Dátová veda a AI · Senior (6+ rokov)

Životopis inžiniera strojového učenia

Táto ukážka predstavuje inžiniera, ktorý zlepšuje modely radenia a prognózovania od experimentovania až po monitorované nasadenie do produkcie. Kvalitný životopis prepája výber modelov, prácu s dátami a nasadenie s merateľnými zmenami v latencii, relevantnosti, nákladoch alebo obchodných procesoch a zároveň objasňuje použité nástroje a rozsah.

Kontrola životopisu

Čo hľadajú personalisti a systémy na sledovanie uchádzačov. Je to pomôcka, nie predpoveď.

100 / 100Kompletný

100%
  • Kontakt20 / 20
  • Zhrnutie20 / 20
  • Prax30 / 30
  • Zručnosti20 / 20
  • Vzdelanie10 / 10

Kontaktné údaje

Umiestnite ich na začiatok; personalisti a systémy na sledovanie uchádzačov ich hľadajú ako prvé.

Nepovinné. V USA, Spojenom kráľovstve a Kanade životopisy zvyčajne neobsahujú fotografiu.

50 slov

Každé zamestnanie uveďte v samostatnom odseku; každý dosiahnutý výsledok začnite na novom riadku znakom „-“.

10 zručností

Oddeľte zručnosti čiarkami, napríklad: Excel, SQL, plánovanie projektov.

Ďalšie sekcie

Projekty, certifikácie, jazyky alebo čokoľvek ďalšie, čo podporí vašu žiadosť o prácu.

Nástroje
Vybraný projekt

Alex Morgan

Inžinier strojového učenia

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

Zhrnutie

Inžinier strojového učenia so 7 rokmi skúseností s tvorbou systémov radenia a prognózovania pre B2B produkty v oblasti obchodu. Spája vývoj modelov v Pythone a PyTorch, návrh dátových postupov na tvorbu príznakov a nasadzovanie v Kubernetes s dôkladným offline aj online vyhodnocovaním; nasadil služby spracúvajúce 2 milióny odporúčacích požiadaviek denne.

Prax

Inžinier strojového učenia II v Cedarpath Commerce, Denver, CO (2022 – súčasnosť) - Vytvoril/a model radenia v PyTorch s využitím údajov o reláciách a katalógu, čím v kontrolovanom teste s 1,2 milióna relácií zvýšil/a mieru pridania do košíka o 6 %. - Nasadil/a odporúčacie služby v Kubernetes a pridal/a dávkové skórovanie so sledovaním v MLflow, čím skrátil/a čas odozvy p95 zo 180 ms na 125 ms. - Automatizoval/a overovanie príznakov a upozornenia na drift pri 14 produkčných príznakoch, čím tímu pomohol/pomohla odhaliť problémy s dátami pred týždenným nasadením modelov. Inžinier strojového učenia v Summitline Analytics, Boulder, CO (2019 – 2022) - Natrénoval/a modely prognózovania dopytu v scikit-learn na údajoch o predaji za tri roky, čím v porovnaní s dovtedajším sezónnym základným modelom znížil/a priemernú absolútnu chybu o 9 %. - Vytvoril/a opakovane použiteľné postupy na tvorbu príznakov v Pythone a SQL pre päť nasadení u klientov, čím skrátil/a prípravu na aktualizáciu modelu z dvoch dní približne na jeden deň.

Vzdelanie

Bakalársky titul v odbore informatika — Juniper Ridge University, Grand Junction, CO (2018)

Zručnosti

  • Python
  • SQL
  • PyTorch
  • scikit-learn
  • tvorba príznakov
  • vyhodnocovanie modelov
  • Kubernetes
  • MLflow
  • Docker
  • A/B testovanie

Nástroje

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

Vybraný projekt

• Vyvinul/a prototyp vyhľadávania a opätovného radenia produktov pomocou vektorových reprezentácií viet a PyTorch • Porovnal/a relevantnosť a latenciu na označenej množine 8 000 dopytov • Zdokumentoval/a výsledky vyhodnotenia a kompromisy pri nasadení

Ako napísať životopis na pozíciu Inžinier strojového učenia

Ukážte vplyv modelu aj nad rámec metrík

Najprv uveďte výsledok pre produkt alebo prevádzku a potom pomenujte model a metódu vyhodnotenia. Napríklad prepojte zmenu radenia s konverziou alebo relevantnosťou vyhľadávania a uveďte, či výsledok pochádza z online testu alebo offline benchmarku. Ak je to užitočné, uveďte východiskový stav, rozsah a časové obdobie; metriku bez kontextu je ťažké interpretovať.

