Datavetenskap och AI · Medelnivå till senior (4+ år)

CV för ingenjör inom datorseende och NLP

Det här exemplet visar hur du kan koppla datorseende och språkmodeller till mätbara produktförbättringar, från bildflöden till textklassificering. Ett starkt CV för den här rollen gör data, modellval, driftsättning och utvärderingsresultat tydliga för både utvecklingsteam och team inom tillämpad forskning.

Astrid Lind

Ingenjör inom datorseende och NLP

  • astrid.lind@example.com
  • +46 70 000 00 00
  • Stockholm

Sammanfattning

Ingenjör inom datorseende och NLP med 5 års erfarenhet av att bygga ML-funktioner i produktion för en B2B-plattform inom logistik. Styrkor inom bildförbehandling, finjustering av transformermodeller och modellevaluering, med dokumenterade förbättringar av dokumentextraktion och granskning av skador på paket. Van att driftsätta PyTorch-tjänster och övervaka modellkvalitet efter lansering.

Arbetslivserfarenhet

Ingenjör inom datorseende och NLP på Pineglass Parcel Technologies (2023 - pågående) - Byggde en PyTorch- och OpenCV-pipeline för skadedetektering på lagerbilder, som hanterade omkring 1 200 bilder per dag och minskar den manuella granskningsvolymen med 18%. - Finjusterade en Hugging Face-tokenklassificeringsmodell för extrahering av fraktdokument, vilket höjde F1-poängen på fältnivå från 0,86 till 0,91 på ett utvärderingsdata som inte använts vid träningen. - Distribuerade versionerade härledningstjänster med Docker och Kubernetes, vilket minskade medianbildbehandlingstiden från 1,8 sekunder till 1,2 sekunder per bild. Maskininlärningsingenjör på Ridgeway Applied Language Labs (2021 - 2023) - Utvecklade arbetsflöden för OCR och igenkänning av namngivna enheter för fakturor med Tesseract och BERT, vilket förkortade den genomsnittliga tiden för att hantera avvikelser med 22% över två kundteam. - Utvärderade YOLO-objektigenkänningsmodeller på ett märkt dataset med 14 000 bilder, vilket identifierade kamera- och belysningsluckor som förbättrade träffsäkerheten med 7 procentenheter.

Utbildning

Kandidatexamen i datavetenskap - Aspen Vale Institute of Computing (2021)

Kompetenser

  • Datorseende
  • naturlig språkbehandling
  • PyTorch
  • OpenCV
  • Hugging Face Transformers
  • objektdetektering
  • OCR
  • igenkänning av namngivna entiteter
  • modellevaluering
  • Docker
  • Kubernetes

Utvalda projekt

• Detektering av skador på paket: jämförde olika YOLO-modeller och dokumenterade återfinningsgraden per skadetyp. • Extraktion av fraktdokument: skapade ett utvärderingsdataset för OCR och entitetsextraktion från skanningar av varierande kvalitet.

Verktyg

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

Använd det här exemplet

Öppna byggaren med detta Ingenjör inom datorseende och NLP-CV och ersätt sedan exemplet med dina egna uppgifter.

Börja med ett tomt CV

Vanliga nyckelord

Kompetenser och verktyg som ofta anges för den här yrkesrollen. Använd bara sådant du kan och formulera det som i platsannonsen. Klicka på ett nyckelord för att kopiera det.

Handlingsverb

ByggdeTränadeDriftsatteMinskadeFörbättradeAutomatiseradeUtvärderade

Så skriver du ett CV för Ingenjör inom datorseende och NLP

Börja med produktionssatta modeller

Placera din nuvarande roll och ditt starkaste arbete med produktionssatta modeller högt upp. Beskriv vad modellen hanterade, datamängden eller användningsmiljön och vad som förändrades efter lanseringen, till exempel granskningsvolym, fördröjning eller extraktionskvalitet. Skilj prototyper från funktioner som används av kunder eller i verksamheten. Rekryteringsteam behöver förstå om du har förvaltat modeller utanför en notebook.

Visa hur du utvärderade modeller

Ange utvärderingsmetoden och det mått som passar uppgiften: precision och återkallelsegrad för detektering, F1 för extraktion eller fördröjning för en inferenstjänst. Ange datasetets storlek eller källa när du kan och förklara om resultaten kom från en separat utvärderingsmängd eller produktionsövervakning. Undvik obestyrkta påståenden om att en modell är träffsäker utan att ange vad du mätte.

Var specifik om din teknikstack

Lista de ramverk, modelltyper och verktyg för driftsättning som du har använt praktiskt, till exempel PyTorch, OpenCV, Hugging Face Transformers, Docker eller Kubernetes. Koppla varje verktyg till ett projekt eller en prestation i stället för att lista alla paket du har provat. Nämn molnplattformar eller vektordatabaser bara om de ingick i ditt faktiska arbete och är relevanta för platsannonsen.

Länka till en avgränsad portfölj

En kort portfölj kan visa ett reproducerbart projekt inom datorseende eller NLP, hur du utvärderade det och en tydlig förklaring av avvägningarna. Länka till kod eller en demo som du har rätt att dela och ta bort kunddata, inloggningsuppgifter och skyddade modelldetaljer. Håll akademiska artiklar, handledningar och sidoprojekt åtskilda från produktionsarbete så att läsaren snabbt förstår ditt ansvar.

Alla CV-exempel inom Datavetenskap och AI

Frågor om den här yrkesrollen

Hur långt bör ett CV för en ingenjör inom datorseende och NLP vara?

Med ungefär fem års erfarenhet är två sidor oftast rimligt om den andra sidan innehåller relevant projektinformation eller tekniska detaljer. Placera ditt starkaste produktionsarbete, modellevaluering och driftsättningsresultat på första sidan. Tidiga kurser och orelaterade jobb kan vanligtvis kortas ner eller tas bort, om de inte visar direkt relevanta färdigheter.

Bör jag ta med en portfölj eller GitHub-länk?

Ta med en länk om den visar relevant arbete som är offentligt och lätt att granska, till exempel ett reproducerbart projekt, en notebook för utvärdering eller en teknisk artikel. Förklara uppgiften, datakällan, måtten och ditt bidrag. Ladda inte upp kunddata, arbetsgivarens kod eller material som omfattas av sekretessavtal. För sådant arbete är en beskrivning utan känsliga uppgifter säkrare.

Vilka certifieringar bör jag ta med för den här rollen?

Ingenjörsroller inom datorseende och NLP kräver i regel ingen allmän yrkeslicens eller certifiering i USA. Ta bara med en relevant certifiering inom molntjänster eller maskininlärning om du har tagit den. Ange utfärdare och datum när det är relevant och placera den efter omfattande projekterfarenhet. Beskriv inte en avslutad kurs som en yrkescertifiering.

Kan jag gå över till den här rollen från datavetenskap eller programvaruutveckling?

Ja. Lyft fram projekt som visar att du kan bygga och utvärdera modeller för datorseende eller språk, hantera verkliga data och integrera inferens i en applikation. Om du har bakgrund inom datavetenskap tar du med exempel på driftsättning och övervakning. Om du har bakgrund inom programvaruutveckling visar du modellträning, uppgiftsanpassade mått och datahantering. Märk personliga projekt och akademiska projekt tydligt och beskriv ditt eget bidrag.