Se, hvordan et professionelt ML-ingeniør-CV fremhæver modeludvikling, udrulningspipelines og produktions-ML-systemer. Tilpas dette eksempel til din egen erfaring.
[email protected]+45 26 45 78 90Nørrebrogade 88, 2200 København N, DanmarkKørekort kategori B
Professionelt Resumé
Senior machine learning-ingeniør med 7 års erfaring i at bygge og udrulle produktions-ML-systemer i stor skala. Specialiseret i NLP, anbefalingssystemer og deep learning-arkitekturer, med modeller der betjener over 10 millioner forudsigelser dagligt med latens under 100 ms. Har publiceret 3 artikler på førende ML-konferencer inklusive NeurIPS og ICML. Brænder for at bygge bro mellem forskning og produktion, med praktisk ekspertise i MLOps, distribueret træning og optimering af realtidsinferens.
Arbejdserfaring
Senior Machine Learning-ingeniør
Trustpilot
jun. 2022 – nu
Byggede en anbefalingsmotor, der betjener over 10 millioner daglige forudsigelser med 99,5 % oppetid og P99-latens under 80 ms
Udviklede en komplet ML-pipeline fra dataindsamling til modeludrulning ved hjælp af Kubeflow og MLflow, hvilket reducerede udrulningstiden fra 2 uger til 3 timer
Forbedrede klikrate med 25 % gennem A/B-testede ændringer i modelarkitektur på tværs af 4 produktflader
Designede og implementerede et feature store, der betjener over 500 features til 12 produktionsmodeller, hvilket reducerede dobbeltarbejde i feature engineering med 70 %
Mentorerede 3 juniore ML-ingeniører og etablerede en modelgennemgangsproces, der blev vedtaget på tværs af ML-platformsteamet
Machine Learning-ingeniør
Zendesk
aug. 2019 – maj 2022
Finjusterede BERT- og GPT-2-modeller til dokumentklassificering med 97 % nøjagtighed på produktionsdatasæt på tværs af 15 sprog
Byggede en realtidstekstanalyse-pipeline, der behandler 500.000 dokumenter dagligt ved hjælp af Spark og Kafka med samlet latens under 200 ms
Reducerede modeltræningstiden med 60 % gennem distribueret træning på GPU-klynger ved hjælp af Horovod og PyTorch DDP
Implementerede et system til modelovervågning og driftdetektering, der udløste automatisk genoptræning og holdt modelnøjagtigheden over SLA-grænsen på 95 %
Machine Learning-ingeniør
Templafy
jul. 2017 – jul. 2019
Udviklede en billedklassificeringsmodel med 94 % nøjagtighed til indholdstagging, der behandlede over 3 millioner aktiver og reducerede manuel gennemgang med 65 %
Skabte en dataaugmenterings-pipeline, der øgede træningsdatasættets størrelse 5 gange ved hjælp af teknikker som CutMix, MixUp og syntetisk generering
Publicerede en forskningsartikel om transfer learning-metoder på en ICML-workshop, der modtog over 50 citationer inden for det første år
Byggede et interaktivt dashboard til modelforklarbarhed ved hjælp af SHAP og LIME, der gjorde det muligt for ikke-tekniske interessenter at fortolke forudsigelser
Uddannelse
M.Sc. i datalogi (machine learning)
Danmarks Tekniske Universitet (DTU)
2015 - 2017
Speciale i machine learning og deep learning-systemer.
B.Sc. i datalogi
Københavns Universitet, Datalogisk Institut
2011 - 2015
Fokus på algoritmer, statistik og distribuerede systemer.
Kurser og Certificeringer
AWS Certified Machine Learning - Specialty
Amazon Web Services
2023
Certificerings-ID: AWS-MLS-2023-58104
TensorFlow Developer Certificate
Google
2021
Professionel certificering i opbygning og træning af TensorFlow-modeller.
Deep Learning Specialization
Coursera (DeepLearning.AI)
2020
Specialisering med fem kurser, der dækker CNN'er, RNN'er og sekvensmodeller.
Anvendt Machine Learning
DTU Learn for Life
2019
Praktisk efteruddannelsesforløb i produktions-ML-systemer og MLOps-praksis.
Dette er et eksempel-CV. Tilpas det med dine egne erfaringer ved hjælp af vores gratis CV-bygger.
CV-tips
Vis produktions-ML, ikke kun notebooks
Virksomheder vil have ingeniører, der udruller modeller, ikke kun træner dem. Fremhæv modelservering, latensmålinger, overvågning og erfaring med MLOps-pipelines.
