Начните с запущенных в производство моделей
Разместите текущую должность и самые сильные примеры работы с производственными моделями в начале резюме. Укажите, какую задачу решала модель, объём данных или условия эксплуатации, а также что изменилось после её выпуска: например, объём проверок, задержка или качество извлечения данных. Отделяйте прототипы от функций, которыми пользуются клиенты или операционные команды: работодателям важно понять, сопровождали ли вы модели за пределами ноутбука.
Расскажите, как вы оценивали модели
Укажите метод оценки и подходящую для задачи метрику: точность и полноту для обнаружения объектов, F1 для извлечения данных или задержку для сервиса инференса. По возможности укажите размер или источник набора данных и поясните, получены ли результаты на отложенной выборке или при мониторинге в производственной среде. Не утверждайте без подтверждения, что модель точна, не указав, что именно вы измеряли.
Уточните, с какими технологиями вы работали
Перечислите библиотеки, семейства моделей и инструменты развёртывания, с которыми вы работали на практике, например PyTorch, OpenCV, Hugging Face Transformers, Docker или Kubernetes. Свяжите каждый инструмент с проектом или достижением, а не перечисляйте все пакеты, которые вы пробовали. Указывайте облачные платформы или векторные базы данных, только если они входили в вашу работу и относятся к вакансии.
Добавьте ссылку на тематическое портфолио
Краткое портфолио может показать воспроизводимый проект по компьютерному зрению или NLP, подход к оценке и понятное объяснение компромиссов. Добавляйте ссылки на код или демо, которыми вам разрешено делиться, и удаляйте данные клиентов, учётные данные и закрытые сведения о моделях. Отделяйте научные статьи, учебные материалы и личные проекты от производственной работы, чтобы читатели могли быстро понять, за что именно вы отвечали.