डेटा साइंस और AI · वरिष्ठ (6+ वर्ष)

मशीन लर्निंग इंजीनियर का रिज़्यूमे

यह नमूना दिखाता है कि एक इंजीनियर प्रयोगों से लेकर निगरानी वाले प्रोडक्शन रिलीज़ तक रैंकिंग और पूर्वानुमान मॉडल कैसे बेहतर बनाता है। एक प्रभावी रिज़्यूमे में मॉडल के चुनाव, डेटा और डिप्लॉयमेंट के काम को लेटेंसी, प्रासंगिकता, लागत या व्यावसायिक कार्यप्रवाह में हुए मापने योग्य बदलावों से जोड़ें। साथ ही, इस्तेमाल किए गए टूल और काम का पैमाना स्पष्ट करें।

रिज़्यूमे की जाँच

भर्ती करने वाले और tracking systems क्या देखते हैं। यह एक मार्गदर्शिका है, भविष्यवाणी नहीं।

100 / 100पूरा

100%

संपर्क20 / 20 अंक
सारांश20 / 20 अंक
अनुभव30 / 30 अंक
कौशल20 / 20 अंक
शिक्षा10 / 10 अंक

संपर्क विवरण

इन्हें सबसे ऊपर रखें; भर्ती करने वाले और tracking systems सबसे पहले इन्हें ढूँढ़ते हैं।

पूरा नाम

नौकरी का शीर्षक

ईमेल

फ़ोन

स्थान

वेबसाइट या LinkedIn

फ़ोटो जोड़ें

वैकल्पिक। US, UK और Canada में रिज़्यूमे पर आम तौर पर फ़ोटो नहीं होती।

सारांश54 शब्द

अनुभव

हर नौकरी के लिए एक पैराग्राफ रखें; हर उपलब्धि नई लाइन में “-” से शुरू करें।

शिक्षा

कौशल10 कौशल

कौशलों को कॉमा से अलग करें, जैसे: Excel, SQL, प्रोजेक्ट योजना।

और सेक्शन

प्रोजेक्ट, प्रमाणपत्र, भाषाएँ या कोई और जानकारी जो आपके आवेदन को मज़बूत करे।

सारांश

B2B कॉमर्स उत्पादों के लिए रैंकिंग और पूर्वानुमान सिस्टम बनाने का 7 साल का अनुभव रखने वाले मशीन लर्निंग इंजीनियर। Python और PyTorch से मॉडल डेवलपमेंट, फ़ीचर पाइपलाइन डिज़ाइन और Kubernetes डिप्लॉयमेंट में कुशल। सावधानीपूर्वक ऑफ़लाइन और ऑनलाइन मूल्यांकन का अनुभव; ऐसी सर्विस डिप्लॉय कीं जो रोज़ाना 2 मिलियन रिकमेंडेशन अनुरोध प्रोसेस करती हैं।

अनुभव

Cedarpath Commerce में मशीन लर्निंग इंजीनियर II, Denver, CO (2022 – वर्तमान) - सेशन और कैटलॉग फ़ीचर का उपयोग करके PyTorch रैंकिंग मॉडल बनाया; 1.2 मिलियन सेशन पर किए गए नियंत्रित परीक्षण में कार्ट में जोड़ने की दर 6% बढ़ी। - Kubernetes पर रिकमेंडेशन सर्विस डिप्लॉय कीं और MLflow ट्रैकिंग के साथ बैच स्कोरिंग जोड़ी; p95 रिस्पॉन्स समय 180 ms से घटकर 125 ms हुआ। - प्रोडक्शन के 14 फ़ीचर के लिए वैलिडेशन और डेटा ड्रिफ़्ट अलर्ट स्वचालित किए, जिससे टीम को साप्ताहिक मॉडल रिलीज़ से पहले डेटा समस्याओं की जाँच करने में मदद मिली। Summitline Analytics में मशीन लर्निंग इंजीनियर, Boulder, CO (2019 – 2022) - तीन साल के बिक्री डेटा पर scikit-learn के डिमांड फ़ोरकास्टिंग मॉडल प्रशिक्षित किए; मौजूदा मौसमी बेसलाइन की तुलना में औसत निरपेक्ष त्रुटि 9% कम हुई। - पाँच क्लाइंट डिप्लॉयमेंट के लिए दोबारा इस्तेमाल की जा सकने वाली Python और SQL फ़ीचर पाइपलाइन बनाई; मॉडल रिफ़्रेश की तैयारी का समय दो दिन से घटकर लगभग एक दिन हुआ।

