מדעי הנתונים ובינה מלאכותית · בינוני–בכיר (4+ שנות ניסיון)

קורות חיים בתחום הנדסת ראייה ממוחשבת ועיבוד שפה טבעית

הדוגמה הזו מראה כיצד לחבר בין ראייה ממוחשבת למודלי שפה כדי להשיג שיפורים מדידים במוצר, מצינורות עיבוד תמונה ועד לסיווג טקסט. קורות חיים חזקים לתפקיד הזה מבהירים לצוותי הנדסה ומחקר יישומי כאחד מהם הנתונים, בחירות המודלים, עבודת הפריסה ותוצאות ההערכה.

בדיקת קורות חיים

מה מגייסים ומערכות מעקב מחפשים. מדריך, לא תחזית.

100 / 100מלא

100%
  • פרטי קשר20 מתוך 20
  • תקציר20 מתוך 20
  • ניסיון30 מתוך 30
  • מיומנויות20 מתוך 20
  • השכלה10 מתוך 10

פרטי קשר

כדאי למקם את הפרטים האלה בראש העמוד; מגייסים ומערכות מעקב מחפשים אותם קודם.

לא חובה. קורות חיים בארה״ב, בבריטניה ובקנדה בדרך כלל אינם כוללים תמונה.

57 מילים

משרה אחת בכל פסקה; כל הישג יתחיל בשורה חדשה עם “-”.

11 מיומנויות

יש להפריד בין מיומנויות באמצעות פסיקים, למשל: Excel, SQL, תכנון פרויקטים.

חלקים נוספים

פרויקטים, הסמכות, שפות או כל דבר נוסף שתומך במועמדות.

פרויקטים נבחרים
כלים

אלכס מורגן

הנדסת ראייה ממוחשבת ועיבוד שפה טבעית

  • אלכס.מורגן@אקזמפל.קום
  • +1 555 0100
  • דנוור, CO

תקציר

איש מקצוע בתחום הנדסת ראייה ממוחשבת ועיבוד שפה טבעית, עם 5 שנות ניסיון בבניית יכולות למידת מכונה בסביבת ייצור לפלטפורמת לוגיסטיקה B2B. נקודות החוזק כוללות עיבוד מקדים של תמונות, כוונון עדין של מודלי Transformer והערכת מודלים, עם ניסיון מוכח בשיפור חילוץ מידע ממסמכים ותהליכי בדיקת נזק לחבילות. בעל ניסיון בפריסת שירותי PyTorch ובניטור איכות המודלים לאחר השקה.

ניסיון

בתחום הנדסת ראייה ממוחשבת ועיבוד שפה טבעית ב-Pineglass Parcel Technologies, דנוור, קולורדו (2023 – היום) - נבנה צינור לזיהוי נזקים בתמונות מחסנים באמצעות PyTorch ו-OpenCV, שטיפל בכ-1,200 תמונות ביום והפחית את היקף הבדיקות הידניות ב-18%. - בוצע כוונון עדין למודל סיווג טוקנים של Hugging Face לצורך חילוץ מידע ממסמכי משלוח, וה-F1 ברמת השדות עלה מ-0.86 ל-0.91 בקבוצת הערכה שהוחזקה בצד. - נפרסו שירותי הסקה עם ניהול גרסאות באמצעות Docker ו-Kubernetes, והזמן החציוני לעיבוד תמונה ירד מ-1.8 שניות ל-1.2 שניות לתמונה. מהנדס למידת מכונה ב-Ridgeway Applied Language Labs, בולדר, קולורדו (2021 – 2023) - פותחו תהליכי OCR וזיהוי ישויות בשם לחשבוניות באמצעות Tesseract ו-BERT, וזמן הטיפול הממוצע בחריגים התקצר ב-22% בשני צוותי לקוחות. - הוערכו מודלים לזיהוי אובייקטים של YOLO על מערך נתונים מתויג של 14,000 תמונות, וזוהו פערים במצלמות ובתאורה שהובילו לשיפור של 7 נקודות אחוז ב-recall.

השכלה

תואר ראשון במדעי המחשב — Aspen Vale Institute of Computing, פורט קולינס, קולורדו (2021)

מיומנויות

  • ראייה ממוחשבת
  • עיבוד שפה טבעית
  • PyTorch
  • OpenCV
  • Hugging Face Transformers
  • זיהוי אובייקטים
  • OCR
  • זיהוי ישויות בשם
  • הערכת מודלים
  • Docker
  • Kubernetes

פרויקטים נבחרים

• זיהוי נזק לחבילות: הושוו גרסאות של מודל YOLO ותועד ה-recall לפי סוג נזק. • חילוץ מידע ממסמכי משלוח: נוצרה קבוצת הערכה ל-OCR ולחילוץ ישויות בסריקות מגוונות.

