Инженер по машинно обучение - примерна автобиография
Български
Вижте как професионалната автобиография на ML инженер демонстрира разработка на модели, канали за внедряване и производствени ML системи. Персонализирайте този пример с вашия опит.
[email protected]+359 88 345 6789София, БългарияСвидетелство за управление категория B
Професионален Профил
Старши инженер по машинно обучение със 7 години опит в изграждането и внедряването на производствени ML системи в голям мащаб. Специализиран в NLP, системи за препоръки и архитектури за дълбоко обучение, с модели, обслужващи над 10 милиона прогнози дневно с латентност под 100 мс. Публикувал 3 статии на водещи ML конференции, включително NeurIPS и ICML. Запален по преодоляването на разликата между изследвания и производство, с практическа експертиза в MLOps, разпределено обучение и оптимизация на изводи в реално време.
Професионален Опит
Старши инженер по машинно обучение
Telerik (Progress)
Юни 2022 - Настоящ момент
Изгради двигател за препоръки, обслужващ над 10 милиона прогнози дневно с 99,5% наличност и P99 латентност под 80 мс
Разработи цялостен ML канал от събиране на данни до внедряване на модели чрез Kubeflow и MLflow, намалявайки времето за внедряване от 2 седмици на 3 часа
Подобри честотата на кликване с 25% чрез A/B тествани промени в архитектурата на модела върху 4 продуктови повърхности
Проектира и внедри хранилище за характеристики, обслужващо над 500 характеристики за 12 производствени модела, намалявайки дублирането на инженеринг на характеристики със 70%
Менторира 3 младши ML инженери и установи процес за преглед на модели, приет от целия екип на ML платформата
Инженер по машинно обучение
Chaos Group
Авг 2019 - Май 2022
Фино настрои модели BERT и GPT-2 за класификация на документи, постигайки 97% точност върху производствени набори от данни на 15 езика
Изгради канал за анализ на текст в реално време, обработващ 500K документа дневно чрез Spark и Kafka с цялостна латентност под 200 мс
Намали времето за обучение на модели с 60% чрез разпределено обучение върху GPU клъстери с Horovod и PyTorch DDP
Внедри система за мониторинг на модели и откриване на отклонения, която задействаше автоматично преобучение, поддържайки точността на модела над SLA от 95%
Инженер по машинно обучение
Ontotext
Юли 2017 - Юли 2019
Разработи модел за класификация на изображения с 94% точност за маркиране на съдържание, обработвайки над 3 милиона активи и намалявайки ръчния преглед с 65%
Създаде канал за аугментация на данни, увеличаващ размера на обучаващия набор 5 пъти чрез техники включително CutMix, MixUp и синтетична генерация
Публикува изследователска статия за методи на трансферно обучение на работна среща на ICML, получавайки над 50 цитирания през първата година
Изгради интерактивно табло за обяснимост на модели чрез SHAP и LIME, позволявайки на нетехнически заинтересовани страни да интерпретират прогнози
Образование
Магистър по компютърни науки (машинно обучение)
Софийски университет "Св. Климент Охридски"
2015 - 2017
Специализация в машинно обучение и системи за дълбоко обучение.
Бакалавър по компютърни науки
Технически университет - София
2011 - 2015
Фокус върху алгоритми, статистика и разпределени системи.
Курсове и Сертификати
AWS Certified Machine Learning - Specialty
Amazon Web Services
2023
ID на сертификат: AWS-MLS-2023-58104
TensorFlow Developer Certificate
Google
2021
Професионален сертификат за изграждане и обучение на TensorFlow модели.
Специализация по дълбоко обучение
Coursera (DeepLearning.AI)
2020
Специализация от пет курса, обхващаща CNN, RNN и секвенциални модели.
Езици
Български
Говорене: Роден езикСлушане: Роден езикПисане: Роден език
Това е примерна автобиография. Персонализирайте я с вашия опит, като използвате нашия безплатен конструктор на автобиографии.
Съвети за автобиография
Покажете производствен ML, не само ноутбуци
Компаниите искат инженери, които внедряват модели, не само ги обучават. Подчертайте обслужване на модели, метрики за латентност, мониторинг и опит с MLOps канали.
