Science des données et IA · Intermédiaire à confirmé (4 ans et plus)

CV d’ingénieur en vision par ordinateur et TAL

Cet exemple montre comment relier la vision par ordinateur et les modèles de langage à des améliorations mesurables du produit, des pipelines d’images à la classification de textes. Un CV convaincant pour ce poste présente clairement les données, les choix de modèles, le travail de déploiement et les résultats d’évaluation aux équipes d’ingénierie comme de recherche appliquée.

Vérification du CV

Les éléments recherchés par les recruteurs et les systèmes de suivi. Un guide, pas une prédiction.

100 / 100Complet

100%
  • Coordonnées20 / 20
  • Résumé20 / 20
  • Expérience30 / 30
  • Compétences20 / 20
  • Formation10 / 10

Coordonnées

Placez-les en haut de votre CV ; les recruteurs et les systèmes de suivi les recherchent en premier.

Facultatif. Aux États-Unis, au Royaume-Uni et au Canada, les CV ne comportent généralement pas de photo.

74 mots

Un poste par paragraphe ; commencez chaque réalisation sur une nouvelle ligne par « - ».

11 compétences

Séparez les compétences par des virgules, par exemple : Excel, SQL, planification de projets.

Autres sections

Projets, certifications, langues ou tout autre élément utile à votre candidature.

Projets sélectionnés
Outils

Alex Morgan

Ingénieur en vision par ordinateur et TAL

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

Résumé

Ingénieur en vision par ordinateur et TAL avec 5 ans d’expérience dans la création de fonctionnalités de ML en production pour une plateforme logistique B2B. Ses points forts comprennent le prétraitement d’images, l’ajustement fin de transformers et l’évaluation de modèles. Il a notamment amélioré l’extraction de documents et les processus d’examen des colis endommagés. Expérimenté dans le déploiement de services PyTorch et le suivi de la qualité des modèles après leur mise en production.

Expérience

Ingénieur en vision par ordinateur et TAL chez Pineglass Parcel Technologies, Denver, CO (2023 – aujourd’hui) - Créé un pipeline de détection des dommages avec PyTorch et OpenCV pour des photos d’entrepôt ; il traite environ 1 200 images par jour et a réduit de 18 % le volume d’examens manuels. - Ajusté un modèle de classification de tokens de Hugging Face pour extraire des données de documents d’expédition ; le score F1 au niveau des champs est passé de 0,86 à 0,91 sur un jeu d’évaluation réservé. - Déployé des services d’inférence versionnés avec Docker et Kubernetes, réduisant le temps médian de traitement d’une image de 1,8 à 1,2 seconde. Ingénieur en apprentissage automatique chez Ridgeway Applied Language Labs, Boulder, CO (2021 – 2023) - Développé des processus d’OCR et de reconnaissance d’entités nommées pour des factures avec Tesseract et BERT, réduisant de 22 % le temps moyen de traitement des exceptions dans deux équipes client. - Évalué des modèles de détection d’objets YOLO sur un jeu de données étiqueté de 14 000 images ; repéré des lacunes liées aux caméras et à l’éclairage, ce qui a amélioré le rappel de 7 points de pourcentage.

Formation

Licence en informatique — Aspen Vale Institute of Computing, Fort Collins, CO (2021)

Compétences

  • Vision par ordinateur
  • traitement automatique du langage naturel
  • PyTorch
  • OpenCV
  • Hugging Face Transformers
  • détection d’objets
  • OCR
  • reconnaissance d’entités nommées
  • évaluation de modèles
  • Docker
  • Kubernetes

Projets sélectionnés

• Détection des colis endommagés : comparaison de variantes de modèles YOLO et documentation du rappel par type de dommage. • Extraction de données de documents d’expédition : création d’un jeu d’évaluation pour l’OCR et l’extraction d’entités sur des numérisations variées.

Outils

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

Comment rédiger un CV de Ingénieur en vision par ordinateur et TAL

Mettez en avant les modèles mis en production

Placez votre poste actuel et vos réalisations les plus solides en production près du début du CV. Précisez ce que le modèle traitait, le volume de données ou le contexte d’utilisation, ainsi que les changements observés après son déploiement, par exemple le volume d’examens, la latence ou la qualité d’extraction. Distinguez les prototypes des fonctionnalités utilisées par les clients ou les équipes opérationnelles : les recruteurs doivent pouvoir voir si vous avez accompagné les modèles au-delà d’un notebook.

