 % kahdessa asiakastiimissä. - Arvioin YOLO-objektintunnistusmalleja 14 000 merkityn kuvan aineistolla ja tunnistin kamera- ja valaistuspuutteet. Niiden korjaaminen paransi herkkyyttä 7 prosenttiyksikköä.

Koulutus

Tietojenkäsittelytieteen kandidaatti - Aspen Vale Institute of Computing (2021)

Osaaminen

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

Valitut projektit

• Pakettivaurioiden tunnistus: vertailin YOLO-malliversioita ja dokumentoin tunnistusherkkyyden vauriotyypeittäin. • Lähetystietojen poiminta: loin OCR:n ja entiteettien poiminnan arviointiaineiston erilaisista skannauksista.

Työkalut

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

Käytä tätä esimerkkiä

Avaa laatija tällä Tietokonenäkö- ja NLP-insinööri-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

RakensiKouluttiOtti käyttöönVähensiParansiAutomatisoiArvioi

Näin kirjoitat ansioluettelon tehtävään Tietokonenäkö- ja NLP-insinööri

Aloita tuotantoon viedyistä malleista

Sijoita nykyhetki 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, Openansioluettelo, 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 työnäytekansio

Tiivis työnäytekansio 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.

Kaikki Datatiede ja tekoäly-alan CV-esimerkit

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 työnäytekansio- 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 datatieteen tai ohjelmistokehityksen taustalta?

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