データサイエンスとAI · 中堅〜シニア（4年以上）

コンピュータビジョン・NLPエンジニアの履歴書

このサンプルでは、画像処理パイプラインからテキスト分類まで、コンピュータビジョンと言語モデルを測定可能な製品改善につなげる方法を紹介します。この職種の履歴書では、データ、モデルの選択、デプロイ作業、評価結果を、エンジニアリングチームと応用研究チームの双方に明確に伝えることが大切です。

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。

78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。

11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。

主なプロジェクト
ツール

アレックス・モーガン

コンピュータビジョン・NLP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物流プラットフォーム向けの本番環境用ML機能を構築してきた、経験5年のコンピュータビジョン・NLPエンジニアです。画像の前処理、Transformerのファインチューニング、モデル評価を得意とし、書類からの情報抽出や荷物の破損確認の業務フローを改善してきました。PyTorchサービスのデプロイや、リリース後のモデル品質の監視にも経験があります。

職歴

Pineglass Parcel Technologies、コンピュータビジョン・NLPエンジニア、米国コロラド州デンバー（2023年～現在） - 倉庫の写真を対象とするPyTorchとOpenCVを使った破損検出パイプラインを構築し、1日あたり約1,200枚の画像を処理。手作業での確認件数を18%削減しました。 - Hugging Faceのトークン分類モデルを出荷書類の情報抽出向けにファインチューニングし、独立した評価用データセットで項目単位のF1スコアを0.86から0.91に向上させました。 - バージョン管理された推論サービスをDockerとKubernetesでデプロイし、画像1枚あたりの処理時間の中央値を1.8秒から1.2秒に短縮しました。 Ridgeway Applied Language Labs、機械学習エンジニア、米国コロラド州ボルダー（2021年～2023年） - TesseractとBERTを使い、請求書向けのOCRと固有表現認識のワークフローを開発。2つの顧客チームで、例外対応の平均所要時間を22%短縮しました。 - ラベル付き画像14,000枚のデータセットでYOLO物体検出モデルを評価し、カメラと照明の課題を特定。再現率を7パーセントポイント改善しました。

学歴

コンピュータサイエンス理学士 — Aspen Vale Institute of Computing、米国コロラド州フォートコリンズ（2021年）

スキル

  • コンピュータビジョン
  • 自然言語処理
  • PyTorch
  • OpenCV
  • Hugging Face Transformers
  • 物体検出
  • OCR
  • 固有表現認識
  • モデル評価
  • Docker
  • Kubernetes

主なプロジェクト

• 荷物の破損検出：YOLOのモデル別に性能を比較し、破損の種類ごとの再現率を記録しました。 • 出荷書類の情報抽出：さまざまなスキャン画像を対象に、OCRと固有表現抽出を評価するデータセットを作成しました。

ツール

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

コンピュータビジョン・NLPエンジニアの履歴書の書き方

リリースしたモデルの実績を先に示す

現在の職務と、本番環境での最も優れた実績を上のほうに記載してください。モデルが何を処理したのか、データ規模や稼働環境、リリース後の変化を示しましょう。たとえば、確認件数、処理時間、情報抽出の品質などです。試作品と、顧客や業務で使われている機能は区別してください。採用担当者は、ノートブック上だけでなく、モデルを継続して運用した経験があるかを知りたいと考えています。

モデルの評価方法を示す

評価方法と、タスクに合った指標を記載してください。たとえば、検出なら適合率と再現率、情報抽出ならF1スコア、推論サービスなら処理時間です。可能であればデータセットの規模や出所も示し、結果が評価用に分離したデータセットによるものか、本番環境の監視によるものかを説明してください。何を測定したかを示さずに、モデルの精度を裏付けなく主張するのは避けてください。

使用技術を具体的に記載する

PyTorch、OpenCV、Hugging Face Transformers、Docker、Kubernetesなど、実際に手を動かして使ったフレームワーク、モデルの種類、デプロイツールを記載してください。試したパッケージをすべて並べるのではなく、それぞれのツールをプロジェクトや実績と結び付けましょう。クラウドプラットフォームやベクトルデータベースは、実際の業務で使い、求人内容にも関連する場合に記載してください。

内容を絞ったポートフォリオをリンクする

簡潔なポートフォリオがあれば、再現可能なコンピュータビジョンまたはNLPのプロジェクト、評価方法、トレードオフについての明確な説明を紹介できます。共有が許可されたコードやデモにリンクし、顧客データ、認証情報、専有モデルの詳細は削除してください。学術論文、チュートリアル、個人プロジェクトは本番環境での業務と区別し、担当した範囲がすぐに伝わるようにしましょう。

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

構築しました学習させ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

この職種についての質問

コンピュータビジョン・NLPエンジニアの履歴書は何ページが適切ですか？

経験が5年前後であれば、2ページ目に関連するプロジェクトや技術的な詳細を載せる場合、2ページが一般的に適切です。本番環境での主要な業務、モデル評価、デプロイの成果は1ページ目にまとめてください。初期の履修科目や関連性の低い職歴は、直接関係するスキルを示すものでない限り、短くするか省略しても問題ありません。

ポートフォリオやGitHubのリンクを載せるべきですか？

再現可能なプロジェクト、評価用ノートブック、技術解説など、公開されていて確認しやすい関連業務を示せる場合は載せてください。タスク、データの出所、指標、ご自身の貢献を説明しましょう。顧客データ、雇用主のコード、機密保持契約の対象となる資料はアップロードしないでください。そのような業務は、機密情報を除いた説明にするほうが安全です。

この職種では、どの資格を記載すべきですか？

米国では、コンピュータビジョン・NLPエンジニアに共通して必須となる専門資格や認定資格は一般にありません。関連するクラウドや機械学習の資格は、取得済みの場合に限って記載し、役立つ場合は発行元と取得日も添えてください。十分なプロジェクト経験よりも上に置かないようにしましょう。講座の修了を専門資格として記載しないでください。

データサイエンスやソフトウェアエンジニアリングから、この職種に移れますか？

はい。コンピュータビジョンや言語モデルの構築と評価、実データの取り扱い、アプリケーションへの推論機能の統合ができることを示すプロジェクトを強調してください。データサイエンスの経験がある場合は、デプロイや監視の事例を加えましょう。ソフトウェアエンジニアリングの経験がある場合は、モデルの学習、タスクに合った指標、データセットの取り扱いを示してください。個人プロジェクトや学術プロジェクトは明記し、ご自身の貢献を説明しましょう。