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।

राहुल शर्मा

मशीन लर्निंग इंजीनियर

  • rahul.sharma@example.com
  • +91 9876 123456
  • नई दिल्ली

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

मशीन लर्निंग इंजीनियर II, Cedarpath Commerce (2022 - वर्तमान) - सत्र और कैटलॉग सुविधाओं का उपयोग करके एक PyTorch रैंकिंग मॉडल बनाया, जिससे 1.2 मिलियन सत्रों में एक नियंत्रित परीक्षण के दौरान ऐड-टू-कार्ट दर में 6% की वृद्धि हुई। - Kubernetes पर सिफ़ारिश सेवाओं (recommendation services) को तैनात किया और MLflow ट्रैकिंग के साथ बैच स्कोरिंग जोड़ी, जिससे p95 प्रतिक्रिया समय 180 ms से घटकर 125 ms हो गया। - 14 प्रोडक्शन सुविधाओं के लिए सुविधा सत्यापन और ड्रिफ्ट अलर्ट को स्वचालित किया, जिससे टीम को साप्ताहिक मॉडल रिलीज़ से पहले डेटा समस्याओं की जांच करने में मदद मिली। मशीन लर्निंग इंजीनियर, Summitline Analytics (2019 - 2022) - तीन साल के बिक्री डेटा पर scikit-learn डिमांड फ़ोरकास्टिंग मॉडल को प्रशिक्षित किया, जिससे मौजूदा मौसमी बेसलाइन के मुकाबले माध्य निरपेक्ष त्रुटि (mean absolute error) में 9% की कमी आई। - पांच क्लाइंट डिप्लॉयमेंट के लिए पुन: प्रयोज्य Python और SQL फ़ीचर पाइपलाइन बनाईं, जिससे मॉडल रीफ़्रेश की तैयारी का समय दो दिन से घटकर लगभग एक दिन रह गया।

शिक्षा

बैचलर ऑफ़ साइंस इन कंप्यूटर साइंस - Juniper Ridge University (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

इस उदाहरण का उपयोग करें

इस मशीन लर्निंग इंजीनियर रिज्यूमे के साथ बिल्डर खोलें, फिर उदाहरण को अपने विवरण से बदलें।

खाली रिज्यूमे से शुरू करें

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

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।

सभी डेटा साइंस और AI रिज़्यूमे के उदाहरण

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।