Begynn med modeller satt i produksjon
Plasser nåværende rolle og det sterkeste produksjonsarbeidet ditt øverst. Oppgi hva modellen håndterte, omfanget på dataene eller driftsmiljøet, og hva som endret seg etter lansering, for eksempel gjennomgangsmengde, ventetid eller kvaliteten på datauttrekket. Skill mellom prototyper og funksjoner som brukes av kunder eller i driften. Ansettelsesteam vil se om du har støttet modeller utover arbeidet i en notatbok.
Vis hvordan du evaluerte modeller
Oppgi evalueringsmetoden og måltallet som passer til oppgaven: presisjon og recall for deteksjon, F1 for datauttrekk eller ventetid for en inferenstjeneste. Oppgi størrelsen på eller kilden til datasettet når du kan, og forklar om resultatene kom fra et separat testsett eller produksjonsovervåking. Unngå udokumenterte påstander om at en modell er nøyaktig uten å si hva du målte.
Vær konkret om teknologistakken din
Før opp rammeverkene, modelltypene og utrullingsverktøyene du har brukt selv, for eksempel PyTorch, OpenCV, Hugging Face Transformers, Docker eller Kubernetes. Knytt hvert verktøy til et prosjekt eller en prestasjon i stedet for å liste opp alle pakkene du har prøvd. Nevn skyplattformer eller vektordatabaser bare hvis de inngikk i det faktiske arbeidet ditt og er relevante for stillingsannonsen.
Lenk til en fokusert portefølje
En kortfattet portefølje kan vise et reproduserbart prosjekt innen datasyn eller NLP, hvordan du evaluerte det og en tydelig forklaring av avveiningene. Lenk til kode eller en demo du har lov til å dele, og fjern kundedata, påloggingsopplysninger og proprietære modelldetaljer. Skill mellom akademiske artikler, veiledninger og sideprosjekter og produksjonsarbeid, slik at leseren raskt kan forstå hvor mye ansvar du hadde.