Duomenų mokslas ir DI · Vidutinio ir vyresnio lygio (4+ m.)

Kompiuterinės regos ir NLP inžinieriaus CV

Šiame pavyzdyje parodyta, kaip susieti kompiuterinę regą ir kalbos modelius su išmatuojamais produkto patobulinimais – nuo vaizdų apdorojimo grandinių iki teksto klasifikavimo. Gerame šios srities CV aiškiai aprašomi duomenys, modelių pasirinkimai, diegimo darbai ir vertinimo rezultatai, kad juos suprastų tiek inžinerijos, tiek taikomųjų tyrimų komandos.

CV patikra

Į ką atsižvelgia darbdaviai ir kandidatų sekimo sistemos. Tai gairės, o ne prognozė.

100 / 100Išsamus

100%
  • Kontaktinė informacija20 / 20
  • Aprašymas20 / 20
  • Darbo patirtis30 / 30
  • Įgūdžiai20 / 20
  • Išsilavinimas10 / 10

Kontaktinė informacija

Įrašykite ją viršuje – darbdaviai ir kandidatų sekimo sistemos pirmiausia ieško būtent jos.

Nebūtina. JAV, JK ir Kanadoje CV paprastai pateikiami be nuotraukos.

49 žodžiai

Kiekvieną darbą rašykite atskiroje pastraipoje; kiekvieną pasiekimą pradėkite naujoje eilutėje simboliu „-”.

11 įgūdžio

Įgūdžius atskirkite kableliais, pavyzdžiui: Excel, SQL, projektų planavimas.

Kiti skyriai

Projektai, sertifikatai, kalbos ar bet kas kita, kas sustiprina jūsų kandidatūrą.

Atrinkti projektai
Įrankiai

Alex Morgan

Kompiuterinės regos ir NLP inžinierius

  • alex.morgan@example.com
  • +1 555 0100
  • Denver, CO

Aprašymas

Kompiuterinės regos ir NLP inžinierius, turintis 5 metų patirtį kuriant produkcinio naudojimo ML funkcijas B2B logistikos platformai. Stipriosios sritys – vaizdų paruošimas, transformerių tikslinamasis mokymas ir modelių vertinimas; pasiekimai apima dokumentų duomenų ištraukimo ir siuntų pažeidimų peržiūros procesų tobulinimą. Turi PyTorch paslaugų diegimo ir modelių kokybės stebėsenos po išleidimo patirties.

Darbo patirtis

Kompiuterinės regos ir NLP inžinierius, Pineglass Parcel Technologies, Denveris, CO (2023 – dabar) - Sukūrė PyTorch ir OpenCV pagrįstą sandėlio nuotraukų pažeidimų aptikimo grandinę, apdorojančią apie 1 200 vaizdų per dieną ir sumažinusią rankinės peržiūros apimtį 18 %. - Tikslinamai apmokė Hugging Face tokenų klasifikavimo modelį siuntimo dokumentų duomenims ištraukti ir atskirame vertinimo duomenų rinkinyje padidino laukų lygmens F1 nuo 0,86 iki 0,91. - Įdiegė versijuotas išvadų pateikimo paslaugas su Docker ir Kubernetes, sumažindamas vidutinę vaizdo apdorojimo trukmę nuo 1,8 iki 1,2 sekundės vienam vaizdui. Mašininio mokymosi inžinierius, Ridgeway Applied Language Labs, Boulderis, CO (2021 – 2023) - Sukūrė sąskaitų OCR ir vardinių esybių atpažinimo procesus naudodamas Tesseract ir BERT; dviejų klientų komandų vidutinę išimčių nagrinėjimo trukmę sutrumpino 22 %. - Įvertino YOLO objektų aptikimo modelius su 14 000 pažymėtų vaizdų duomenų rinkiniu ir nustatė kamerų bei apšvietimo trūkumus, kuriuos pašalinus jautrumas padidėjo 7 procentiniais punktais.

Išsilavinimas

Kompiuterių mokslo bakalauro laipsnis — Aspen Vale Institute of Computing, Fort Collinsas, CO (2021)

Įgūdžiai

  • Kompiuterinė rega
  • natūralios kalbos apdorojimas
  • PyTorch
  • OpenCV
  • Hugging Face Transformers
  • objektų aptikimas
  • OCR
  • vardinių esybių atpažinimas
  • modelių vertinimas
  • Docker
  • Kubernetes

Atrinkti projektai

• Siuntų pažeidimų aptikimas: palygino YOLO modelių variantus ir užfiksavo jautrumą pagal pažeidimo tipą. • Siuntimo dokumentų duomenų ištraukimas: parengė OCR ir esybių ištraukimo vertinimo duomenų rinkinį, apimantį įvairios kokybės nuskaitytus dokumentus.

