Pogledajte kako profesionalni životopis inženjera strojnog učenja ističe razvoj modela, cjevovode za implementaciju i produkcijske ML sustave. Prilagodite ovaj primjer vlastitom iskustvu.
[email protected]+385 91 345 6789Savska cesta 32, 10000 Zagreb, HrvatskaVozačka dozvola kategorije B
Profesionalni Sažetak
Viši inženjer strojnog učenja s 7 godina iskustva u izgradnji i implementaciji produkcijskih ML sustava u velikim razmjerima. Specijaliziran za NLP, sustave preporuka i arhitekture dubokog učenja, s modelima koji dnevno poslužuju više od 10 milijuna predviđanja uz latenciju ispod 100 ms. Objavio 3 rada na vodećim ML konferencijama uključujući NeurIPS i ICML. Strastven u premošćivanju jaza između istraživanja i produkcije, s praktičnom stručnošću u MLOps-u, distribuiranom treniranju i optimizaciji zaključivanja u stvarnom vremenu.
Radno Iskustvo
Viši inženjer strojnog učenja
Infobip
lip. 2022. – danas
Izgradio sustav preporuka koji dnevno poslužuje više od 10 milijuna predviđanja uz 99,5% dostupnosti i P99 latenciju ispod 80 ms
Razvio cjeloviti ML cjevovod od prikupljanja podataka do implementacije modela koristeći Kubeflow i MLflow, smanjivši vrijeme implementacije s 2 tjedna na 3 sata
Poboljšao stopu klikanja za 25% kroz A/B testirane promjene arhitekture modela na 4 proizvodne površine
Dizajnirao i implementirao spremište značajki koje poslužuje više od 500 značajki za 12 produkcijskih modela, smanjivši dupliciranje inženjerstva značajki za 70%
Mentorirao 3 mlađa ML inženjera i uspostavio proces pregleda modela usvojen u cijelom timu ML platforme
Inženjer strojnog učenja
Rimac Technology
kol. 2019. – svi. 2022.
Fino podesio BERT i GPT-2 modele za klasifikaciju dokumenata postižući 97% točnosti na produkcijskim skupovima podataka na 15 jezika
Izgradio cjevovod za analizu teksta u stvarnom vremenu koji dnevno obrađuje 500 tisuća dokumenata koristeći Spark i Kafka uz ukupnu latenciju ispod 200 ms
Smanjio vrijeme treniranja modela za 60% kroz distribuirano treniranje na GPU klasterima koristeći Horovod i PyTorch DDP
Implementirao sustav za nadzor modela i otkrivanje pomaka koji je pokretao automatsko ponovno treniranje, održavajući točnost modela iznad SLA praga od 95%
Inženjer strojnog učenja
Photomath
srp. 2017. – srp. 2019.
Razvio model klasifikacije slika s 94% točnosti za označavanje sadržaja, obrađujući više od 3 milijuna materijala i smanjivši ručni pregled za 65%
Izradio cjevovod za augmentaciju podataka koji je 5 puta povećao veličinu skupa za treniranje koristeći tehnike CutMix, MixUp i sintetičku generaciju
Objavio istraživački rad o metodama prijenosnog učenja na ICML radionici, primivši više od 50 citata u prvoj godini
Izgradio interaktivnu nadzornu ploču za objašnjivost modela koristeći SHAP i LIME, omogućivši netehničkim dionicima interpretaciju predviđanja
Obrazovanje
Magistar računarstva (strojno učenje)
Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva
2015 - 2017
Smjer strojno učenje i sustavi dubokog učenja.
Prvostupnik računarstva
Sveučilište u Rijeci, Tehnički fakultet
2011 - 2015
Naglasak na algoritmima, statistici i distribuiranim sustavima.
Tečajevi i Certifikati
AWS Certified Machine Learning - Specialty
Amazon Web Services
2023
ID certifikata: AWS-MLS-2023-58104
TensorFlow Developer Certificate
Google
2021
Profesionalni certifikat za izradu i treniranje TensorFlow modela.
Deep Learning Specialization
Coursera (DeepLearning.AI)
2020
Specijalizacija od pet tečajeva koja pokriva CNN-ove, RNN-ove i sekvencijske modele.
Algebra Akademija - Primijenjeno strojno učenje
Visoko učilište Algebra
2019
Praktični program o produkcijskim ML sustavima i MLOps praksama.
PythonPyTorchTensorFlowScikit-learnKubeflowMLflowSparkSQLDockerAWS SageMakerNLPDuboko učenje
Ovo je ogledni životopis. Prilagodite ga vlastitim iskustvima koristeći naš besplatni alat za izradu životopisa.