Включете метрики за производителност на модела
Числата за точност, F1, AUC-ROC, латентност и пропускателна способност показват, че моделите ви наистина работят в мащаб. 'P99 латентност под 80 мс при 10 милиона прогнози дневно' е силно.
Споменете пълния ML жизнен цикъл
Събиране на данни, инженеринг на характеристики, обучение на модели, оценка, внедряване, мониторинг. Покажете, че разбирате целия канал, не само стъпката на моделиране.
Изброете публикации и отворен код
ML инженерингът цени изследователски приноси. Ако имате статии, презентации на конференции или значими приноси с отворен код, включете ги на видно място.
Ключови умения
PythonPyTorch/TensorFlowРазработка на ML каналиВнедряване на моделиMLOps (Kubeflow/MLflow)NLP/Компютърно зрениеДълбоко обучениеРазпределено обучениеИнженеринг на характеристикиA/B TestingAWS SageMakerИнженеринг на данни
Как да напишете автобиография за инженер по машинно обучение
Автобиографията на ML инженер трябва да доказва, че можете да превърнете модел в надеждна производствена система, а не само в тетрадка с експерименти. Следвайте тези 5 стъпки, за да структурирате съдържанието и да минете и ATS филтрите, и техническия рекрутер.
1
Професионално резюме с производствено въздействие
Обобщете в 2-3 изречения нивото си (junior/middle/senior), домейна (напр. финтех, e-commerce, NLP/LLM продукти) и основния стек (Python, PyTorch, MLOps инструменти), завършвайки с една силна производствена метрика - например 'внедрени модели, обслужващи над 5 милиона прогнози дневно с P95 латентност под 80 мс'. За junior позиции без трудов опит заменете метриката с образование, значим проект (внедрен модел, RAG приложение) и класиране в Kaggle състезание. Конкретиката кара рекрутерите да продължат да четат.
2
Описания на трудов опит с измерими резултати
Всеки булет трябва да свързва техническо действие с измерим бизнес резултат: подобрение на модел (точност, F1, AUC) обвързано с приход или намалени загуби, латентност и пропускателна способност на обслужване, или мащаб на канал за данни. Пример: 'Внедри модел за прогнозиране на търсенето чрез XGBoost и Airflow, намалявайки излишните запаси с 22% и спестявайки 400 000 лв годишно.' Използвайте силни глаголи (внедри, оптимизира, автоматизира, мащабира) и назовавайте конкретни инструменти, за да минете и ATS филтрите, и прегледа на рекрутер.
3
Секция умения, съобразена с обявата
Групирайте уменията в ясни категории - ML фреймуърци (PyTorch, TensorFlow, Scikit-learn), MLOps и инфраструктура (Docker, Kubernetes, MLflow, Kubeflow), инженеринг на данни (SQL, Spark, Airflow) и езици за програмиране. Огледайте точната терминология от обявата - ако тя споменава 'Vertex AI', а не просто 'GCP', използвайте същата дума, защото ATS системите сканират за точни съвпадения. По-добре е дълбочина в 10-12 релевантни технологии, отколкото повърхностен списък от 30 библиотеки.
4
Покажете производствен код, не само ноутбуци
GitHub профил с внедрени проекти тежи повече от списък завършени курсове - линк към репо с RAG приложение, fine-tuned модел или ML API демонстрира реални инженерни умения. За изследователски позиции споменете публикации или участие в работилници на конференции. За junior кандидати класиране в Kaggle състезание или възпроизводим пайплайн с ясна документация показват инициатива и техническа зрялост, дори при липса на трудов опит в областта.
5
Образование, сертификати и финални ATS проверки
Магистърска или докторска степен по компютърни науки, статистика или сродна област остава силен сигнал, особено за изследователски роли, но сертификати като AWS Certified Machine Learning - Specialty или Google Professional ML Engineer могат да подсилят практическия профил. Накрая проверете форматирането: единична колона, стандартни заглавия на секции (Опит, Умения, Образование), запазване като PDF и включване на ключови думи директно от обявата - това решава дали автобиографията минава през ATS филтъра.