Inkludér modellens præstationsmålinger
Nøjagtighed, F1, AUC-ROC, latens og gennemløb viser, at dine modeller faktisk virker i stor skala. 'P99-latens under 80 ms med 10 millioner forudsigelser dagligt' er stærkt.
Nævn hele ML-livscyklussen
Dataindsamling, feature engineering, modeltræning, evaluering, udrulning, overvågning. Vis, at du forstår hele pipelinen, ikke kun modelleringstrinnet.
Angiv publikationer og open source
ML-ingeniørarbejde værdsætter forskningsbidrag. Hvis du har artikler, konferenceoplæg eller væsentlige open source-bidrag, så fremhæv dem tydeligt.
Sådan skriver du et CV til en machine learning-ingeniør
Et stærkt ML-ingeniør-CV viser, at du ikke kun kan træne modeller, men også udrulle og drifte dem i produktion. Følg disse fem trin for at strukturere indholdet, så både rekrutterere og ATS-systemer fanger dine kvalifikationer med det samme.
1
Skriv et fokuseret professionelt resumé
Start dit CV med et kort resumé på 3-4 sætninger, der viser dit erfaringsniveau, dit domæne og din tekniske stak. Nævn ét markant produktionstal med det samme – f.eks. 'har udrullet modeller, der betjener 2 millioner daglige forudsigelser med P95-latens under 50 ms.' Er du nyuddannet, erstatter du erfaringstallet med din uddannelse, dine egne projekter og et konkret Kaggle- eller GitHub-resultat. Undgå buzzwords uden substans – skriv, hvilke rammer (PyTorch, TensorFlow) og hvilket domæne (NLP, anbefalingssystemer, computervision) du arbejder i, så rekruttereren med det samme kan placere dig.
2
Skriv erhvervserfaring med kvantificeret effekt
Hver bullet under erhvervserfaring skal vise en kvantificeret, forretningsrelevant effekt – ikke bare hvad du byggede. Kobl modelforbedringer til en forretningsmetrik (f.eks. 'øgede konverteringsraten med 12 % via en ny anbefalingsmodel'), og angiv skalering (antal daglige forudsigelser, datamængde) samt lagrings- eller inferensomkostninger, hvor det er relevant. Et stærkt eksempel: 'Udrullede en svindeldetektionsmodel i produktion med Docker og Kubernetes, der reducerede falske positiver med 30 % og sparede 40 arbejdstimer om ugen for supportteamet.' Start altid med et handlingsverbum, og undgå at beskrive opgaver uden et målbart resultat.
3
Strukturér kompetencesektionen efter kategorier
Gruppér dine kompetencer i tydelige kategorier: ML-rammer (PyTorch, TensorFlow, scikit-learn), MLOps & infrastruktur (Docker, Kubernetes, MLflow, Kubeflow), data engineering (Spark, SQL, Airflow) og programmeringssprog. Match ordlyden fra jobopslaget præcist – ATS-systemer og rekrutterere scanner efter de samme termer, som stillingen bruger. List ikke 20 biblioteker, du kun har rørt en gang; vis i stedet dybde i de 8-10 værktøjer, du reelt behersker, og lad dine projekter og erfaring bekræfte resten.
4
Vis udrullet kode, ikke kun notebooks
Et link til GitHub med udrullede – ikke kun trænede – modeller vejer tungere end en liste af onlinekurser. Vis et projekt med en simpel API, en Docker-container eller en CI/CD-pipeline omkring modellen, gerne med en README, der forklarer arkitekturen. LLM- og RAG-sideprojekter tæller i 2026 som et stærkt signal om, at du følger med udviklingen. Forskningsorienterede stillinger vægter publikationer højt; til juniorstillinger tæller en god Kaggle-placering eller et reproducerbart repo mere end perfekte karakterer.
5
Afslut med uddannelse, certificeringer og et ATS-tjek
Angiv din uddannelse (kandidat eller ph.d. i datalogi/machine learning, hvis relevant) samt certificeringer som AWS Certified Machine Learning – Specialty eller Google Cloud Professional Machine Learning Engineer, som viser opdateret praktisk viden. Afslut med et hurtigt ATS-tjek: brug én kolonne, standardoverskrifter (Erfaring, Uddannelse, Kompetencer), gem som PDF, og sørg for, at nøgleordene fra jobopslaget går igen i dit CV – både i resuméet og i kompetencelisten.