Savjeti za životopis
Pokažite produkcijski ML, ne samo bilježnice
Tvrtke žele inženjere koji implementiraju modele, ne samo one koji ih treniraju. Istaknite posluživanje modela, metrike latencije, nadzor i iskustvo s MLOps cjevovodima.
Uključite metrike performansi modela
Točnost, F1, AUC-ROC, latencija i propusnost dokazuju da vaši modeli stvarno rade u velikim razmjerima. 'P99 latencija ispod 80 ms uz 10 milijuna predviđanja dnevno' je snažan podatak.
Spomenite cijeli životni ciklus ML-a
Prikupljanje podataka, inženjerstvo značajki, treniranje modela, evaluacija, implementacija, nadzor. Pokažite da razumijete cijeli cjevovod, ne samo korak modeliranja.
Navedite publikacije i otvoreni kod
ML inženjerstvo cijeni istraživačke doprinose. Ako imate radove, konferencijska izlaganja ili značajne doprinose otvorenom kodu, istaknite ih upadljivo.
Ključne vještine
PythonPyTorch/TensorFlowRazvoj ML cjevovodaImplementacija modelaMLOps (Kubeflow/MLflow)NLP/Računalni vidDuboko učenjeDistribuirano treniranjeInženjerstvo značajkiA/B testiranjeAWS SageMakerInženjerstvo podataka
Kako napisati životopis inženjera strojnog učenja koji prolazi ATS provjeru
Životopis za ML inženjera mora dokazati da znate model odvesti od bilježnice do produkcije, ne samo istrenirati ga. Poslodavci u Hrvatskoj i regiji (od Infobipa i Rimca do stranih timova koji zapošljavaju remote) traže konkretne brojke o implementaciji, latenciji i pouzdanosti sustava.
1
1. Sažetak koji odmah pokazuje razinu i stack
U 2-3 rečenice navedite razinu seniornosti, domenu (preporuke, prevara, NLP/LLM, računalni vid) i ključni stack (Python, PyTorch/TensorFlow, MLOps alati). Dodajte jednu naslovnu produkcijsku metriku, npr. 'implementirao modele koji poslužuju 2 milijuna predviđanja dnevno uz P95 latenciju ispod 50 ms'. Junior kandidati bez radnog iskustva umjesto toga navode smjer studija, ključne projekte i Kaggle/GitHub rezultate.
2
2. Radno iskustvo s mjerljivim rezultatima
Svaki redak treba pokazati učinak od početka do kraja, ne samo zadatak. Primjer jake točke: 'Implementirao model za detekciju prevara koristeći XGBoost i FastAPI, smanjivši lažne prijave za 30% i skrativši vrijeme zaključivanja sa 400 ms na 60 ms.' Navedite poslovnu metriku (prihod, stopa konverzije, smanjenje troška) uz tehnički alat koji ste koristili.
3
3. Sekcija vještina grupirana po slojevima
Razdvojite vještine u jasne skupine: ML okviri (PyTorch, TensorFlow, scikit-learn), MLOps i infrastruktura (Docker, Kubernetes, MLflow, Kubeflow, SageMaker/Vertex AI), inženjerstvo podataka (Spark, SQL, Airflow) i programski jezici. Zrcalite točnu terminologiju iz oglasa za posao jer je ATS sustav skenira doslovno, ali nemojte nabrajati svaki alat koji ste ikad dotaknuli.
4
4. Pokažite produkciju i kod, ne samo bilježnice
GitHub s implementiranim projektima (API koji stvarno poslužuje model, RAG aplikacija, deployan pipeline) vrijedi više od popisa online tečajeva. Za istraživački orijentirane uloge navedite radove i konferencije; za junior pozicije Kaggle plasman i reproducibilni repozitoriji su najbolji dokaz da znate raditi samostalno.
5
5. Obrazovanje, certifikati i završna ATS provjera
Magisterij ili doktorat iz računarstva/strojnog učenja pomažu, posebno kod istraživački usmjerenih timova, ali nisu presudni uz jak portfelj. Certifikati poput AWS Certified Machine Learning - Specialty ili Google Professional ML Engineer daju dodatnu vjerodostojnost. Prije slanja provjerite: jedan stupac, standardni naslovi sekcija, PDF format i ključne riječi iz oglasa doslovno prisutne u tekstu.