כלים

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

איך לכתוב קורות חיים לתפקיד הנדסת ראייה ממוחשבת ועיבוד שפה טבעית

להוביל עם מודלים שהושקו

יש למקם את התפקיד הנוכחי ואת עבודת הייצור החזקה ביותר בחלק העליון. כדאי לציין במה המודל טיפל, מה היה היקף הנתונים או תנאי ההפעלה, ומה השתנה לאחר ההשקה, למשל היקף הבדיקות, זמן ההשהיה או איכות החילוץ. יש להבחין בין אבטיפוסים לבין יכולות שבהן משתמשים לקוחות או צוותי תפעול; צוותי גיוס צריכים להבין אם יש ניסיון בתמיכה במודלים מעבר למחברת ניסויים.

להציג כיצד הוערכו המודלים

יש לציין את שיטת ההערכה ואת המדד שמתאים למשימה: precision ו-recall לזיהוי, F1 לחילוץ או זמן השהיה לשירות הסקה. כשאפשר, יש לציין את גודל מערך הנתונים או את מקורו, ולהסביר אם התוצאות התקבלו בקבוצה שהוחזקה בצד או מניטור בסביבת ייצור. יש להימנע מטענות לא מבוססות על דיוק המודל בלי לציין מה נמדד.

לפרט את סביבת העבודה

יש לציין את המסגרות, משפחות המודלים וכלי הפריסה שבהם נעשה שימוש מעשי, כגון PyTorch, OpenCV, Hugging Face Transformers, Docker או Kubernetes. כדאי לקשר כל כלי לפרויקט או להישג במקום למנות כל חבילה שנוסתה. יש לציין פלטפורמות ענן או מסדי נתונים וקטוריים רק אם היו חלק מהעבודה בפועל ורלוונטיים למשרה.

לקשר לתיק עבודות ממוקד

תיק עבודות תמציתי יכול להציג פרויקט ראייה ממוחשבת או עיבוד שפה טבעית שניתן לשחזר, גישת הערכה והסבר ברור על הפשרות. יש לקשר לקוד או להדגמה שמותר לשתף, ולהסיר נתוני לקוחות, פרטי גישה ופרטים קנייניים של מודלים. יש להפריד בין מאמרים אקדמיים, מדריכים ופרויקטים אישיים לבין עבודה בסביבת ייצור, כדי שיהיה ברור מה היה היקף האחריות.

מילות מפתח נפוצות

מיומנויות וכלים שמופיעים לעיתים קרובות בתפקיד הזה. יש להשתמש רק במה שיש לך, ובניסוח של מודעת הדרושים. לחיצה על מילה תעתיק אותה.

פעלים לתיאור עשייה

בנהאימןפרסהפחיתשיפרביצע אוטומציההעריך

שאלות על התפקיד הזה

מה האורך הרצוי לקורות חיים בתחום הנדסת ראייה ממוחשבת ועיבוד שפה טבעית?

למי שיש כ-5 שנות ניסיון, שני עמודים הם בדרך כלל אורך סביר אם בעמוד השני מופיעים פרויקטים או פרטים טכניים רלוונטיים. יש למקם בעמוד הראשון את העבודה החזקה ביותר בסביבת ייצור, את הערכת המודלים ואת תוצאות הפריסה. בדרך כלל אפשר לקצר או להסיר קורסים מתחילת הדרך ומשרות לא קשורות, אלא אם הם מציגים כישורים רלוונטיים ישירות.

האם כדאי לכלול קישור לתיק עבודות או ל-GitHub?

כדאי לכלול קישור אם הוא מציג עבודה רלוונטית שזמינה לציבור וקלה לבדיקה, כגון פרויקט שניתן לשחזר, מחברת הערכה או מסמך טכני. יש להסביר מה הייתה המשימה, מה מקור הנתונים, אילו מדדים שימשו ומה הייתה התרומה האישית. אין להעלות נתוני לקוחות, קוד של מעסיק או חומרים המכוסים בהסכמי סודיות; תיאור שעבר הסרת פרטים מזהים בטוח יותר במקרים כאלה.

אילו הסמכות כדאי לציין לתפקיד הזה?

תפקידים בתחום הנדסת ראייה ממוחשבת ועיבוד שפה טבעית בדרך כלל אינם מחייבים רישיון מקצועי או הסמכה אחידה בארצות הברית. כדאי לציין הסמכה רלוונטית בענן או בלמידת מכונה רק אם היא הושגה, ולציין את הגוף המנפיק ואת התאריך כשזה מועיל. יש למקם אותה אחרי ניסיון משמעותי בפרויקטים. אין להציג השלמת קורס כהסמכה מקצועית.

האם אפשר לעבור לתפקיד הזה ממדעי הנתונים או מהנדסת תוכנה?

כן. כדאי להדגיש פרויקטים שמראים יכולת לבנות ולהעריך מודלים של ראייה ממוחשבת או שפה, לעבוד עם נתונים אמיתיים ולשלב הסקה באפליקציה. עם רקע במדעי הנתונים, יש להוסיף דוגמאות לפריסה ולניטור; עם רקע בהנדסת תוכנה, כדאי להציג אימון מודלים, מדדים שמתאימים למשימה וטיפול במערכי נתונים. יש לסמן בבירור פרויקטים אישיים או אקדמיים ולתאר את התרומה האישית.