Awali dengan pekerjaan model yang sudah dirilis
Tempatkan posisi Anda saat ini dan pekerjaan produksi terkuat di bagian atas. Jelaskan tugas model, skala data atau lingkungan operasionalnya, serta perubahan setelah dirilis, seperti volume peninjauan, latensi, atau kualitas ekstraksi. Bedakan prototipe dari fitur yang digunakan pelanggan atau tim operasional; tim perekrutan perlu mengetahui apakah Anda pernah mendukung model di luar notebook.
Jelaskan cara Anda mengevaluasi model
Sebutkan metode evaluasi dan metrik yang sesuai dengan tugasnya: precision dan recall untuk deteksi, F1 untuk ekstraksi, atau latensi untuk layanan inferensi. Cantumkan ukuran atau sumber set data jika memungkinkan, dan jelaskan apakah hasilnya berasal dari set yang disisihkan atau pemantauan produksi. Hindari klaim tanpa bukti bahwa model akurat jika Anda tidak menyebutkan apa yang diukur.
Jelaskan teknologi yang Anda gunakan secara spesifik
Cantumkan framework, keluarga model, dan perangkat deployment yang pernah Anda gunakan langsung, seperti PyTorch, OpenCV, Hugging Face Transformers, Docker, atau Kubernetes. Hubungkan setiap perangkat dengan proyek atau pencapaian, alih-alih mencantumkan setiap paket yang pernah Anda coba. Sebutkan platform cloud atau basis data vektor hanya jika benar-benar Anda gunakan dalam pekerjaan dan relevan dengan lowongan.
Sertakan tautan portofolio yang terarah
Portofolio singkat dapat menampilkan proyek vision atau NLP yang bisa direproduksi, pendekatan evaluasi, dan penjelasan kompromi yang jelas. Sertakan tautan ke kode atau demo yang boleh Anda bagikan, lalu hapus data pelanggan, kredensial, dan detail model milik perusahaan. Pisahkan makalah akademis, tutorial, dan proyek sampingan dari pekerjaan produksi agar pembaca dapat memahami tingkat tanggung jawab Anda dengan cepat.