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।

राहुल शर्मा

कंप्यूटर विज़न और NLP इंजीनियर

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

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

कंप्यूटर विज़न और NLP इंजीनियर, Pineglass Parcel Technologies (2023 - वर्तमान) - वेयरहाउस की तस्वीरों के लिए PyTorch और OpenCV डैमेज-डिटेक्शन पाइपलाइन बनाई, जो प्रति दिन लगभग 1,200 इमेज को रूट करती है और मैन्युअल रिव्यू वॉल्यूम को 18% तक कम करती है। - शिपिंग-डॉक्यूमेंट एक्सट्रैक्शन के लिए Hugging Face टोकन-क्लासिफिकेशन मॉडल को फाइन-ट्यून किया, जिससे एक हेल्ड-आउट मूल्यांकन सेट पर फ़ील्ड-स्तरीय F1 0.86 से बढ़कर 0.91 हो गया। - Docker और Kubernetes के साथ संस्करणित इन्फेरेंस सेवाओं को तैनात किया, जिससे प्रति छवि औसत इमेज-प्रोसेसिंग समय 1.8 सेकंड से घटकर 1.2 सेकंड हो गया। मशीन लर्निंग इंजीनियर, Ridgeway Applied Language Labs (2021 - 2023) - Tesseract और BERT का उपयोग करके इनवॉइस के लिए OCR और नेम्ड एंटिटी रिकॉग्निशन वर्कफ़्लो विकसित किए, जिससे दो ग्राहक टीमों में औसत एक्सेप्शन ट्राइएज समय 22% कम हो गया। - 14,000-इमेज लेबल वाले डेटासेट पर YOLO ऑब्जेक्ट-डिटेक्शन मॉडल का मूल्यांकन किया, जिससे कैमरे और प्रकाश व्यवस्था की कमियों की पहचान हुई जिन्होंने रिकॉल को 7 प्रतिशत अंक सुधार दिया।

शिक्षा

बैचलर ऑफ़ साइंस इन कंप्यूटर साइंस - Aspen Vale Institute of Computing (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

इस उदाहरण का उपयोग करें

इस कंप्यूटर विज़न और NLP 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

बनायाप्रशिक्षित कियाडिप्लॉय कियाकम कियासुधारास्वचालित कियामूल्यांकन किया

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।

सभी डेटा साइंस और AI रिज़्यूमे के उदाहरण

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।