Primjeri sažetaka za životopis ML inženjera
Kopirajte i prilagodite jedan od ovih sažetaka svom iskustvu i domeni u kojoj radite.
Junior ML inženjer bez radnog iskustva
Diplomirani inženjer računarstva s naglaskom na strojno učenje, autor tri implementirana ML projekta uključujući model preporuka za e-trgovinu i chatbot temeljen na RAG arhitekturi s vektorskom bazom podataka. Rangiran u top 5% na dva Kaggle natjecanja. Fluentan u Python, PyTorch i osnovnim MLOps alatima poput Dockera i MLflow-a. Traži priliku za rad na produkcijskim ML sustavima uz iskusan tim.
Senior ML inženjer
Viši ML inženjer s 8 godina iskustva u izgradnji i skaliranju produkcijskih sustava za detekciju prevara i preporuke u fintech i e-trgovini. Vodio implementaciju modela koji dnevno obrađuje 15 milijuna transakcija uz P99 latenciju ispod 70 ms i smanjenje lažnih prijava za 35%. Stručnjak za MLOps (Kubeflow, MLflow), distribuirano treniranje i sve češće fino podešavanje LLM-ova za interne alate.
Prelazak u ML iz softverskog inženjerstva
Backend programer sa 6 godina iskustva u Java i Python sustavima, u zadnjih 18 mjeseci prešao u ML inženjerstvo kroz samostalne projekte i formalnu specijalizaciju iz dubokog učenja. Donosi rijetku kombinaciju: produkcijsku disciplinu (CI/CD, testiranje, monitoring) primijenjenu na ML cjevovode, uključujući implementaciju modela klasifikacije teksta koji opslužuje 200 tisuća zahtjeva dnevno.
Ključne riječi za ATS u životopisu ML inženjera
Zrcalite točne izraze iz oglasa za posao jer i ATS sustavi i regruteri skeniraju upravo te riječi.
Machine Learning
Osnovni pojam koji mora stajati u naslovu i sažetku, uz hrvatski prijevod 'strojno učenje' za lokalne oglase.
Python
Navedite razinu iskustva i godine korištenja, jer je gotovo univerzalan zahtjev u oglasima.
PyTorch / TensorFlow
Navedite koji okvir koristite dominantno i u kojem kontekstu (istraživanje, produkcija, oboje).
MLflow / Kubeflow
Konkretno imenujte alat za praćenje eksperimenata i orkestraciju cjevovoda koji ste stvarno koristili.
Docker
Spomenite kontejnerizaciju modela za implementaciju, čak i ako je to bio manji dio posla.
Kubernetes
Navedite ako ste sudjelovali u skaliranju servisa za posluživanje modela, ne samo u razvoju.
SQL
Gotovo svaki ML posao traži rad s podacima u bazama; navedite konkretne baze (PostgreSQL, BigQuery).
Apache Spark
Ključno za uloge s obradom podataka u velikim razmjerima; navedite veličinu skupova podataka.
NLP / LLM
Najtraženiji signal u 2026.; opišite fino podešavanje, RAG pipeline ili evaluaciju prompta ako imate iskustvo.
AWS SageMaker / Vertex AI
Navedite konkretnu cloud platformu koju poznajete jer oglasi rijetko traže 'cloud' općenito.
Slabe naspram jakih rečenica u životopisu ML inženjera
Svaka rečenica treba imenovati alat, opisati radnju i završiti mjerljivim produkcijskim rezultatom.
Implementacija modela
Odgovoran za implementaciju ML modela u produkciju.
Implementirao model za predviđanje potražnje koristeći FastAPI i Docker na Kubernetesu, postigavši P95 latenciju od 45 ms uz 3 milijuna zahtjeva dnevno i smanjenje troška posluživanja za 40%.
Poboljšanje modela
Poboljšao točnost modela za preporuke proizvoda.
Redizajnirao model za preporuke koristeći embeddinge dubokog učenja, povećavši stopu klikanja za 22% i mjesečni prihod od preporučenih proizvoda za 180.000 eura godišnje.
MLOps cjevovod i automatsko ponovno treniranje
Postavio sustav za automatsko ponovno treniranje modela.
Izgradio MLOps cjevovod s Kubeflow i MLflow za automatsko ponovno treniranje i nadzor pomaka podataka, skrativši vrijeme implementacije nove verzije modela s 2 tjedna na 4 sata i podigavši pouzdanost pipelinea na 99,8%.
Često postavljana pitanja
Što bi trebao sadržavati životopis inženjera strojnog učenja?