Jasne opíšte zodpovednosť za produkčné nasadenie

Opíšte, za čo ste zodpovedali po natrénovaní modelu: dátové postupy na tvorbu príznakov, poskytovanie predikcií, monitorovanie, opätovné trénovanie, návrat k predchádzajúcej verzii alebo pohotovostné riešenie problémov. Pomenujte prostredie nasadenia a uveďte konkrétnu mieru, napríklad latenciu p95, čas aktualizácie, náklady na cloud alebo objem požiadaviek. Nevytvárajte dojem, že model bol pripravený na produkciu, ak fungoval iba v notebooku alebo obmedzenom pilotnom projekte.

Pomenujte nástroje a uveďte užitočný kontext

Uveďte jazyky, frameworky, cloudové služby a nástroje na nasadenie, o ktorých dokážete hovoriť na pohovore, a potom v odrážkach pri pracovných skúsenostiach ukážte, kde ste ich použili. Použite formulácie z inzerátu, ak presne vystihujú vašu prácu. Vynechajte dlhé zoznamy knižníc a neuvádzajte každú architektúru modelu, ktorú ste skúšali, bez vysvetlenia jej účelu.

Prostredníctvom projektov doplňte chýbajúce dôkazy

Ak máte v pracovnej histórii málo skúseností s nasadzovaním modelov, uveďte jeden alebo dva relevantné projekty s odkazom na repozitár alebo ukážku, zdrojom dát, spôsobom vyhodnotenia a opisom toho, čo ste vytvorili. Vysvetlite obmedzenia dát a nezdieľajte dôverný kód, údaje o zákazníkoch ani tvrdenia, ktoré sa nedajú overiť. Projekt má priniesť nové dôkazy, nie opakovať zoznam zručností.

Bežné kľúčové slová

Zručnosti a nástroje, ktoré sa pri tejto pozícii často uvádzajú. Použite len tie, ktoré ovládate, a zapíšte ich tak, ako sú uvedené v pracovnom inzeráte. Kliknutím na výraz ho skopírujete.

Akčné slovesá

Vytvoril/aNasadil/aZnížil/aZlepšil/aAutomatizoval/aVyhodnotil/aOptimalizoval/a

Otázky o tejto pozícii

Aký dlhý má byť životopis inžiniera strojového učenia?

Pri niekoľkých rokoch relevantných skúseností môžu byť dve strany vhodné, ak každý záznam prináša užitočné dôkazy o modeloch, dátových systémoch alebo zodpovednosti za ich prevádzku. Najrelevantnejšie skúsenosti uveďte na prvej strane a skráťte staršie podrobnosti, ktoré nepodporujú vašu kandidatúru. Účinný môže byť aj stručný jednostranový životopis, ak zostane čitateľný a poskytne dosť kontextu k vašim výsledkom.

Mám uviesť odkaz na portfólio alebo GitHub?

Uveďte ho, ak predstavuje prácu, ktorá posilní vašu žiadosť, napríklad reprodukovateľný projekt, odborný článok alebo verejný príspevok. Odkaz umiestnite k svojim kontaktným údajom alebo do časti s projektmi a uistite sa, že repozitár obsahuje prehľadný súbor README a neobsahuje tajné kľúče ani obmedzené dáta. Namiesto vysvetlenia vášho prínosu v životopise sa nespoliehajte iba na odkaz.

Ktoré certifikácie má inžinier strojového učenia uviesť?

Inžinieri strojového učenia v USA nepotrebujú všeobecnú licenciu ani povinnú certifikáciu. Uveďte certifikáciu, ak je relevantná pre pracovnú pozíciu, aktuálna a vydal ju známy poskytovateľ, napríklad certifikát cloudovej platformy. Uveďte jej presný názov a vydavateľa; vynechajte certifikácie po platnosti a osvedčenia z krátkych kurzov, ktoré neprinášajú veľa nad rámec preukázaných zručností.

Môžem prejsť z dátovej vedy do inžinierstva strojového učenia?

Áno. Popri vývoji modelov zdôraznite dôkazy o inžinierskej práci: spoľahlivé dátové postupy, testovaný kód, API alebo dávkové úlohy, nasadzovanie, monitorovanie a spoluprácu s produktovými alebo infraštruktúrnymi tímami. Presne opíšte svoju úlohu a uveďte použité nástroje a výsledky. Ak máte takých skúseností málo, pridajte cielený projekt, ktorý ukáže celý postup od prípravy dát cez vyhodnotenie až po nasadenie.