Ciência de Dados e IA · Intermédio a sénior (4+ anos)

Currículo de Engenheiro de Visão por Computador e NLP

Este exemplo mostra como associar visão por computador e modelos de linguagem a melhorias mensuráveis do produto, desde pipelines de imagem à classificação de texto. Um currículo sólido para esta função deixa claros os dados, as escolhas de modelos, o trabalho de implementação e os resultados da avaliação, tanto para equipas de engenharia como de investigação aplicada.

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.

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

75 palavras

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

11 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.

Projetos selecionados
Ferramentas

Alex Morgan

Engenheiro de Visão por Computador e NLP

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

Resumo

Engenheiro de Visão por Computador e NLP com 5 anos de experiência no desenvolvimento de funcionalidades de ML em produção para uma plataforma B2B de logística. Tem experiência em pré-processamento de imagens, ajuste fino de transformers e avaliação de modelos, com um historial de melhorias na extração de documentos e nos processos de análise de danos em encomendas. Experiência na implementação de serviços PyTorch e na monitorização da qualidade dos modelos após o lançamento.

Experiência

Engenheiro de Visão por Computador e NLP na Pineglass Parcel Technologies, Denver, CO (2023 – Presente) - Desenvolvi um pipeline de deteção de danos com PyTorch e OpenCV para fotografias de armazém, encaminhando cerca de 1 200 imagens por dia e reduzindo em 18% o volume de análise manual. - Ajustei um modelo de classificação de tokens da Hugging Face para extrair dados de documentos de expedição, elevando a pontuação F1 por campo de 0,86 para 0,91 num conjunto de avaliação reservado. - Implementei serviços de inferência com versões controladas, usando Docker e Kubernetes, reduzindo o tempo mediano de processamento de imagens de 1,8 segundos para 1,2 segundos por imagem. Engenheiro de Aprendizagem Automática na Ridgeway Applied Language Labs, Boulder, CO (2021 – 2023) - Desenvolvi processos de OCR e reconhecimento de entidades nomeadas para faturas, usando Tesseract e BERT, reduzindo em 22% o tempo médio de triagem de exceções em duas equipas de clientes. - Avaliei modelos de deteção de objetos YOLO num conjunto de dados rotulado com 14 000 imagens, identificando lacunas nas câmaras e na iluminação que melhoraram a revocação em 7 pontos percentuais.

Formação

Licenciatura em Ciências da Computação — Aspen Vale Institute of Computing, Fort Collins, CO (2021)

Competências

  • Visão por computador
  • Processamento de linguagem natural
  • PyTorch
  • OpenCV
  • Hugging Face Transformers
  • Deteção de objetos
  • OCR
  • Reconhecimento de entidades nomeadas
  • Avaliação de modelos
  • Docker
  • Kubernetes

Projetos selecionados

• Deteção de danos em encomendas: comparei variantes do modelo YOLO e documentei a revocação por tipo de dano. • Extração de dados de documentos de expedição: criei um conjunto de avaliação para OCR e extração de entidades em digitalizações variadas.

Ferramentas

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

Como escrever um currículo para Engenheiro de Visão por Computador e NLP

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 cloud 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.

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

DesenvolviTreineiImplementeiReduziMelhoreiAutomatizeiAvaliei

Perguntas sobre esta função

Qual deve ser o comprimento de um currículo de Engenheiro de Visão por Computador e NLP?

Para cerca de cinco anos de experiência, duas páginas costumam ser razoáveis se a segunda incluir detalhes técnicos ou de projetos relevantes. Mantenha na primeira página o trabalho mais sólido em produção, a avaliação de modelos e os resultados da implementação. Normalmente, pode resumir ou remover disciplinas iniciais e empregos sem relação com a função, salvo se demonstrarem competências diretamente relevantes.

Devo incluir uma ligação para um portefólio ou GitHub?

Inclua uma ligação se demonstrar trabalho relevante, público e fácil de analisar, como um projeto reproduzível, um notebook de avaliação ou um texto técnico. Explique a tarefa, a origem dos dados, as métricas e o seu contributo. Não carregue dados de clientes, código do empregador ou material abrangido por acordos de confidencialidade; uma descrição sem dados sensíveis é mais segura para esse trabalho.

Que certificações devo incluir para esta função?

As funções de Engenheiro de Visão por Computador e NLP geralmente não exigem uma licença profissional ou certificação universal nos Estados Unidos. Inclua uma certificação relevante em cloud ou aprendizagem automática apenas se a tiver obtido, indique a entidade emissora e a data quando for útil e coloque-a abaixo da experiência substancial em projetos. Não apresente a conclusão de um curso como certificação profissional.

Posso passar de ciência de dados ou engenharia de software para esta função?

Sim. Destaque projetos que demonstrem que sabe criar e avaliar modelos de visão ou linguagem, trabalhar com dados reais e integrar inferência numa aplicação. Se tem experiência em ciência de dados, inclua exemplos de implementação e monitorização; se vem da engenharia de software, mostre experiência no treino de modelos, na utilização de métricas adequadas às tarefas e no tratamento de conjuntos de dados. Identifique claramente os projetos pessoais ou académicos e descreva o seu contributo individual.