शिक्षा

कंप्यूटर साइंस में विज्ञान स्नातक — Juniper Ridge University, Grand Junction, CO (2018)

कौशल

Python
SQL
PyTorch
scikit-learn
फ़ीचर इंजीनियरिंग
मॉडल मूल्यांकन
Kubernetes
MLflow
Docker
A/B टेस्टिंग

टूल

• Python, SQL, PyTorch, scikit-learn • MLflow, Docker, Kubernetes • Apache Spark, Airflow

चुनिंदा प्रोजेक्ट

• सेंटेंस एम्बेडिंग और PyTorch का उपयोग करके प्रोडक्ट सर्च के लिए रिट्रीवल और री-रैंकिंग प्रोटोटाइप बनाया • लेबल किए गए 8,000 क्वेरी के सेट पर प्रासंगिकता और लेटेंसी की तुलना की • मूल्यांकन के नतीजे और डिप्लॉयमेंट के फ़ायदों-नुकसानों का दस्तावेज़ बनाया

मशीन लर्निंग इंजीनियर रिज़्यूमे कैसे लिखें

मेट्रिक से आगे जाकर मॉडल का असर दिखाएँ

पहले उत्पाद या संचालन से जुड़े नतीजे बताएँ, फिर मॉडल और मूल्यांकन का तरीका लिखें। उदाहरण के लिए, रैंकिंग में बदलाव को कन्वर्ज़न या सर्च की प्रासंगिकता से जोड़ें और बताएँ कि नतीजा ऑनलाइन परीक्षण से आया या ऑफ़लाइन बेंचमार्क से। जहाँ उपयोगी हो, बेसलाइन, पैमाना और समयावधि भी दें; संदर्भ के बिना मेट्रिक समझना मुश्किल होता है।

प्रोडक्शन की ज़िम्मेदारी स्पष्ट करें

बताएँ कि प्रशिक्षण के बाद आपने किन कामों की ज़िम्मेदारी संभाली: फ़ीचर पाइपलाइन, सर्विंग, मॉनिटरिंग, दोबारा प्रशिक्षण, रोलबैक या ऑन-कॉल जाँच। डिप्लॉयमेंट का माहौल बताएँ और p95 लेटेंसी, रिफ़्रेश समय, क्लाउड खर्च या अनुरोधों की संख्या जैसा ठोस माप दें। अगर मॉडल केवल नोटबुक या सीमित पायलट में चला था, तो उसे प्रोडक्शन के लिए तैयार न बताएँ।

टूल के नाम के साथ उपयोगी संदर्भ दें

वे भाषाएँ, फ़्रेमवर्क, क्लाउड सर्विस और डिप्लॉयमेंट टूल सूचीबद्ध करें जिनके बारे में आप इंटरव्यू में बात कर सकते हैं, फिर अनुभव के बुलेट में बताएँ कि उनका इस्तेमाल कहाँ किया। नौकरी के विज्ञापन के शब्दों से मेल रखें, बशर्ते वे आपके काम का सही वर्णन करें। लाइब्रेरी की लंबी सूची और हर आज़माए गए मॉडल आर्किटेक्चर का उद्देश्य बताए बिना उल्लेख न करें।

अनुभव के प्रमाण में कमी हो तो प्रोजेक्ट जोड़ें

अगर आपकी नौकरी के अनुभव में मॉडल डिप्लॉयमेंट का काम कम है, तो एक या दो संबंधित प्रोजेक्ट जोड़ें। उनके साथ रिपॉज़िटरी या डेमो लिंक, डेटा स्रोत, मूल्यांकन का तरीका और आपने क्या बनाया—यह बताएँ। डेटा की सीमाएँ स्पष्ट करें और गोपनीय कोड, ग्राहक जानकारी या ऐसे दावे साझा न करें जिन्हें दोहराकर सत्यापित नहीं किया जा सकता। प्रोजेक्ट से नया प्रमाण मिलना चाहिए, कौशल सूची दोहरानी नहीं चाहिए।

