Üretime alınan model çalışmalarınızı öne çıkarın
Mevcut görevinizi ve üretim ortamındaki en güçlü çalışmalarınızı üst sıralarda sunun. Modelin ne iş yaptığını, verinin ölçeğini veya çalışma ortamını ve sürüm sonrasında inceleme hacmi, gecikme süresi ya da veri çıkarma kalitesi gibi nelerin değiştiğini belirtin. Prototipleri, müşterilerin veya operasyon ekiplerinin kullandığı özelliklerden ayrı tutun; işe alım ekipleri modelleri bir notebook'un ötesinde destekleyip desteklemediğinizi anlamalıdır.
Modelleri nasıl değerlendirdiğinizi gösterin
Değerlendirme yöntemini ve göreve uygun ölçütü belirtin: algılama için kesinlik ve geri çağırma, veri çıkarma için F1 veya çıkarım servisi için gecikme süresi. Mümkünse veri kümesinin boyutunu ya da kaynağını belirtin ve sonuçların ayrılmış bir kümeden mi yoksa üretim izlemelerinden mi elde edildiğini açıklayın. Ne ölçtüğünüzü belirtmeden modelin doğru olduğunu ileri sürmeyin.
Kullandığınız teknoloji yığınını netleştirin
PyTorch, OpenCV, Hugging Face Transformers, Docker veya Kubernetes gibi uygulamalı olarak kullandığınız çatıları, model ailelerini ve dağıtım araçlarını listeleyin. Denediğiniz her paketi sıralamak yerine her aracı bir projeyle veya başarıyla ilişkilendirin. Bulut platformlarından veya vektör veri tabanlarından yalnızca gerçek çalışmalarınızda yer aldılarsa ve iş ilanıyla ilgiliyseler söz edin.
Odaklı bir portföy bağlantısı ekleyin
Kısa bir portföy; yeniden çalıştırılabilir bir bilgisayarlı görü veya NLP projesini, değerlendirme yaklaşımınızı ve tercihlerin gerekçelerini gösterebilir. Paylaşma izniniz olan koda veya demoya bağlantı verin; müşteri verilerini, kimlik bilgilerini ve kuruma özel model ayrıntılarını kaldırın. Okuyucular sorumluluk düzeyinizi hızla anlayabilsin diye akademik makaleleri, eğitimleri ve kişisel projeleri üretim çalışmalarından ayrı tutun.