Datavitenskap og AI · Mellomnivå til senior (4+ år)

CV for ingeniør innen datasyn og NLP

Dette eksemplet viser hvordan du kan knytte datasyn og språkmodeller til målbare produktforbedringer, fra bildebehandlingspipeliner til tekstklassifisering. En god CV for denne rollen gjør dataene, modellvalgene, utrullingsarbeidet og evalueringsresultatene tydelige for både utviklingsteam og team innen anvendt forskning.

CV-sjekk

Dette ser rekrutterere og søkersporingssystemer etter. En veiledning, ikke en prognose.

100 / 100Fullstendig

100%
  • Kontakt20 / 20
  • Sammendrag20 / 20
  • Erfaring30 / 30
  • Ferdigheter20 / 20
  • Utdanning10 / 10

Kontaktinformasjon

Plasser disse opplysningene øverst; rekrutterere og søkersporingssystemer ser etter dem først.

Valgfritt. I USA, Storbritannia og Canada har CV-er vanligvis ikke bilde.

51 ord

Én jobb per avsnitt; start hver prestasjon på en ny linje med «-».

11 ferdigheter

Skill ferdighetene med komma, for eksempel: Excel, SQL, prosjektplanlegging.

Flere seksjoner

Prosjekter, sertifiseringer, språk eller annet som støtter søknaden din.

Utvalgte prosjekter
Verktøy

Alex Morgan

Ingeniør innen datasyn og NLP

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

Sammendrag

Ingeniør innen datasyn og NLP med 5 års erfaring med å utvikle ML-funksjoner for produksjon i en B2B-logistikkplattform. Styrker innen bildebehandling, finjustering av transformermodeller og modelevaluering, med dokumenterte resultater innen forbedring av dokumentuttrekk og gjennomgang av pakkskader. Erfaring med utrulling av PyTorch-tjenester og overvåking av modellkvalitet etter lansering.

Erfaring

Ingeniør innen datasyn og NLP hos Pineglass Parcel Technologies, Denver, CO (2023 – nå) - Bygget en pipeline for skadedeteksjon i lagerbilder med PyTorch og OpenCV. Den behandlet rundt 1 200 bilder om dagen og reduserte mengden manuell gjennomgang med 18 %. - Finjusterte en tokenklassifiseringsmodell fra Hugging Face for uttrekk fra fraktdokumenter, og økte F1-målet på feltnivå fra 0,86 til 0,91 på et separat evalueringssett. - Rullet ut versjonerte inferenstjenester med Docker og Kubernetes, og reduserte median behandlingstid for bilder fra 1,8 til 1,2 sekunder per bilde. Maskinlæringsingeniør hos Ridgeway Applied Language Labs, Boulder, CO (2021 – 2023) - Utviklet arbeidsflyter for OCR og gjenkjenning av navngitte entiteter i fakturaer med Tesseract og BERT. Dette reduserte gjennomsnittlig tid for håndtering av avvik med 22 % på tvers av to kundeteam. - Evaluerte YOLO-modeller for objektgjenkjenning på et merket datasett med 14 000 bilder, og avdekket mangler ved kameraer og lysforhold som økte recall med 7 prosentpoeng.

Utdanning

Bachelorgrad i informatikk — Aspen Vale Institute of Computing, Fort Collins, CO (2021)

Ferdigheter

  • Datasyn
  • naturlig språkbehandling
  • PyTorch
  • OpenCV
  • Hugging Face Transformers
  • objektgjenkjenning
  • OCR
  • gjenkjenning av navngitte entiteter
  • modelevaluering
  • Docker
  • Kubernetes

Utvalgte prosjekter

• Deteksjon av pakkskader: sammenlignet ulike YOLO-modeller og dokumenterte recall per skadetype. • Uttrekk fra fraktdokumenter: opprettet et evalueringssett for OCR og uttrekk av enheter fra skannede dokumenter med ulike kvaliteter.

Verktøy

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

Slik skriver du en CV for Ingeniør innen datasyn og NLP

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

List 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.

Vanlige nøkkelord

Ferdigheter og verktøy som ofte står oppført for denne rollen. Bruk bare dem du har, og skriv dem slik de står i stillingsannonsen. Klikk på et nøkkelord for å kopiere det.

Handlingsverb

ByggetTrentRullet utReduserteForbedretAutomatiserteEvaluerte

Spørsmål om denne rollen

Hvor lang bør en CV for en ingeniør innen datasyn og NLP være?

Med rundt fem års erfaring er to sider som regel rimelig hvis den andre siden inneholder relevant prosjektarbeid eller tekniske detaljer. Ha det sterkeste produksjonsarbeidet, modelevalueringen og utrullingsresultatene på første side. Tidlige kurs og irrelevante jobber kan som regel kortes ned eller fjernes, med mindre de viser ferdigheter som er direkte relevante.

Bør jeg ta med en lenke til porteføljen eller GitHub?

Ta med en lenke hvis den viser relevant arbeid som er offentlig tilgjengelig og enkelt å vurdere, for eksempel et reproduserbart prosjekt, en evalueringsnotatbok eller en teknisk beskrivelse. Forklar oppgaven, datakilden, måltallene og ditt bidrag. Ikke last opp kundedata, arbeidsgiverens kode eller materiale som er omfattet av taushetsplikt. En anonymisert beskrivelse er tryggere for slikt arbeid.

Hvilke sertifiseringer bør jeg føre opp for denne rollen?

Stillinger som ingeniør innen datasyn og NLP krever vanligvis ingen generell yrkeslisens eller sertifisering i USA. Før bare opp en relevant sertifisering innen skyteknologi eller maskinlæring hvis du har oppnådd den. Oppgi utstederen og datoen når det er nyttig, og plasser den under omfattende prosjekterfaring. Ikke presenter fullført kurs som en yrkessertifisering.

Kan jeg gå over til denne rollen fra datavitenskap eller programvareutvikling?

Ja. Fremhev prosjekter som viser at du kan utvikle og evaluere modeller for datasyn eller språk, håndtere reelle data og integrere inferens i en applikasjon. Har du bakgrunn fra datavitenskap, bør du ta med eksempler på utrulling og overvåking. Har du bakgrunn fra programvareutvikling, bør du vise modelltrening, måltall som passer til oppgaven og håndtering av datasett. Merk personlige prosjekter og studieprosjekter tydelig, og beskriv ditt eget bidrag.