आम कीवर्ड

इस भूमिका के लिए अक्सर बताए जाने वाले कौशल और टूल। सिर्फ़ वही इस्तेमाल करें जो आपके पास हैं और नौकरी के विज्ञापन में दिए गए शब्दों में लिखें। कॉपी करने के लिए किसी कीवर्ड पर क्लिक करें।

काम बताने वाली क्रियाएँ

बनायाडिप्लॉय कियाकम कियासुधारास्वचालित कियामूल्यांकन कियाऑप्टिमाइज़ किया

इस भूमिका से जुड़े सवाल

मशीन लर्निंग इंजीनियर का रिज़्यूमे कितना लंबा होना चाहिए?

अगर आपके पास कई साल का संबंधित अनुभव है, तो दो पन्ने ठीक हैं, बशर्ते हर प्रविष्टि मॉडल, डेटा सिस्टम या प्रोडक्शन की ज़िम्मेदारी के बारे में उपयोगी प्रमाण दे। सबसे संबंधित काम पहले पन्ने पर रखें और पुरानी ऐसी जानकारी कम करें जो भूमिका के लिए उपयोगी न हो। अगर नतीजों का पर्याप्त संदर्भ देते हुए पढ़ने में आसान रहे, तो एक पन्ने का केंद्रित रिज़्यूमे भी प्रभावी हो सकता है।

क्या आपको पोर्टफ़ोलियो या GitHub लिंक शामिल करना चाहिए?

अगर पोर्टफ़ोलियो या लिंक आपके आवेदन को मज़बूत करने वाला काम दिखाता है, जैसे दोहराकर चलाया जा सकने वाला प्रोजेक्ट, तकनीकी लेख या सार्वजनिक योगदान, तो उसे शामिल करें। लिंक संपर्क जानकारी के पास या प्रोजेक्ट सेक्शन में रखें। सुनिश्चित करें कि रिपॉज़िटरी में स्पष्ट README हो और उसमें कोई सीक्रेट या प्रतिबंधित डेटा न हो। रिज़्यूमे में अपने योगदान की व्याख्या करने के बजाय सिर्फ़ लिंक पर निर्भर न रहें।

मशीन लर्निंग इंजीनियर को कौन-से प्रमाणपत्र सूचीबद्ध करने चाहिए?

अमेरिका में मशीन लर्निंग इंजीनियरों के लिए कोई सामान्य लाइसेंस या अनिवार्य प्रमाणपत्र नहीं है। ऐसा प्रमाणपत्र सूचीबद्ध करें जो नौकरी के लिए प्रासंगिक हो, मौजूदा हो और किसी मान्यता प्राप्त प्रदाता ने जारी किया हो, जैसे क्लाउड प्लेटफ़ॉर्म की योग्यता। उसका सटीक नाम और जारीकर्ता लिखें; समाप्त हो चुके प्रमाणपत्र या ऐसे छोटे कोर्स प्रमाणपत्र छोड़ दें जो आपके दिखाए गए कौशल से आगे बहुत कुछ नहीं जोड़ते।

क्या आप डेटा साइंस से मशीन लर्निंग इंजीनियरिंग में जा सकते हैं?

हाँ। मॉडल डेवलपमेंट के साथ इंजीनियरिंग के काम के प्रमाण भी दिखाएँ: भरोसेमंद डेटा पाइपलाइन, जाँचा हुआ कोड, API या बैच जॉब, डिप्लॉयमेंट, मॉनिटरिंग और प्रोडक्ट या इन्फ़्रास्ट्रक्चर टीमों के साथ सहयोग। अपनी भूमिका सटीक रूप से बताएँ और टूल तथा नतीजे दिखाएँ। अगर ऐसा अनुभव कम है, तो एक केंद्रित प्रोजेक्ट जोड़ें जो डेटा तैयार करने से लेकर मूल्यांकन और डिप्लॉयमेंट तक की पूरी प्रक्रिया दिखाए।