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

קורות חיים למהנדס 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.

נועה כהן

מהנדס ראייה ממוחשבת ועיבוד שפה טבעית

  • noa.cohen@example.com
  • +972 3 123 4567
  • תל אביב

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

מהנדס ראייה ממוחשבת ועיבוד שפה טבעית ב־Pineglass Parcel Technologies (2023 - הווה) - בניית צינור זיהוי נזקים ב־PyTorch וב־OpenCV עבור תמונות מחסן, המנתב כ־1,200 תמונות ביום ומפחית את נפח הבדיקה הידנית ב־18%. - כוונון עדין של מודל סיווג טוקנים של Hugging Face לחילוץ מסמכי משלוח, מה שהעלה את מדד ה־F1 ברמת השדה מ־0.86 ל־0.91 על מערך הערכה שחודש בצד. - פריסת שירותי הסקה (inference) מנוהלי גרסאות באמצעות Docker ו־Kubernetes, מה שהפחית את זמן עיבוד התמונה החציוני מ־1.8 שניות ל־1.2 שניות לתמונה. מהנדס למידת מכונה ב־Ridgeway Applied Language Labs (2021 - 2023) - פיתוח תהליכי עבודה של OCR וזיהוי ישויות מנוסחות (NER) עבור חשבוניות באמצעות Tesseract ו־BERT, תוך קיצור זמן מיון החריגים הממוצע ב־22% בקרב שני צוותי לקוחות. - הערכת מודלי זיהוי אובייקטים מסוג YOLO על מערך נתונים מתויג בגודל של 14,000 תמונות, זיהוי פערים במצלמות ובתאורה ששיפרו את ה־recall ב־7 אחוזים.

השכלה

תואר ראשון (B.S.) במדעי המחשב - Aspen Vale Institute of Computing (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

השתמשו בדוגמה זו

פתחו את בונה קורות החיים עם קורות חיים אלו לתפקיד מהנדס ראייה ממוחשבת ועיבוד שפה טבעית, ולאחר מכן החליפו את הדוגמה בפרטים שלכם.

מילות מפתח נפוצות

מיומנויות וכלים שמופיעים לעיתים קרובות בתפקיד הזה. השתמשו רק במה שאתם יודעים לעשות, ובניסוח שמופיע במודעת הדרושים. לחצו על מילה כדי להעתיק אותה.

פעלים לתיאור עשייה

בנהאימןפרסהפחיתשיפרביצע אוטומציההעריך

איך לכתוב קורות חיים לתפקיד מהנדס 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.

כל הדוגמאות לקורות חיים בתחום מדעי הנתונים ובינה מלאכותית

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.