Eksempler på professionelle resuméer til et ML-ingeniør-CV
Brug disse tre eksempler som udgangspunkt, og tilpas dem med din egen erfaring, dit domæne og dine tal.
Nyuddannet ML-ingeniør uden erhvervserfaring
Nyuddannet cand.scient. i datalogi med speciale i deep learning og computervision. Har bygget og udrullet et billedklassificeringsprojekt med PyTorch og FastAPI på Hugging Face Spaces samt opnået en top 5 %-placering i en Kaggle-konkurrence om objektdetektion. Solid erfaring med Python, SQL og Docker fra universitetsprojekter og en studenterrolle som data engineer. Motiveret for at bringe stærke software- og ML-fundamenter ind i en produktionsnær ML-ingeniørrolle.
Senior machine learning-ingeniør
Senior machine learning-ingeniør med 8 års erfaring i at bygge og drifte anbefalingssystemer og NLP-modeller i stor skala inden for e-handel og fintech. Har ledet udrulningen af en svindeldetektionsmodel, der reducerede tab med 22 % og betjener 5 millioner transaktioner dagligt med P99-latens under 60 ms. Ekspert i PyTorch, Kubeflow og distribueret træning på GPU-klynger, med praktisk erfaring i at bygge feature stores og genoptræningspipelines, der holder modellerne friske uden manuel indgriben.
Karriereskifte fra softwareudvikling til ML
Erfaren softwareudvikler med 6 års baggrund i backend-systemer, som de seneste to år har specialiseret sig i machine learning gennem en deltids-diplomuddannelse og selvstændige projekter. Har bygget og udrullet en RAG-baseret kundeserviceassistent med LangChain og en vektordatabase, der reducerede svartiden i support med 35 %. Bringer stærk software engineering-disciplin – CI/CD, testdækning, systemdesign – ind i ML-arbejde, hvor mange rene data scientists mangler produktionserfaring.
ATS-nøgleord til et ML-ingeniør-CV
Match ordlyden fra jobopslaget nøje – både rekrutterere og ATS-systemer scanner efter præcis disse termer, så brug dem i den form, stillingen selv bruger.
Machine Learning
Kernebegrebet – brug det i både resumé og kompetenceliste, gerne parret med dit underfelt (NLP, computervision, anbefalingssystemer).
Python
Nævnes både i kompetencelisten og i konkrete projekt- eller erfaringsbeskrivelser med de biblioteker, du bruger.
PyTorch
Angiv specifikt den ramme, du arbejder i dagligt, frem for blot 'deep learning frameworks'.
TensorFlow
List ved siden af PyTorch, hvis du har erfaring med begge, men fremhæv kun det du reelt har brugt i produktion.
MLOps
Dækker hele livscyklussen fra træning til overvågning og matcher ofte jobopslagets ordlyd direkte.
Docker
Nævn i forbindelse med containerisering og udrulning af modeller i produktionsmiljø.
Kubernetes
Relevant ved skalerbar modelservering – brug det kun, hvis du har konkret erfaring med orkestrering i drift.
SQL
Grundfærdighed inden for data engineering, som stort set altid efterspørges i jobopslag.
Spark
Fremhæv, hvis du arbejder med store datamængder eller distribueret databehandling i dine pipelines.
LLM/RAG
2026's mest scannede signal – nævn konkret hvilke modeller og vektordatabaser du har arbejdet med.
Svage vs. stærke CV-bullets for ML-ingeniører
Samme arbejde kan beskrives svagt eller stærkt – forskellen ligger i handlingsverbum, konkrete værktøjer og et målbart produktionsresultat.
Modeludrulning
Ansvarlig for at deploye machine learning-modeller.
Udrullede en anbefalingsmodel i produktion med Docker og Kubernetes, der betjener 3 millioner daglige forudsigelser med P95-latens under 45 ms.
Modelforbedring
Arbejdede med at forbedre modellens nøjagtighed.
Forbedrede svindeldetektionsmodellens præcision fra 82 % til 94 % gennem feature engineering og hyperparameter-tuning, hvilket reducerede tab for 1,2 mio. kr. årligt.
MLOps-pipeline
Byggede pipelines til genoptræning af modeller.
Automatiserede genoptræningspipelinen med Kubeflow og MLflow, så modeller opdateres ugentligt uden manuel indgriben, hvilket reducerede model-drift-hændelser med 80 %.
Ofte stillede spørgsmål
Hvad skal et CV for en machine learning-ingeniør indeholde?
