電腦視覺與NLP工程師履歷

這個範例展示如何將電腦視覺與語言模型連結至可衡量的產品改進，範圍涵蓋影像管線到文字分類。這個職位的出色履歷，能向工程與應用研究團隊清楚呈現資料、模型選擇、部署工作以及評估結果。

個人簡介

具備5年經驗的電腦視覺與NLP工程師，曾為B2B物流平台打造正式上線的機器學習功能。擅長影像前處理、Transformer微調與模型評估，並曾改善文件擷取與包裹受損審查的工作流程。具備部署PyTorch服務，以及在上線後監控模型品質的經驗。

工作經歷

Pineglass Parcel Technologies 電腦視覺與NLP工程師（2023 - 至今） - 針對倉庫照片建立PyTorch與OpenCV損壞偵測管線，每日分流處理約1,200張影像，並將人工審查量減少18%。 - 微調用於出貨文件擷取的Hugging Face詞元分類模型，在保留評估集上將欄位層級F1從0.86提升至0.91。 - 使用Docker與Kubernetes部署有版本管理的推論服務，將每張影像的處理時間中位數從1.8秒縮短至1.2秒。 Ridgeway Applied Language Labs 機器學習工程師（2021-2023） - 使用Tesseract與BERT開發發票的OCR與命名實體辨識工作流程，將兩個客戶團隊的平均例外案件分類處理時間縮短22%。 - 在包含14,000張標註影像的資料集上評估YOLO物件偵測模型，找出相機與光線條件的不足，將召回率提升7個百分點。

學歷

資訊科學學士 - Aspen Vale Institute of Computing（2021）

技能

電腦視覺
自然語言處理
PyTorch
OpenCV
Hugging Face Transformers
物件偵測
OCR
命名實體辨識
模型評估
Docker
Kubernetes

精選專案

• 包裹受損偵測：比較YOLO模型變體並依受損類型記錄召回率。 • 出貨文件擷取：為跨多種掃描檔案的OCR與實體擷取建立評估集。

工具

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

使用此範例

使用此電腦視覺與NLP工程師履歷開啟製作工具，然後將範例替換為你自己的詳細資料。

從空白履歷開始

常見關鍵字

此職位經常列出的技能與工具。請僅使用你具備的項目，並採用職缺中的用詞。點擊即可複製。

履歷動詞

建立訓練部署減少改善自動化評估

如何撰寫電腦視覺與NLP工程師履歷

以已上線的模型成果為開頭

將你目前的職位和最具代表性的正式上線成果放在最前面。說明模型處理的內容、資料規模或營運情境，以及上線後的變化，例如審查量、延遲或擷取品質。將原型與客戶或營運單位實際使用的功能區分開來；招募團隊需要了解你是否維運過Jupyter Notebook以外的模型。

展現你如何評估模型

說出適合該任務的評估方法與指標：偵測用精確率與召回率、擷取用F1，或推論服務用延遲。可行時提供資料集大小或來源，並說明結果來自保留測試集還是正式環境監控。避免在未說明衡量內容的情況下，做出模型很準確的空泛宣稱。

讓你的技術堆疊具體化

列出你實際動手操作過的框架、模型系列和部署工具，例如PyTorch、OpenCV、Hugging Face Transformers、Docker或Kubernetes。將每個工具與專案或成就連結，而不是列出你試過的所有套件。只有在雲端平台或向量資料庫是你實際工作的一部分且與職缺相關時，才提及它們。

附上聚焦的作品集連結

精簡的作品集可以展示可重現的視覺或NLP專案、評估方法，以及對取捨的清楚說明。附上你獲准分享的程式碼或展示連結，並移除客戶資料、憑證和專有模型細節。將學術論文、教學課程和個人副專案與正式工作成果區分開來，讓讀者能快速了解你的負責程度。

所有資料科學與人工智慧履歷範例

關於此職位的問題