Įrankiai

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

Kaip parašyti Kompiuterinės regos ir NLP inžinierius CV

Pradėkite nuo įdiegtų modelių darbų

Dabartines pareigas ir svarbiausius produkcinio naudojimo darbus pateikite CV pradžioje. Nurodykite, ką apdorojo modelis, kokio masto buvo duomenys ar kokioje aplinkoje modelis veikė ir kas pasikeitė jį išleidus, pavyzdžiui, peržiūros apimtis, delsa ar duomenų ištraukimo kokybė. Prototipus atskirkite nuo klientų ar veiklos procesuose naudojamų funkcijų; atrankos komandoms svarbu matyti, ar prižiūrėjote modelius ir už „notebook“ aplinkos ribų.

Parodykite, kaip vertinote modelius

Nurodykite vertinimo metodą ir užduočiai tinkamą metriką: tikslumą ir jautrumą aptikimui, F1 duomenų ištraukimui arba delsą išvadų pateikimo paslaugai. Jei galite, nurodykite duomenų rinkinio dydį ar šaltinį ir paaiškinkite, ar rezultatai gauti naudojant atskirą vertinimo rinkinį, ar stebint produkcinę aplinką. Netvirtinkite, kad modelis tikslus, jei nenurodote, ką matavote.

Tiksliai įvardykite technologijų rinkinį

Išvardykite sistemas, modelių šeimas ir diegimo įrankius, kuriuos naudojote praktiškai, pavyzdžiui, PyTorch, OpenCV, Hugging Face Transformers, Docker ar Kubernetes. Kiekvieną įrankį susiekite su projektu ar pasiekimu, užuot išvardiję visus bandytus paketus. Debesijos platformas ar vektorines duomenų bazes paminėkite tik tada, jei jos buvo jūsų darbo dalis ir yra svarbios skelbiamoms pareigoms.

Pateikite nuorodą į aiškiai apibrėžtą portfolio

Trumpame portfolio galite parodyti atkuriamą kompiuterinės regos ar NLP projektą, vertinimo metodą ir aiškų kompromisų paaiškinimą. Pateikite nuorodą į kodą ar demonstraciją, kuria galite dalytis, ir pašalinkite klientų duomenis, prisijungimo duomenis bei nuosavybinę informaciją apie modelius. Akademinius straipsnius, mokomąją medžiagą ir šalutinius projektus atskirkite nuo produkcinio darbo, kad skaitytojai galėtų greitai suprasti jūsų atsakomybės lygį.

Dažnai vartojami raktažodžiai

Šiai pareigybei dažnai nurodomi įgūdžiai ir įrankiai. Naudokite tik tuos, kuriuos turite, ir formuluokite juos taip, kaip darbo skelbime. Spustelėkite raktažodį, kad jį nukopijuotumėte.

Veiksmažodžiai veiksmams apibūdinti

SukūrėApmokėĮdiegėSumažinoPagerinoAutomatizavoĮvertino

Klausimai apie šią pareigybę

Kokio ilgio turėtų būti kompiuterinės regos ir NLP inžinieriaus CV?

Turint apie penkerių metų patirtį, dviejų puslapių CV paprastai yra tinkamas, jei antrame puslapyje pateikiama aktualių projektų ar techninės informacijos. Svarbiausius produkcinio naudojimo darbus, modelių vertinimą ir diegimo rezultatus pateikite pirmame puslapyje. Ankstyvą mokymosi kursų patirtį ir nesusijusius darbus paprastai galite sutrumpinti arba praleisti, nebent jie atskleidžia tiesiogiai susijusius įgūdžius.

Ar turėčiau pateikti nuorodą į portfolio ar GitHub?

Pateikite nuorodą, jei joje matyti aktualus viešai prieinamas ir lengvai peržiūrimas darbas, pavyzdžiui, atkuriamas projektas, vertinimo „notebook“ ar techninis aprašas. Paaiškinkite užduotį, duomenų šaltinį, metrikas ir savo indėlį. Neįkelkite klientų duomenų, darbdavio kodo ar medžiagos, kuriai taikomos konfidencialumo sutartys; tokį darbą saugiau aprašyti pašalinus jautrią informaciją.

Kokius šios srities sertifikatus turėčiau išvardyti?

Kompiuterinės regos ir NLP inžinieriaus pareigoms Jungtinėse Valstijose paprastai nereikia jokios universalios profesinės licencijos ar sertifikato. Įtraukite aktualų debesijos ar mašininio mokymosi sertifikatą tik jei jį įgijote; jei naudinga, nurodykite išdavėją ir datą, o šį įrašą pateikite po reikšminga projektų patirtimi. Mokymosi kurso baigimo nepateikite kaip profesinio sertifikato.

Ar galiu pereiti į šias pareigas iš duomenų mokslo ar programinės įrangos inžinerijos?

Taip. Išryškinkite projektus, parodančius, kad galite kurti ir vertinti regos ar kalbos modelius, tvarkyti realius duomenis ir integruoti išvadų pateikimą į programą. Jei dirbote duomenų mokslo srityje, pridėkite diegimo ir stebėsenos pavyzdžių; jei dirbote programinės įrangos inžinerijos srityje, parodykite modelių mokymą, užduočiai tinkamas metrikas ir darbą su duomenų rinkiniais. Asmeninius ar akademinius projektus aiškiai pažymėkite ir aprašykite savo individualų indėlį.