Примерни професионални резюмета за автобиография на ML инженер
Копирайте и адаптирайте едно от тези резюмета според вашето ниво на опит и домейн.
Junior ML инженер / без трудов опит
Наскоро завършил магистър по компютърни науки с фокус върху машинно обучение, търсещ позиция за junior ML инженер. Изгради и внедри модел за класификация на изображения чрез PyTorch и FastAPI, достигайки 91% точност, обслужван чрез Docker контейнер на AWS EC2. Завърши в топ 5% на Kaggle състезание за прогнозиране на отток на клиенти. Владее Python, SQL и основи на MLOps (Docker, Git, CI/CD). Мотивиран да прилага солидни инженерни практики върху производствени ML системи.
Старши ML инженер
Старши ML инженер с 8+ години опит в изграждането на производствени системи за откриване на измами и оценка на кредитен риск във финтех сектора. Внедрил модели, обслужващи над 15 милиона транзакции дневно с P99 латентност под 60 мс, намалявайки загубите от измами с 35%. Дълбока експертиза в PyTorch, Kubernetes, Kubeflow и разпределено обучение. Лидер на екип от 5 инженери и ментор в процеса на преглед на модели.
Смяна на кариера в ML (от софтуерно инженерство)
Софтуерен инженер с 6 години опит в backend разработка, преминаващ към машинно обучение чрез магистърска степен и практически проекти. Изгради и внедри RAG приложение чрез LangChain и векторна база данни Pinecone, обслужващо запитвания в реално време с латентност под 300 мс. Комбинира силни инженерни основи (Docker, Kubernetes, CI/CD, тестване) с нарастваща експертиза в PyTorch и дълбоко обучение, готов да допринесе за производствени ML системи от първия ден.
Ключови думи за ATS в автобиография на ML инженер
Огледайте точните термини от обявата за работа - и рекрутерите, и ATS системите сканират за тях буквално.
Machine Learning
Използвайте го изрично в професионалното резюме и заглавието на позицията, дори когато изброявате и по-специфични подобласти като NLP или Computer Vision.
Python
Основният език на почти всяка ML роля; споменете конкретни библиотеки, ако обявата ги изисква изрично.
PyTorch
Посочете конкретен проект, в който сте го използвали за обучение или fine-tuning на модели, не просто го добавяйте в списък.
TensorFlow
Ако обявата споменава конкретно TensorFlow/Keras, включете го отделно от PyTorch - ATS филтрите различават термините буквално.
MLOps
Общ термин, който показва разбиране на целия жизнен цикъл - подкрепете го с конкретни инструменти като MLflow или Kubeflow в следващия ред.
Docker
Споменете го заедно с Kubernetes, ако сте контейнеризирали и оркестрирали модели в продукция.
Kubernetes
Използвайте го, ако наистина сте внедрявали или мащабирали услуги в клъстер, а не само сте го чели в документация.
SQL
Почти универсално изискване за инженеринг на характеристики и анализ на данни преди обучение на модел.
NLP/LLM
Най-горещият сигнал през 2026 г. - споменете конкретно fine-tuning, RAG пайплайни или векторни бази данни, ако имате опит.
AWS SageMaker
Заменете с Vertex AI или Azure ML, ако обявата и инфраструктурата на компанията използват друг облак - огледайте точния инструмент.
Примери за булети: слаби срещу силни
Пренапишете описанията на трудовия опит така, че да показват количествен производствен резултат, а не само отговорности.
Внедряване на модел
Отговарях за внедряването на модели за машинно обучение в продукция.
Внедри модел за откриване на измами чрез TensorFlow Serving в Kubernetes клъстер, постигайки P95 латентност от 45 мс при 5000 заявки в секунда и намалявайки разходите за инфраструктура с 30%.
Подобряване на модел
Работих върху подобряване на точността на модела за препоръки.
Преработи архитектурата на модела за препоръки чрез добавяне на характеристики базирани на ембединги, повишавайки честотата на конверсия с 18% и генерирайки допълнителни 1.2 млн лв годишни приходи.
MLOps канал и автоматизация на преобучение
Помагах за поддръжката на ML каналите на екипа.
