Nauka o podacima i AI · Iskusni (6+ god.)

Biografija inženjera mašinskog učenja

Ovaj primer prikazuje inženjera koji unapređuje modele za rangiranje i predviđanje, od eksperimentisanja do nadgledanih izdanja u produkciji. Dobra biografija povezuje izbor modela, rad sa podacima i implementaciju sa merljivim promenama u odzivu, relevantnosti, troškovima ili poslovnim procesima, uz jasno navođenje alata i obima rada.

Stefan Jovanović

Inženjer mašinskog učenja

  • stefan.jovanovic@example.com
  • +381 60 000 0000
  • Beograd

Profil

Inženjer mašinskog učenja sa 7 godina iskustva u izradi sistema za rangiranje i predviđanje za B2B proizvode za trgovinu. Iskusan u razvoju modela uz korišćenje alata Python i PyTorch, dizajnu cevovoda za obeležja i implementaciji na Kubernetes platformi, uz pažljivu procenu van mreže i u produkciji; pustio u rad servise koji obrađuju 2 miliona zahteva za preporuke dnevno.

Radno iskustvo

Inženjer za mašinsko učenje II u Cedarpath Commerce (2022 - danas) - Izgradio PyTorch model rangiranja koristeći funkcije sesije i kataloga, povećavajući stopu dodavanja u korpu za 6% u kontrolisanom testu na 1,2 miliona sesija. - Primenio usluge preporuka na Kubernetes i dodao grupno bodovanje (batch scoring) uz praćenje pomoću MLflow, smanjujući p95 vreme odziva sa 180 ms na 125 ms. - Automatizovao validaciju funkcija i upozorenja o odstupanju (drift) za 14 proizvodnih funkcija, pomažući timu da istraži probleme sa podacima pre nedeljnih izdanja modela. Inženjer za mašinsko učenje u Summitline Analytics (2019 - 2022) - Obučio scikit-learn modele za predviđanje potražnje na trogodišnjim podacima o prodaji, smanjujući srednju apsolutnu grešku za 9% u odnosu na postojeću sezonsku osnovnu liniju. - Izgradio višekratno iskoristive Python i SQL cevovode funkcija (feature pipelines) za pet primena kod klijenata, skraćujući pripremu osvežavanja modela sa dva dana na otprilike jedan dan.

Obrazovanje

Diplomirani inženjer računarskih nauka - Juniper Ridge University (2018)

Veštine

  • Python
  • SQL
  • PyTorch
  • scikit-learn
  • kreiranje obeležja
  • procena modela
  • Kubernetes
  • MLflow
  • Docker
  • A/B testiranje

Alati

• Jezici i biblioteke: Python, SQL, PyTorch, scikit-learn • Alati i infrastruktura: MLflow, Docker, Kubernetes • Obrada podataka: Apache Spark, Airflow

Odabrani projekat

• Razvio prototip za pronalaženje i ponovno rangiranje proizvoda u pretrazi, koristeći ugradnje rečenica i PyTorch • Uporedio relevantnost i vreme odziva na označenom skupu od 8.000 upita • Dokumentovao rezultate procene i kompromise pri implementaciji

Iskoristite ovaj primer

Otvorite alat za izradu sa ovom Inženjer mašinskog učenja biografijom, a zatim zamenite primer sopstvenim podacima.

Počnite od prazne biografije

Uobičajene ključne reči

Veštine i alati koji se često navode za ovu ulogu. Koristite samo one koje imate, uz izraze iz oglasa za posao. Kliknite na neku da biste je kopirali.

Glagoli koji opisuju radnje

NapraviliImplementiraliSmanjiliUnaprediliAutomatizovaliProceniliOptimizovali

Kako da napišete biografiju za radno mesto: Inženjer mašinskog učenja

Prikažite uticaj modela izvan metrike

Počnite od ishoda za proizvod ili poslovanje, a zatim navedite model i način procene. Na primer, povežite promenu rangiranja sa konverzijom ili relevantnošću pretrage i navedite da li je rezultat dobijen onlajn testom ili poređenjem van mreže. Kada je korisno, navedite početnu vrednost, obim i vremenski period; metriku je teško protumačiti bez konteksta.

