Ciência de Dados e IA · Sénior (6+ anos)

Currículo de Engenheiro de Machine Learning

Este exemplo mostra um engenheiro a melhorar modelos de ordenação e previsão, desde a experimentação até à implementação em produção com monitorização. Um currículo forte relaciona as escolhas dos modelos e o trabalho com dados e implementação com alterações mensuráveis na latência, relevância, custo ou processos de negócio, deixando claras as ferramentas e a escala.

Verificação do currículo

O que os recrutadores e os sistemas de acompanhamento procuram. Um guia, não uma previsão.

100 / 100Completo

100%

Contacto20 / 20
Resumo20 / 20
Experiência30 / 30
Competências20 / 20
Formação10 / 10

Dados de contacto

Coloque estes dados no início do seu currículo; os recrutadores e os sistemas de acompanhamento procuram-nos primeiro.

Nome completo

Cargo

E-mail

Telefone

Localização

Website ou LinkedIn

Adicionar fotografia

Opcional. Nos EUA, no Reino Unido e no Canadá, os currículos geralmente não incluem fotografia.

Resumo57 palavras

Experiência

Engenheiro de Machine Learning na Summitline Analytics, Boulder, CO (2019 – 2022)
- Treinei modelos de previsão da procura com scikit-learn usando três anos de dados de vendas, reduzindo o erro absoluto médio em 9% face à referência sazonal existente.
- Criei pipelines reutilizáveis de características com Python e SQL para cinco implementações em clientes, reduzindo a preparação da atualização dos modelos de dois dias para cerca de um dia.

Um emprego por parágrafo; comece cada resultado numa nova linha com «-».

Formação

Competências10 competências

Separe as competências com vírgulas, por exemplo: Excel, SQL, planeamento de projetos.

Mais secções

Projetos, certificações, idiomas ou qualquer outra informação que contribua para a sua candidatura.

Resumo

Engenheiro de machine learning com 7 anos de experiência na criação de sistemas de ordenação e previsão para produtos de comércio B2B. Combina desenvolvimento de modelos com Python e PyTorch, conceção de pipelines de características e implementação em Kubernetes com avaliações offline e online rigorosas; implementou serviços que processam 2 milhões de pedidos de recomendação por dia.

Experiência

Engenheiro de Machine Learning II na Cedarpath Commerce, Denver, CO (2022 – Presente) - Criei um modelo de ordenação com PyTorch usando características de sessões e catálogos, aumentando a taxa de adição ao carrinho em 6% num teste controlado com 1,2 milhões de sessões. - Implementei serviços de recomendação em Kubernetes e adicionei pontuação em lote com registo no MLflow, reduzindo o tempo de resposta p95 de 180 ms para 125 ms. - Automatizei a validação de características e os alertas de deriva para 14 características em produção, ajudando a equipa a investigar problemas de dados antes dos lançamentos semanais de modelos. Engenheiro de Machine Learning na Summitline Analytics, Boulder, CO (2019 – 2022) - Treinei modelos de previsão da procura com scikit-learn usando três anos de dados de vendas, reduzindo o erro absoluto médio em 9% face à referência sazonal existente. - Criei pipelines reutilizáveis de características com Python e SQL para cinco implementações em clientes, reduzindo a preparação da atualização dos modelos de dois dias para cerca de um dia.

Formação

Licenciatura em Ciências Informáticas — Juniper Ridge University, Grand Junction, CO (2018)

Competências

Python
SQL
PyTorch
scikit-learn
engenharia de características
avaliação de modelos
Kubernetes
MLflow
Docker
testes A/B

Ferramentas

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

Projeto selecionado

• Desenvolvi um protótipo de recuperação e reordenação para pesquisa de produtos, usando embeddings de frases e PyTorch • Comparei a relevância e a latência num conjunto rotulado de 8 000 consultas • Documentei os resultados da avaliação e as vantagens e desvantagens da implementação

Como escrever um currículo para Engenheiro de Machine Learning

Mostre o impacto do modelo para além das métricas

Comece pelo resultado para o produto ou para as operações e, em seguida, indique o modelo e o método de avaliação. Por exemplo, relacione uma alteração na ordenação com a conversão ou a relevância da pesquisa e indique se o resultado veio de um teste online ou de uma avaliação de referência offline. Quando for útil, inclua a referência, a escala e o período; sem contexto, é difícil interpretar uma métrica.

