Adattudomány és AI · Középhaladó - senior (4+ év)

Önéletrajz számítógépes látással és NLP-vel foglalkozó mérnököknek

Ez a minta megmutatja, hogyan kapcsolhatod össze a számítógépes látást és a nyelvi modelleket mérhető termékfejlesztésekkel, a képfeldolgozási folyamatoktól a szövegosztályozásig. Egy erős önéletrajz egyértelművé teszi a mérnöki és alkalmazott kutatói csapatok számára az adatokat, a modellválasztásokat, a telepítési munkát és az értékelési eredményeket.

Kovács Péter

Számítógépes látással és NLP-vel foglalkozó mérnök

  • peter.kovacs@example.com
  • +36 1 123 4567
  • Budapest

Összefoglaló

Számítógépes látással és NLP-vel foglalkozó mérnök, 5 év tapasztalattal éles környezetben használt ML-funkciók fejlesztésében egy B2B logisztikai platformhoz. Erősségei közé tartozik a képek előfeldolgozása, a transzformermodellek finomhangolása és a modellek kiértékelése; eredményesen fejlesztette a dokumentumkinyerési és a csomagsérülések ellenőrzésére szolgáló folyamatokat. Tapasztalt PyTorch-szolgáltatások telepítésében és a modellek minőségének kiadás utáni nyomon követésében.

Tapasztalat

Számítógépes látás és természetesnyelv-feldolgozás mérnöke - Pineglass Parcel Technologies (2023 - jelenleg) - PyTorch és OpenCV használatával kárfelismerő folyamatot építettem raktári fotókhoz; naponta mintegy 1200 képet dolgoztam fel, és 18%-kal csökkentettem a manuális ellenőrzések számát. - Finomhangoltam egy Hugging Face tokenosztályozó modellt a szállítási dokumentumok adatainak kinyeréséhez, 0,86-ról 0,91-re növelve a mezőszintű F1-pontszámot egy tanításhoz nem használt értékelési adathalmazon. - Docker és Kubernetes segítségével verziózott következtetési szolgáltatásokat telepítettem, képenként 1,8 másodpercről 1,2 másodpercre csökkentve a medián képfeldolgozási időt. Gépi tanulási mérnök - Ridgeway Applied Language Labs (2021 - 2023) - Tesseract és BERT használatával OCR- és névelem-felismerési munkafolyamatokat fejlesztettem számlákhoz, két ügyfélcsapatnál 22%-kal csökkentve a kivételes esetek átlagos kivizsgálási idejét. - YOLO-alapú tárgyfelismerő modelleket értékeltem egy 14 000 címkézett képet tartalmazó adathalmazon, és azonosítottam a kamera- és megvilágítási hiányosságokat; ezek javítása 7 százalékponttal növelte a visszahívási arányt.

Tanulmányok

Programtervező informatikus alapképzés (BSc) - Aspen Vale Institute of Computing (2021)

Készségek

  • Számítógépes látás
  • természetesnyelv-feldolgozás
  • PyTorch
  • OpenCV
  • Hugging Face Transformers
  • objektumfelismerés
  • OCR
  • névelem-felismerés
  • modellek kiértékelése
  • Docker
  • Kubernetes

Kiemelt projektek

• Csomagsérülések felismerése: összehasonlítottam a YOLO modellváltozatait, és dokumentáltam a sérüléstípusonkénti visszahívást. • Szállítási dokumentumok adatainak kinyerése: értékelési adathalmazt hoztam létre OCR-hez és entitáskinyeréshez, különböző minőségű beolvasásokkal.

Eszközök

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

Példa használata

Nyisd meg a készítőt ezzel a Számítógépes látással és NLP-vel foglalkozó mérnök önéletrajzzal, majd cseréld ki a példát a saját adataiddal.

Gyakori kulcsszavak

Ehhez a munkakörhöz gyakran felsorolt készségek és eszközök. Csak azt használd, amivel rendelkezel, az álláshirdetés megfogalmazását követve. Kattints egy kulcsszóra a másolásához.

Cselekvést kifejező igék

LétrehoztamBetanítottamTelepítettemCsökkentettemJavítottamAutomatizáltamKiértékeltem

Hogyan írj önéletrajzot Számítógépes látással és NLP-vel foglalkozó mérnök munkakörhöz?

