डेटा साइंस और AI · मिड-सीनियर (4+ वर्ष)

कंप्यूटर विज़न और NLP इंजीनियर का रिज़्यूमे

यह नमूना दिखाता है कि इमेज पाइपलाइन से लेकर टेक्स्ट वर्गीकरण तक, कंप्यूटर विज़न और भाषा मॉडल को उत्पाद में मापने योग्य सुधारों से कैसे जोड़ा जा सकता है। इस भूमिका के लिए एक अच्छा रिज़्यूमे डेटा, मॉडल के चुनाव, डिप्लॉयमेंट के काम और मूल्यांकन के नतीजों को इंजीनियरिंग और एप्लाइड रिसर्च टीमों के लिए स्पष्ट करता है।

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।

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

64 शब्द

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

11 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।

चुने हुए प्रोजेक्ट
टूल

एलेक्स मॉर्गन

कंप्यूटर विज़न और NLP इंजीनियर

  • एलेक्स.मॉर्गन@एक्ज़ैम्पल.कॉम
  • +1 555 0100
  • Denver, CO

सारांश

B2B लॉजिस्टिक्स प्लेटफ़ॉर्म के लिए प्रोडक्शन ML सुविधाएँ बनाने का 5 साल का अनुभव रखने वाले कंप्यूटर विज़न और NLP इंजीनियर। इमेज प्रीप्रोसेसिंग, ट्रांसफ़ॉर्मर फ़ाइन-ट्यूनिंग और मॉडल मूल्यांकन में दक्षता, और दस्तावेज़ों से जानकारी निकालने तथा पैकेज के नुकसान की समीक्षा के वर्कफ़्लो बेहतर करने का अनुभव। PyTorch सेवाएँ डिप्लॉय करने और रिलीज़ के बाद मॉडल की गुणवत्ता पर नज़र रखने का अनुभव।

अनुभव

Pineglass Parcel Technologies में कंप्यूटर विज़न और NLP इंजीनियर, Denver, CO (2023 – वर्तमान) - वेयरहाउस की तस्वीरों के लिए PyTorch और OpenCV से नुकसान का पता लगाने वाली पाइपलाइन बनाई। इससे रोज़ लगभग 1,200 तस्वीरें प्रोसेस हुईं और मैन्युअल समीक्षा का काम 18% कम हुआ। - शिपिंग दस्तावेज़ों से जानकारी निकालने के लिए Hugging Face का token-classification मॉडल फ़ाइन-ट्यून किया। अलग रखे गए मूल्यांकन सेट पर फ़ील्ड-स्तर का F1 0.86 से बढ़कर 0.91 हुआ। - Docker और Kubernetes के साथ वर्ज़न वाले inference services डिप्लॉय किए। इससे प्रति इमेज प्रोसेसिंग का औसत समय 1.8 सेकंड से घटकर 1.2 सेकंड हुआ। Ridgeway Applied Language Labs में मशीन लर्निंग इंजीनियर, Boulder, CO (2021 – 2023) - Tesseract और BERT का उपयोग करके इनवॉइस के लिए OCR और नेम्ड एंटिटी रिकग्निशन वर्कफ़्लो विकसित किए। दो ग्राहक टीमों में अपवादों की जाँच का औसत समय 22% कम हुआ। - 14,000 लेबल वाली तस्वीरों के डेटासेट पर YOLO ऑब्जेक्ट डिटेक्शन मॉडल का मूल्यांकन किया। कैमरा और रोशनी से जुड़ी कमियाँ पहचानकर रिकॉल में 7 प्रतिशत अंक की बढ़ोतरी की।

शिक्षा

कंप्यूटर साइंस में बैचलर ऑफ़ साइंस — Aspen Vale Institute of Computing, Fort Collins, CO (2021)

कौशल

  • कंप्यूटर विज़न
  • प्राकृतिक भाषा प्रसंस्करण
  • PyTorch
  • OpenCV
  • Hugging Face Transformers
  • ऑब्जेक्ट डिटेक्शन
  • OCR
  • नेम्ड एंटिटी रिकग्निशन
  • मॉडल मूल्यांकन
  • Docker
  • Kubernetes

चुने हुए प्रोजेक्ट

• पैकेज के नुकसान का पता लगाना: YOLO मॉडल के अलग-अलग वर्ज़न की तुलना की और नुकसान के प्रकार के अनुसार रिकॉल दर्ज किया। • शिपिंग दस्तावेज़ों से जानकारी निकालना: अलग-अलग तरह के स्कैन पर OCR और एंटिटी एक्सट्रैक्शन के लिए मूल्यांकन सेट बनाया।

टूल

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

कंप्यूटर विज़न और NLP इंजीनियर रिज़्यूमे कैसे लिखें

डिप्लॉय किए गए मॉडल के काम को सबसे पहले दिखाएँ

अपनी वर्तमान भूमिका और सबसे मज़बूत प्रोडक्शन काम को शुरुआत में रखें। बताएँ कि मॉडल ने क्या काम किया, डेटा का पैमाना या संचालन का माहौल क्या था, और रिलीज़ के बाद क्या बदला—जैसे समीक्षा का काम, लेटेंसी या जानकारी निकालने की गुणवत्ता। प्रोटोटाइप को ग्राहकों या संचालन में इस्तेमाल होने वाली सुविधाओं से अलग बताएँ; भर्ती टीम यह जानना चाहती है कि आपने नोटबुक से आगे मॉडल को संभाला है या नहीं।