Deixe clara a sua responsabilidade em produção

Descreva aquilo por que foi responsável após o treino: pipelines de características, disponibilização, monitorização, novo treino, reversão ou investigação de ocorrências. Indique o ambiente de implementação e uma medida concreta, como latência p95, tempo de atualização, custos na cloud ou volume de pedidos. Evite sugerir que um modelo estava pronto para produção se só foi executado num notebook ou num piloto limitado.

Contextualize as ferramentas que menciona

Inclua as linguagens, frameworks, serviços na cloud e ferramentas de implementação que consegue discutir numa entrevista e mostre onde os usou nas descrições da sua experiência. Use a formulação do anúncio quando descrever com precisão o seu trabalho. Evite listas extensas de bibliotecas e não enumere todas as arquiteturas de modelos que experimentou sem explicar a finalidade.

Use projetos para colmatar lacunas de experiência

Se a sua experiência profissional incluir pouco trabalho de implementação de modelos, inclua um ou dois projetos relevantes com uma ligação para o repositório ou demonstração, a fonte dos dados, a abordagem de avaliação e aquilo que criou. Explique as limitações dos dados e não partilhe código confidencial, informações de clientes ou afirmações que não possam ser reproduzidas. Um projeto deve acrescentar provas, não repetir a lista de competências.

Palavras-chave comuns

Competências e ferramentas frequentemente indicadas para esta função. Use apenas as que tem, com a formulação do anúncio de emprego. Clique numa para a copiar.

Verbos de ação

CrieiImplementeiReduziMelhoreiAutomatizeiAvalieiOtimizei

Perguntas sobre esta função

Qual deve ser o comprimento de um currículo de engenheiro de machine learning?

Com vários anos de experiência relevante, duas páginas podem funcionar se cada entrada acrescentar informação útil sobre modelos, sistemas de dados ou responsabilidade em produção. Mantenha o trabalho mais relevante na primeira página e reduza os detalhes antigos que não sejam pertinentes para a função. Um currículo de uma página, focado, também pode ser eficaz, desde que continue legível e inclua contexto suficiente para os seus resultados.

Devo incluir uma ligação para um portefólio ou para o GitHub?

Inclua uma ligação se mostrar trabalho que reforce a sua candidatura, como um projeto reproduzível, um artigo técnico ou uma contribuição pública. Coloque-a junto aos seus contactos ou numa secção de projetos e certifique-se de que o repositório tem um README claro e não contém credenciais secretas nem dados de acesso restrito. Não use a ligação como substituto da descrição da sua contribuição no currículo.

Que certificações deve um engenheiro de machine learning incluir?

Não existe uma licença geral nem uma certificação obrigatória nos EUA para engenheiros de machine learning. Inclua uma certificação quando for relevante para a função, estiver válida e for emitida por uma entidade reconhecida, como uma credencial de uma plataforma na cloud. Indique o nome exato e a entidade emissora; não inclua credenciais caducadas nem certificados de cursos breves que pouco acrescentem às competências que já demonstrou.

Posso transitar de ciência de dados para engenharia de machine learning?

Sim. Destaque provas de trabalho de engenharia a par do desenvolvimento de modelos: pipelines de dados fiáveis, código testado, APIs ou tarefas em lote, implementação, monitorização e colaboração com equipas de produto ou infraestrutura. Descreva com precisão a sua função e mostre as ferramentas e os resultados. Se tiver pouca experiência nesta área, acrescente um projeto focado que demonstre um percurso completo, desde a preparação dos dados até à avaliação e implementação.