Životopis inženjera strojnog učenja trebao bi isticati produkcijske ML sustave, metrike performansi modela, iskustvo s cjevovodima za implementaciju i programske vještine (Python, PyTorch/TensorFlow). Uključite metrike latencije, propusnosti i poslovnog učinka implementiranih modela.
Koja je razlika između životopisa podatkovnog znanstvenika i ML inženjera?
Životopisi ML inženjera naglašavaju produkcijske sustave, implementaciju, MLOps i inženjerske prakse. Životopisi podatkovnih znanstvenika više se fokusiraju na analizu, eksperimentiranje i statističke metode. ML inženjeri grade sustave, podatkovni znanstvenici grade modele.
Trebam li diplomski studij za ML inženjerstvo?
Mnoge ML inženjerske uloge preferiraju magisterij ili doktorat, ali to nije uvijek obavezno. Snažno projektno iskustvo, doprinosi otvorenom kodu i dokazana sposobnost implementacije produkcijskih ML sustava mogu nadoknaditi formalno obrazovanje. Oglase potražite na platformama poput MojPosao i Posao.hr.
Mogu li besplatno izraditi životopis ML inženjera?
Da! Naš besplatni alat za izradu životopisa omogućuje vam stvaranje profesionalnog životopisa ML inženjera. Koristite ovaj primjer kao inspiraciju, prilagodite ga svojim iskustvima i preuzmite profesionalni PDF u nekoliko minuta.
Kako napisati životopis ML inženjera bez radnog iskustva?
Bez formalnog radnog iskustva, oslonite se na projekte: implementiran model preporuke, RAG aplikacija s vektorskom bazom podataka ili plasman na Kaggle natjecanju. Navedite GitHub s čitljivim kodom i README dokumentacijom, relevantne kolegije (statistika, algoritmi, duboko učenje) i osnovne MLOps vještine (Docker, Git). Konkretan implementiran projekt vrijedi više od dužeg popisa online tečajeva.
Kako prikazati iskustvo s LLM-ovima i generativnom AI na životopisu?
Ovo je najtraženiji signal u 2026. Opišite konkretno što ste radili: fino podešavanje (fine-tuning) modela na domenskim podacima, izgradnju RAG cjevovoda s vektorskom bazom poput Pinecone ili Weaviate, ili evaluaciju kvalitete odgovora prompta. Navedite mjerljiv rezultat, npr. smanjenje broja pogrešnih odgovora za X% ili skraćenje vremena odgovora korisničke podrške.
Broje li se Kaggle natjecanja i GitHub projekti kao iskustvo?
Da, posebno za junior kandidate i career switchere. Implementiran projekt koji stvarno radi (API, aplikacija, cjevovod) pokazuje više od popisa tehnologija. Kaggle plasman u top nekoliko postotaka dokazuje modelirajuće vještine, a otvoreni kod s dobrom dokumentacijom pokazuje inženjersku disciplinu koju poslodavci traže uz sam model.
Vrijedi li ulagati u certifikate poput AWS ML Specialty ili GCP Professional ML Engineer?
Certifikati poput AWS Certified Machine Learning - Specialty ili Google Professional ML Engineer daju dodatnu vjerodostojnost i mogu pomoći kod automatiziranog filtriranja prijava, no ne zamjenjuju dokazane projekte i produkcijsko iskustvo. Najbolja kombinacija je jedan relevantan certifikat plus konkretan implementiran projekt koji potvrđuje isto znanje u praksi.
Treba li životopis za ML inženjera biti na engleskom ili hrvatskom jeziku?
Za većinu ML pozicija, posebno u međunarodnim timovima, remote ulogama i stranim tvrtkama koje zapošljavaju u Hrvatskoj, engleska verzija životopisa je standard jer je i sam tehnički rječnik (model, pipeline, deployment) uglavnom na engleskom. Za domaće tvrtke poput Infobipa ili Rimca dobro dođe hrvatska verzija uz engleski sažetak vještina. Najsigurnije je pripremiti obje verzije.
Mogu li preuzeti ovaj predložak životopisa ML inženjera na hrvatskom?
Da, ovaj primjer možete izravno urediti u našem besplatnom alatu za izradu životopisa - odaberite jedan od 3 ATS predloška, unesite svoje podatke i preuzmite gotov PDF na hrvatskom jeziku u par minuta, bez registracije.
Izradite svoj životopis sada
Koristite ovaj primjer kao inspiraciju. Prilagodite ga svojim iskustvima i preuzmite profesionalni PDF u nekoliko minuta. 100% besplatno.