Автоматизира канал за преобучение чрез Airflow и MLflow, съкращавайки цикъла от откриване на дрифт до внедряване на нов модел от 2 седмици на 4 часа и повишавайки надеждността на канала до 99.8%.
Често задавани въпроси
Какво трябва да включва автобиографията на инженер по машинно обучение?
Автобиографията на ML инженер трябва да подчертава производствени ML системи, метрики за производителност на модела, опит с канали за внедряване и програмни умения (Python, PyTorch/TensorFlow). Включете метрики за латентност, пропускателна способност и бизнес въздействие от внедрени модели.
Каква е разликата между автобиография на специалист по данни и ML инженер?
Автобиографиите на ML инженер наблягат на производствени системи, внедряване, MLOps и инженерни практики. Автобиографиите на специалист по данни се фокусират повече върху анализ, експерименти и статистически методи. ML инженерите изграждат системи; специалистите по данни изграждат модели.
Необходима ли ми е магистърска степен за ML инженеринг?
Много позиции за ML инженер предпочитат магистърска или докторска степен, но това не винаги е задължително. Силен проектен опит, приноси с отворен код и демонстрирана способност за внедряване на производствени ML системи могат да компенсират формалното образование.
Мога ли да създам автобиография на ML инженер безплатно?
Да! Нашият безплатен конструктор на автобиографии ви позволява да създадете професионална автобиография на ML инженер. Използвайте този пример като вдъхновение, персонализирайте го с вашия опит и изтеглете професионален PDF за минути. Търсете обяви на jobs.bg и zaplata.bg.
Как да напиша автобиография за ML инженер без опит?
Заменете липсващия трудов опит с внедрени лични проекти (модел, обслужван чрез Docker/FastAPI), класиране в Kaggle състезание и GitHub профил с код, който компилира и работи. Магистърска степен с фокус върху ML/дълбоко обучение и стаж (дори неплатен) също тежат силно. Подредете автобиографията така, че секцията 'Проекти' да стои непосредствено след резюмето, преди образованието.
Как да покажа опит с LLM и GenAI в автобиографията?
Опишете конкретна LLM работа с измерим резултат - fine-tuning на модел за конкретна задача, изграждане на RAG пайплайн с векторна база данни (Pinecone, Weaviate, pgvector) или система за оценка на промптове. Пример: 'Изгради RAG система чрез LangChain и Pinecone, намалявайки времето за отговор на служители в поддръжка с 40%.' Това е най-сканираният сигнал за ML роли през 2026 г., дори в страничен проект.
Личните проекти и Kaggle класиранията заместват ли трудовия опит?
Не изцяло, но за junior позиции добре документиран, внедрен проект (не просто ноутбук с анализ) или силно класиране в Kaggle състезание могат да компенсират липсата на официален трудов стаж. Работодателите гледат дали проектът стига до нещо, което работи в продукция - API, демо приложение или контейнеризиран модел - а не само точност върху тестов набор.
Кои сертификати за ML инженер си струва да бъдат включени?
AWS Certified Machine Learning - Specialty и Google Professional ML Engineer са най-разпознаваемите и показват практическо познаване на облачна ML инфраструктура. Те обаче тежат по-малко от демонстриран проект с внедряване - разглеждайте ги като допълнение към портфолиото, не като негов заместител.
Автобиографията за ML инженер трябва ли да е на английски или на български?
За повечето ML позиции в България, особено в компании с международни клиенти или отдалечени екипи (какъвто е голяма част от софийския tech сектор), английска версия е почти задължителна - и без друго термините на ролята (machine learning, deep learning) остават на английски дори в българските CV-та. За чисто локални компании българска версия е достатъчна, но подготвянето на английски вариант увеличава шансовете ви значително.
Мога ли да изтегля този пример за автобиография на ML инженер на български?
Да - редактирайте директно този пример в нашия безплатен конструктор: заменете имената, компаниите и метриките с вашите собствени, изберете от 3 ATS-съвместими шаблона и изтеглете PDF веднага, без регистрация.
Създайте автобиографията си сега
Използвайте този пример като вдъхновение. Персонализирайте с вашия опит и изтеглете професионален PDF за минути. 100% безплатно.