Kezdd a bevezetett modellekkel

A jelenlegi pozíciódat és a legerősebb, éles környezetben használt munkáidat tedd az önéletrajz elejére. Írd le, mire használták a modellt, mekkora adatmennyiséget vagy milyen működési környezetet kezelt, és mi változott a bevezetése után, például az ellenőrzések száma, a késleltetés vagy a kinyerés minősége. Különítsd el a prototípusokat az ügyfelek vagy az operatív csapatok által használt funkcióktól; a toborzóknak látniuk kell, hogy a notebookon túl is támogattál-e modelleket.

Mutasd be, hogyan értékelted a modelleket

Nevezd meg az értékelési módszert és a feladathoz illő mérőszámot: felismerésnél a pontosságot és a visszahívást, adatkinyerésnél az F1-et, következtetési szolgáltatásnál pedig a késleltetést. Ha tudod, add meg az adathalmaz méretét vagy forrását, és írd le, hogy az eredmények elkülönített adathalmazon vagy éles környezeti monitorozásból származtak-e. Ne állítsd alátámasztás nélkül, hogy egy modell pontos; írd le, mit mértél.

Nevezd meg pontosan az eszközeidet

Sorold fel azokat a keretrendszereket, modelltípusokat és telepítési eszközöket, amelyeket ténylegesen használtál, például a PyTorchot, az OpenCV-t, a Hugging Face Transformerst, a Dockert vagy a Kubernetes-t. Minden eszközt kapcsolj egy projekthez vagy eredményhez ahelyett, hogy minden kipróbált csomagot felsorolnál. Felhőplatformokat vagy vektoradatbázisokat csak akkor említs, ha valóban használtad őket, és relevánsak az álláshirdetés szempontjából.

Ossz meg célzott portfóliót

Egy tömör portfólióban bemutathatsz egy reprodukálható számítógépes látási vagy NLP-projektet, az értékelési módszert és a kompromisszumok világos magyarázatát. Csak olyan kódra vagy demóra hivatkozz, amelyet megoszthatsz, az ügyféladatokat, a hitelesítő adatokat és a védett modellrészleteket pedig távolítsd el. A tanulmányokat, az oktatóanyagokat és a saját projekteket különítsd el az éles munkától, hogy az olvasók gyorsan megértsék, mekkora felelősséget vállaltál.

Összes Adattudomány és AI önéletrajz-minta

Kérdések erről a munkakörről

Milyen hosszú legyen egy számítógépes látással és NLP-vel foglalkozó mérnök önéletrajza?

Nagyjából öt év tapasztalattal általában megfelelő a két oldal, ha a második oldalon releváns projekt- vagy műszaki részletek szerepelnek. A legerősebb, éles környezetben végzett munkáid, modellértékeléseid és telepítési eredményeid kerüljenek az első oldalra. A korai tanulmányokat és a nem kapcsolódó munkákat általában rövidítheted vagy kihagyhatod, hacsak nem mutatnak közvetlenül releváns készségeket.

Megadjak portfólió- vagy GitHub-linket?

Adj meg linket, ha nyilvános és könnyen áttekinthető releváns munkát mutat be, például reprodukálható projektet, értékelési notebookot vagy műszaki leírást. Magyarázd el a feladatot, az adatok forrását, a mérőszámokat és a saját hozzájárulásodat. Ne tölts fel ügyféladatokat, munkáltatói kódot vagy titoktartási megállapodás hatálya alá tartozó anyagokat; az ilyen munkákról biztonságosabb megtisztított leírást adni.

Milyen képesítéseket tüntessek fel ehhez a pozícióhoz?

Az Egyesült Államokban a számítógépes látással és NLP-vel foglalkozó mérnöki pozíciókhoz általában nem kell egységes szakmai engedély vagy képesítés. Csak olyan releváns felhő- vagy gépi tanulási képesítést sorolj fel, amelyet megszereztél; ha hasznos, add meg a kibocsátót és a dátumot is, és tedd a jelentős projektmunkáid alá. Egy kurzus elvégzését ne tüntesd fel szakmai képesítésként.

Átválthatok erre a munkakörre adattudományi vagy szoftvermérnöki területről?

Igen. Emeld ki azokat a projekteket, amelyek megmutatják, hogy tudsz számítógépes látási vagy nyelvi modelleket építeni és értékelni, valódi adatokkal dolgozni, valamint következtetést integrálni egy alkalmazásba. Adattudományi háttérrel mutass be telepítési és monitorozási példákat; szoftvermérnöki háttérrel pedig a modellbetanítást, a feladathoz illő mérőszámokat és az adathalmazok kezelését. A saját és az egyetemi projekteket jelöld egyértelműen, és írd le a személyes hozzájárulásodat.