Et CV for en ML-ingeniør bør fremhæve produktions-ML-systemer, modellens præstationsmålinger, erfaring med udrulningspipelines og programmeringsfærdigheder (Python, PyTorch/TensorFlow). Inkludér målinger for latens, gennemløb og forretningsmæssig effekt fra udrullede modeller.
Hvad er forskellen mellem et data scientist- og et ML-ingeniør-CV?
ML-ingeniør-CV'er lægger vægt på produktionssystemer, udrulning, MLOps og ingeniørpraksis. Data scientist-CV'er fokuserer mere på analyse, eksperimentering og statistiske metoder. ML-ingeniører bygger systemer, data scientists bygger modeller.
Har jeg brug for en kandidatgrad til ML-ingeniørarbejde?
Mange ML-ingeniørstillinger foretrækker en kandidatgrad eller ph.d., men det er ikke altid et krav. Stærk projekterfaring, open source-bidrag og dokumenteret evne til at udrulle produktions-ML-systemer kan kompensere for formel uddannelse. Find stillinger på platforme som Jobindex og The Hub.
Kan jeg oprette et ML-ingeniør-CV gratis?
Ja! Vores gratis CV-bygger giver dig mulighed for at oprette et professionelt ML-ingeniør-CV. Brug dette eksempel som inspiration, tilpas det med dine egne erfaringer, og download en professionel PDF på få minutter.
Hvordan skriver jeg et CV til en machine learning-ingeniør uden erfaring?
Uden erhvervserfaring bygger du CV'et op omkring projekter i stedet for jobs: et udrullet sideprojekt (fx en model med en simpel API), en stærk Kaggle-placering eller bidrag til open source. Fremhæv din uddannelse, konkrete værktøjer (Python, PyTorch, Docker) og eventuelle praktikophold eller studiejobs med data. Rekrutterere kigger efter beviser på, at du kan bygge og aflevere noget der virker – ikke kun bestå kurser. Brug vores gratis CV-bygger til at strukturere det professionelt fra start.
Hvordan viser jeg erfaring med LLM'er og GenAI på CV'et?
Nævn konkret, hvad du har bygget: finjustering af en sprogmodel, en RAG-pipeline med en vektordatabase (fx Pinecone eller Weaviate), eller evaluering af prompts og modelkvalitet i produktion. Kvantificér effekten, fx reduceret svartid eller færre eskalerede supportsager. LLM- og GenAI-erfaring er i 2026 det signal, rekrutterere scanner hurtigst efter i et ML-ingeniør-CV, så placér det tydeligt i både resumé og erfaringsafsnit – ikke kun i kompetencelisten.
Tæller Kaggle-konkurrencer og GitHub-projekter som erfaring på CV'et?
Ja, særligt hvis du er ny i faget. Et velskrevet GitHub-repo med en udrullet model, en README og tests viser reel ingeniørkunnen, og en god Kaggle-placering (fx top 5-10 %) dokumenterer modelleringsevner objektivt. Behandl dem som en selvstændig sektion – 'Projekter' – med samme struktur som erhvervserfaring: hvad du byggede, hvilke værktøjer du brugte, og hvilket resultat du opnåede.
Hvilke certificeringer er værd at have med på et ML-ingeniør-CV?
AWS Certified Machine Learning – Specialty og Google Cloud Professional Machine Learning Engineer er de mest anerkendte og viser opdateret praktisk viden om udrulning i skyen. De vejer dog mindre end demonstrerede projekter og produktionserfaring – brug dem som et supplement, der bekræfter din praksis, ikke som erstatning for et GitHub med reelt arbejde.
Skal mit CV som machine learning-ingeniør være på engelsk eller dansk?
Til internationale techvirksomheder og de fleste ML-stillinger i Danmark er et engelsk CV oftest tryggest, da teams typisk er internationale, og den tekniske terminologi (machine learning, deep learning, MLOps) alligevel forbliver engelsk. Til danske virksomheder med et mere lokalt fokus kan et dansk CV være fint – men hav gerne en engelsk version klar, da mange ML-teams i Danmark rekrutterer og arbejder på engelsk.
Kan jeg downloade dette CV-eksempel som en dansk skabelon?
Ja. Dette eksempel er ét af 63 sprogversioner i vores gratis CV-bygger, og du kan redigere teksten direkte på dansk, vælge mellem 3 ATS-venlige skabeloner og downloade en polished PDF med det samme – uden tilmelding eller skjulte betalinger.
Byg dit CV nu
Brug dette eksempel som inspiration. Tilpas det med dine erfaringer, og download en professionel PDF på få minutter. 100 % gratis.