Jasno prikažite odgovornost za produkciju

Opišite za šta ste bili odgovorni nakon obuke: cevovode za obeležja, posluživanje modela, nadgledanje, ponovno obučavanje, vraćanje prethodne verzije ili istragu tokom dežurstva. Navedite okruženje za implementaciju i konkretno merilo, kao što su p95 latencija, vreme osvežavanja, troškovi usluga u oblaku ili obim zahteva. Nemojte ostavljati utisak da je model bio spreman za produkciju ako je radio samo u notebook okruženju ili ograničenom pilotu.

Navedite alate uz koristan kontekst

Navedite jezike, okvire, klaud servise i alate za implementaciju o kojima možete da govorite na razgovoru za posao, a zatim u stavkama o iskustvu pokažite gde ste ih koristili. Upotrebite izraze iz oglasa kada tačno opisuju vaš rad. Izbegavajte dugačke spiskove biblioteka i nabrajanje svake arhitekture modela koju ste isprobali bez objašnjenja njene svrhe.

Projektima popunite praznine u dokazima

Ako imate malo iskustva sa implementacijom modela u poslu, uključite jedan ili dva relevantna projekta sa vezom do repozitorijuma ili demonstracije, izvorom podataka, načinom procene i opisom onoga što ste napravili. Objasnite ograničenja podataka i nemojte deliti poverljiv kod, podatke o klijentima ili tvrdnje koje se ne mogu proveriti. Projekat treba da pruži dodatne dokaze, a ne da ponavlja spisak veština.

Svi primeri CV-ja za oblast Nauka o podacima i AI

Pitanja o ovoj ulozi

Koliko treba da bude dugačka biografija inženjera mašinskog učenja?

Ako imate nekoliko godina relevantnog iskustva, dve stranice mogu biti dobar izbor kada svaka stavka pruža korisne dokaze o modelima, sistemima za podatke ili odgovornosti za produkciju. Najrelevantnije iskustvo stavite na prvu stranicu, a izostavite starije detalje koji ne doprinose vašoj prijavi. Usmerena biografija na jednoj stranici takođe može biti efikasna ako je čitljiva i sadrži dovoljno konteksta za vaše rezultate.

Da li treba da uključim vezu ka portfoliju ili GitHub-u?

Uključite je ako prikazuje rad koji može da ojača vašu prijavu, poput projekta koji se može ponoviti, tehničkog teksta ili javnog doprinosa. Stavite vezu blizu kontakt podataka ili u odeljak za projekte i proverite da li repozitorijum ima jasan README i ne sadrži tajne podatke ili podatke sa ograničenim pristupom. Nemojte se oslanjati na vezu umesto da u biografiji objasnite svoj doprinos.

Koje sertifikate treba da navede inženjer mašinskog učenja?

U SAD ne postoji opšta licenca ili obavezan sertifikat za inženjere mašinskog učenja. Navedite sertifikat kada je relevantan za posao, važeći i izdat od prepoznatljivog pružaoca usluga, na primer potvrdu koju izdaje klaud platforma. Navedite tačan naziv i izdavaoca; izostavite istekle sertifikate ili potvrde o kratkim kursevima koji dodaju malo u odnosu na vaše dokazane veštine.

Mogu li da pređem iz nauke o podacima u inženjerstvo mašinskog učenja?

Da. Istaknite dokaze o inženjerskom radu uz razvoj modela: pouzdane cevovode za podatke, testiran kod, API-je ili grupne zadatke, implementaciju, nadgledanje i saradnju sa timovima za proizvode ili infrastrukturu. Precizno opišite svoju ulogu i navedite alate i rezultate. Ako vam je takvo iskustvo ograničeno, dodajte fokusiran projekat koji prikazuje ceo proces, od pripreme podataka do procene i implementacije.