Montrez comment vous avez évalué les modèles

Indiquez la méthode d’évaluation et la mesure adaptée à la tâche : précision et rappel pour la détection, F1 pour l’extraction ou latence pour un service d’inférence. Précisez la taille ou la source du jeu de données si vous le pouvez, et indiquez si les résultats proviennent d’un jeu réservé ou du suivi en production. Évitez d’affirmer sans preuve qu’un modèle est précis sans préciser ce que vous avez mesuré.

Précisez les technologies que vous maîtrisez

Indiquez les frameworks, les familles de modèles et les outils de déploiement que vous avez utilisés concrètement, comme PyTorch, OpenCV, Hugging Face Transformers, Docker ou Kubernetes. Associez chaque outil à un projet ou à une réalisation au lieu de lister tous les packages que vous avez essayés. Mentionnez les plateformes cloud ou les bases de données vectorielles uniquement si elles faisaient partie de votre travail et sont pertinentes pour l’offre.

Ajoutez un lien vers un portfolio ciblé

Un portfolio concis peut présenter un projet reproductible en vision ou en TAL, une approche d’évaluation et une explication claire des compromis. Ajoutez un lien vers du code ou une démo que vous êtes autorisé à partager, et supprimez les données client, les identifiants et les détails propriétaires des modèles. Distinguez les articles universitaires, les tutoriels et les projets personnels du travail en production afin que les lecteurs comprennent rapidement votre niveau de responsabilité.

Mots-clés courants

Compétences et outils souvent mentionnés pour ce poste. Utilisez uniquement ceux que vous maîtrisez, en reprenant les termes de l’offre d’emploi. Cliquez sur un mot-clé pour le copier.

Verbes d’action

CrééEntraînéDéployéRéduitAmélioréAutomatiséÉvalué

Questions sur ce métier

Quelle doit être la longueur d’un CV d’ingénieur en vision par ordinateur et TAL ?

Avec environ cinq ans d’expérience, deux pages sont généralement raisonnables si la deuxième contient des détails pertinents sur vos projets ou vos compétences techniques. Gardez en première page vos réalisations les plus solides en production, en évaluation de modèles et en déploiement. Vous pouvez généralement raccourcir ou retirer les premiers cours suivis et les emplois sans rapport avec le poste, sauf s’ils témoignent de compétences directement pertinentes.

Dois-je ajouter un lien vers un portfolio ou GitHub ?

Ajoutez-en un s’il présente des travaux pertinents, publics et faciles à examiner, comme un projet reproductible, un notebook d’évaluation ou un compte rendu technique. Expliquez la tâche, la source des données, les mesures utilisées et votre contribution. Ne publiez pas de données client, de code appartenant à votre employeur ni de contenu couvert par des accords de confidentialité ; pour ces travaux, une description expurgée est plus sûre.

Quelles certifications dois-je mentionner pour ce poste ?

Aux États-Unis, les postes d’ingénieur en vision par ordinateur et TAL n’exigent généralement pas de licence professionnelle ni de certification universelle. Mentionnez une certification pertinente en cloud ou en apprentissage automatique uniquement si vous l’avez obtenue ; indiquez l’organisme émetteur et la date si cela est utile, et placez-la après vos projets substantiels. Ne présentez pas la réussite d’une formation comme une certification professionnelle.

Puis-je accéder à ce poste depuis la science des données ou le génie logiciel ?

Oui. Mettez en avant les projets qui montrent votre capacité à créer et à évaluer des modèles de vision ou de langage, à traiter des données réelles et à intégrer l’inférence dans une application. Si vous venez de la science des données, ajoutez des exemples de déploiement et de suivi ; si vous venez du génie logiciel, montrez l’entraînement de modèles, l’utilisation de mesures adaptées aux tâches et le traitement de jeux de données. Identifiez clairement les projets personnels ou universitaires et décrivez votre contribution individuelle.