बताएँ कि आपने मॉडल का मूल्यांकन कैसे किया

मूल्यांकन का तरीका और काम के अनुरूप मेट्रिक बताएँ: डिटेक्शन के लिए precision और recall, जानकारी निकालने के लिए F1, या inference service के लिए लेटेंसी। हो सके तो डेटासेट का आकार या स्रोत बताएँ, और स्पष्ट करें कि नतीजे अलग रखे गए सेट से आए या प्रोडक्शन मॉनिटरिंग से। यह बताए बिना कि आपने क्या मापा, मॉडल को सटीक बताने जैसे अप्रमाणित दावे न करें।

अपने टेक स्टैक की जानकारी साफ़-साफ़ दें

वे फ़्रेमवर्क, मॉडल परिवार और डिप्लॉयमेंट टूल सूचीबद्ध करें जिनका आपने खुद इस्तेमाल किया है, जैसे PyTorch, OpenCV, Hugging Face Transformers, Docker या Kubernetes। हर पैकेज की सूची देने के बजाय, हर टूल को किसी प्रोजेक्ट या उपलब्धि से जोड़ें। क्लाउड प्लेटफ़ॉर्म या वेक्टर डेटाबेस का ज़िक्र तभी करें, जब वे आपके वास्तविक काम का हिस्सा रहे हों और नौकरी के विज्ञापन के लिए प्रासंगिक हों।

चुने हुए काम का पोर्टफ़ोलियो लिंक करें

एक संक्षिप्त पोर्टफ़ोलियो दोबारा चलाए जा सकने वाले विज़न या NLP प्रोजेक्ट, मूल्यांकन के तरीके और समझौतों की स्पष्ट व्याख्या दिखा सकता है। ऐसे कोड या डेमो का लिंक दें जिसे साझा करने की आपको अनुमति है, और ग्राहक डेटा, क्रेडेंशियल व मालिकाना मॉडल की जानकारी हटा दें। अकादमिक पेपर, ट्यूटोरियल और निजी प्रोजेक्ट को प्रोडक्शन के काम से अलग रखें, ताकि पाठक आपकी ज़िम्मेदारी का स्तर जल्दी समझ सकें।

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

बनायाप्रशिक्षित कियाडिप्लॉय कियाकम कियासुधारास्वचालित कियामूल्यांकन किया

इस भूमिका से जुड़े सवाल

कंप्यूटर विज़न और NLP इंजीनियर का रिज़्यूमे कितना लंबा होना चाहिए?

लगभग पाँच साल के अनुभव के लिए दो पेज आम तौर पर ठीक रहते हैं, अगर दूसरे पेज पर प्रासंगिक प्रोजेक्ट या तकनीकी जानकारी हो। सबसे मज़बूत प्रोडक्शन काम, मॉडल मूल्यांकन और डिप्लॉयमेंट के नतीजे पहले पेज पर रखें। शुरुआती कोर्सवर्क और असंबंधित नौकरियों को आम तौर पर छोटा किया जा सकता है या हटाया जा सकता है, जब तक वे सीधे प्रासंगिक कौशल न दिखाते हों।

क्या आपको पोर्टफ़ोलियो या GitHub का लिंक शामिल करना चाहिए?

अगर लिंक सार्वजनिक और आसानी से समीक्षा किए जा सकने वाले प्रासंगिक काम दिखाता है, जैसे दोबारा चलाया जा सकने वाला प्रोजेक्ट, मूल्यांकन नोटबुक या तकनीकी लेख, तो उसे शामिल करें। काम, डेटा का स्रोत, मेट्रिक और आपका योगदान समझाएँ। ग्राहक डेटा, नियोक्ता का कोड या गोपनीयता समझौतों के तहत आने वाली सामग्री अपलोड न करें; ऐसे काम का जानकारी हटाकर लिखा गया विवरण ज़्यादा सुरक्षित है।

इस भूमिका के लिए आपको कौन-से प्रमाणपत्र सूचीबद्ध करने चाहिए?

अमेरिका में कंप्यूटर विज़न और NLP इंजीनियर की भूमिकाओं के लिए आम तौर पर कोई सार्वभौमिक पेशेवर लाइसेंस या प्रमाणपत्र ज़रूरी नहीं होता। प्रासंगिक क्लाउड या मशीन लर्निंग प्रमाणपत्र तभी सूचीबद्ध करें, जब आपने उसे हासिल किया हो। जहाँ उपयोगी हो, जारीकर्ता और तारीख बताएँ और उसे अपने पर्याप्त प्रोजेक्ट अनुभव के नीचे रखें। कोर्स पूरा करने के प्रमाणपत्र को पेशेवर प्रमाणपत्र के रूप में पेश न करें।

क्या आप डेटा साइंस या सॉफ़्टवेयर इंजीनियरिंग से इस भूमिका में आ सकते हैं?

हाँ। ऐसे प्रोजेक्ट पर ज़ोर दें जो दिखाएँ कि आप विज़न या भाषा मॉडल बना और उनका मूल्यांकन कर सकते हैं, वास्तविक डेटा संभाल सकते हैं और inference को किसी एप्लिकेशन से जोड़ सकते हैं। अगर आपकी पृष्ठभूमि डेटा साइंस में है, तो डिप्लॉयमेंट और मॉनिटरिंग के उदाहरण जोड़ें; अगर सॉफ़्टवेयर इंजीनियरिंग में है, तो मॉडल ट्रेनिंग, काम के मुताबिक मेट्रिक और डेटासेट संभालने का अनुभव दिखाएँ। निजी या अकादमिक प्रोजेक्ट को साफ़ तौर पर ऐसा बताएँ और अपना व्यक्तिगत योगदान समझाएँ।