Destaque o trabalho com modelos já lançado
Coloque a sua função atual e o seu trabalho mais sólido em produção no início. Indique o que o modelo processava, a escala dos dados ou o contexto operacional e o que mudou após o lançamento, como o volume de análises, a latência ou a qualidade da extração. Distinga os protótipos das funcionalidades usadas por clientes ou pelas operações; as equipas de recrutamento precisam de perceber se já acompanhou modelos para além de um notebook.
Mostre como avaliou os modelos
Identifique o método de avaliação e a métrica adequada à tarefa: precisão e revocação para deteção, F1 para extração ou latência para um serviço de inferência. Indique o tamanho ou a origem do conjunto de dados, se possível, e explique se os resultados vieram de um conjunto reservado ou da monitorização em produção. Evite afirmar sem provas que um modelo é preciso sem dizer o que mediu.
Seja específico sobre as tecnologias que utilizou
Indique as frameworks, famílias de modelos e ferramentas de implementação que utilizou na prática, como PyTorch, OpenCV, Hugging Face Transformers, Docker ou Kubernetes. Associe cada ferramenta a um projeto ou resultado, em vez de listar todos os pacotes que experimentou. Mencione plataformas na nuvem ou bases de dados vetoriais apenas quando fizeram parte do seu trabalho e forem relevantes para a oferta.
Inclua uma ligação para um portefólio focado
Um portefólio conciso pode mostrar um projeto reproduzível de visão por computador ou NLP, a abordagem de avaliação e uma explicação clara das vantagens e desvantagens das opções tomadas. Inclua ligações para código ou uma demonstração que tenha autorização para partilhar e remova dados de clientes, credenciais e detalhes de modelos proprietários. Distinga artigos académicos, tutoriais e projetos pessoais do trabalho em produção, para que os leitores percebam rapidamente o seu nível de responsabilidade.