データサイエンスとAI · シニア（6年以上）

機械学習エンジニアの履歴書

このサンプルでは、実験から本番環境へのリリース、監視まで、ランキングモデルと予測モデルを改善するエンジニアの例を紹介します。優れた履歴書では、モデルの選定、データやデプロイに関する業務を、レイテンシ、関連性、コスト、業務フローの測定可能な変化と結び付け、使用ツールや規模も明確に示します。

履歴書チェック

採用担当者や応募者追跡システムが確認する項目をチェックできます。目安であり、結果を予測するものではありません。

95 / 100十分です

95%
  • 連絡先15 / 20 点
  • 職務要約20 / 20 点
  • 職歴30 / 30 点
  • スキル20 / 20 点
  • 学歴10 / 10 点

改善できる項目が1件あります

連絡先

採用担当者や応募者追跡システムが最初に確認するため、これらの情報を上部に記載してください。

任意です。米国、英国、カナダでは通常、履歴書に写真を載せません。

77語

職歴は1段落に1件ずつ記載し、実績ごとに新しい行を使って「-」で始めてください。

10件のスキル

スキルをカンマで区切って入力してください（例：Excel、SQL、プロジェクト計画）。

その他のセクション

応募に役立つプロジェクト、資格、語学、その他の情報を追加できます。

ツール
主なプロジェクト

アレックス・モーガン

機械学習エンジニア

  • アレックス・モーガン＠イグザンプル・ドットコム
  • +1 555 0100
  • Denver, CO

職務要約

B2Bコマース製品向けのランキングおよび予測システムを構築してきた、経験7年の機械学習エンジニアです。PythonやPyTorchによるモデル開発、特徴量パイプラインの設計、Kubernetesへのデプロイに加え、オフラインとオンラインの評価にも丁寧に取り組んできました。1日あたり200万件のレコメンドリクエストを処理するサービスをリリースした経験があります。

職歴

Cedarpath Commerce、機械学習エンジニア II、Denver, CO（2022 – 現在） - セッションとカタログの特徴量を使ったPyTorchランキングモデルを構築し、120万セッションを対象とした統制テストでカート追加率を6%向上させました。 - Kubernetes上にレコメンドサービスをデプロイし、MLflowで追跡するバッチスコアリングを追加して、p95応答時間を180 msから125 msに短縮しました。 - 本番環境の14個の特徴量について検証とドリフト検知アラートを自動化し、週次のモデルリリース前にデータの問題を調査できるようチームを支援しました。 Summitline Analytics、機械学習エンジニア、Boulder, CO（2019 – 2022） - 3年分の販売データでscikit-learnによる需要予測モデルを学習させ、従来の季節性ベースラインと比べて平均絶対誤差を9%削減しました。 - 5件のクライアント導入向けに再利用可能なPythonとSQLの特徴量パイプラインを構築し、モデル更新の準備期間を2日から約1日に短縮しました。

学歴

コンピューターサイエンス理学士 — Juniper Ridge University、Grand Junction, CO（2018）

スキル

  • Python
  • SQL
  • PyTorch
  • scikit-learn
  • 特徴量エンジニアリング
  • モデル評価
  • Kubernetes
  • MLflow
  • Docker
  • A/Bテスト

ツール

• Python、SQL、PyTorch、scikit-learn • MLflow、Docker、Kubernetes • Apache Spark、Airflow

主なプロジェクト

• sentence embeddingsとPyTorchを使い、商品検索向けの検索・再ランキングのプロトタイプを開発しました • ラベル付きの8,000件のクエリセットで、関連性とレイテンシを比較しました • 評価結果とデプロイ時のトレードオフを文書にまとめました

機械学習エンジニアの履歴書の書き方

指標以外のモデルの効果も示しましょう

まず製品や業務上の成果を示し、続けてモデルと評価方法を記載しましょう。たとえば、ランキングの変更をコンバージョンや検索の関連性と結び付け、その結果がオンラインテストとオフラインのベンチマークのどちらで得られたかを明記します。役立つ場合は、比較対象、規模、期間も含めましょう。背景のない指標は解釈しにくくなります。

本番環境での担当範囲を明確にしましょう

学習後に担当した特徴量パイプライン、サービング、監視、再学習、ロールバック、オンコールでの調査などを説明しましょう。デプロイ環境を示し、p95レイテンシ、更新時間、クラウド費用、リクエスト数など具体的な指標を添えてください。ノートブックや限定的な試験運用でしか動作していないモデルを、本番運用可能だったかのように書かないようにしましょう。

ツールは役立つ文脈とともに記載しましょう

面接で説明できる言語、フレームワーク、クラウドサービス、デプロイツールを挙げ、職務経験の箇条書きで使用場面を示しましょう。実際の業務を正確に表している場合は、求人情報の表現に合わせてください。ライブラリを長々と列挙したり、目的を説明せずに試したモデルアーキテクチャをすべて書いたりするのは避けましょう。

実績を補うためにプロジェクトを活用しましょう

職務経歴でモデルのデプロイ経験をあまり示せない場合は、関連するプロジェクトを1〜2件、リポジトリやデモへのリンク、データソース、評価方法、開発した内容とともに記載しましょう。データの制約を説明し、機密コードや顧客情報、再現できない主張は載せないでください。プロジェクトはスキル一覧を繰り返すのではなく、実績を補うものにしましょう。

よく使われるキーワード

この職種でよく挙げられるスキルやツールです。自分が持っているものだけを、求人広告の表記に合わせて使いましょう。クリックするとコピーできます。

アクション動詞

構築しましたデプロイしました削減しました改善しました自動化しました評価しました最適化しました

この職種についての質問

機械学習エンジニアの履歴書は何ページがよいですか？

関連する経験が数年ある場合は、モデル、データシステム、本番運用での担当範囲を具体的に示せるなら、2ページでも問題ありません。最も関連性の高い経験を1ページ目にまとめ、応募職種に役立たない古い情報は減らしましょう。読みやすさを保ち、成果を理解するための十分な背景を記載できれば、要点を絞った1ページの履歴書も効果的です。

ポートフォリオやGitHubのリンクを載せたほうがよいですか？

再現可能なプロジェクト、技術記事、公開された貢献など、応募書類を強化する成果が示されている場合は載せましょう。連絡先の近くかプロジェクト欄にリンクを置き、リポジトリに分かりやすいREADMEがあり、シークレットやアクセス制限のあるデータが含まれていないことを確認してください。履歴書で自分の貢献を説明する代わりに、リンクだけに頼らないようにしましょう。

機械学習エンジニアはどの資格を記載すればよいですか？

米国では、機械学習エンジニアに共通して必要な免許や資格はありません。求人に関連し、現在も有効で、クラウドプラットフォームの資格など認知度のある提供元が発行した資格を記載しましょう。正式名称と発行元を明記し、期限切れの資格や、実証済みのスキルをほとんど補わない短期講座の修了証は省きましょう。

データサイエンスから機械学習エンジニアに転職できますか？

はい。モデル開発とあわせて、信頼性の高いデータパイプライン、テスト済みコード、APIやバッチジョブ、デプロイ、監視、プロダクトチームやインフラチームとの連携など、エンジニアリングの実績を強調しましょう。自分の役割を正確に説明し、使用したツールと成果を示してください。そうした経験が限られている場合は、データ準備から評価、デプロイまでの一連の流れを示すプロジェクトを加えましょう。