Nézze meg, hogyan emeli ki egy professzionális ML mérnök önéletrajz a modellfejlesztést, az üzembe helyezési pipeline-okat és a produkciós ML rendszereket. Szabja testre ezt a példát saját háttere alapján.
Vezető gépi tanulási mérnök 7 év tapasztalattal produkciós ML rendszerek nagy léptékű építésében és üzembe helyezésében. NLP-re, ajánlórendszerekre és mély tanulási architektúrákra specializálódott, napi 10M+ predikciót kiszolgáló modellekkel 100 ms alatti késleltetéssel. 3 cikket publikált vezető ML konferenciákon, beleértve a NeurIPS és ICML rendezvényeket. Elkötelezett a kutatás és produkció közötti szakadék áthidalása mellett, gyakorlati szakértelemmel az MLOps, az elosztott tréning és a valós idejű inferencia optimalizálás terén.
Munkatapasztalat
Vezető Gépi Tanulási Mérnök
LogMeIn Magyarország
2022. jún. - Jelenleg
Ajánlómotor építése napi 10M+ predikció kiszolgálásával, 99,5%-os rendelkezésre állással és 80 ms alatti P99 késleltetéssel
Teljes körű ML pipeline fejlesztése az adatbetöltéstől a modell üzembe helyezéséig Kubeflow és MLflow segítségével, az üzembe helyezési idő csökkentése 2 hétről 3 órára
Az átkattintási arány 25%-os javítása A/B tesztelt modellarchitektúra-változtatásokkal 4 termékfelületen
Jellemzőtár tervezése és bevezetése 500+ jellemző kiszolgálásával 12 produkciós modellnek, a jellemzőmérnökségi duplikáció 70%-os csökkentése
3 junior ML mérnök mentorálása és az ML platform csapatban elfogadott modell-felülvizsgálati folyamat kialakítása
Gépi Tanulási Mérnök
Prezi
2019. aug. - 2022. máj.
BERT és GPT-2 modellek finomhangolása dokumentumosztályozáshoz 97%-os pontosság elérésével 15 nyelvet átfogó produkciós adathalmazokon
Valós idejű szövegelemző pipeline építése napi 500K dokumentum feldolgozásával Spark és Kafka segítségével, 200 ms alatti teljes késleltetéssel
A modell tréningidő 60%-os csökkentése elosztott tréninggel GPU klasztereken Horovod és PyTorch DDP használatával
Modellmonitorozó és driftérzékelő rendszer bevezetése, amely automatikus újratréninget indított, a modell pontosságát a 95%-os SLA felett tartva
Gépi Tanulási Mérnök
Tresorit
2017. júl. - 2019. júl.
Képosztályozó modell fejlesztése 94%-os pontossággal tartalomcímkézéshez, 3M+ eszköz feldolgozása és a manuális felülvizsgálati erőfeszítés 65%-os csökkentése
Adataugmentációs pipeline létrehozása, amely a tréning adathalmaz méretét 5-szörösére növelte CutMix, MixUp és szintetikus generálás technikákkal
Kutatási cikk publikálása transzfertanulási módszerekről egy ICML workshopon, amely az első évben 50+ hivatkozást kapott
Interaktív modellmagyarázhatósági dashboard építése SHAP és LIME segítségével, lehetővé téve a nem technikai érdekelteknek a predikciók értelmezését
Végzettség
M.Sc. Számítástudomány (Gépi tanulás)
Budapesti Műszaki és Gazdaságtudományi Egyetem (BME)
2015 - 2017
Specializáció gépi tanulás és mély tanulási rendszerek területén.
B.Sc. Mérnökinformatika
Eötvös Loránd Tudományegyetem (ELTE)
2011 - 2015
Fókusz: algoritmusok, statisztika és elosztott rendszerek.
Tanfolyamok és Tanúsítványok
AWS Certified Machine Learning - Specialty
Amazon Web Services
2023
Tanúsítvány azonosító: AWS-MLS-2023-58104
TensorFlow Developer Certificate
Google
2021
Professzionális tanúsítvány TensorFlow modellek építésében és tréningezésében.
Haladó gépi tanulás tanúsítvány
Neumann János Számítógép-tudományi Társaság
2020
Professzionális kurzus mély tanulásról, CNN-ekről, RNN-ekről és szekvenciamodellekről.
Nyelvek
Magyar
Beszéd: AnyanyelvHallás utáni értés: AnyanyelvÍrás: Anyanyelv
Angol
Beszéd: FolyékonyHallás utáni értés: FolyékonyÍrás: Folyékony
Német
Beszéd: KözéphaladóHallás utáni értés: HaladóÍrás: Középhaladó
Ez egy minta önéletrajz. Szabja testre saját tapasztalatával ingyenes önéletrajz-készítőnk segítségével.
Tippek az önéletrajzához
Mutasson produkciós ML-t, ne csak notebookokat
A cégek olyan mérnököket keresnek, akik modelleket helyeznek üzembe, nem csak tréningezik őket. Emelje ki a modellkiszolgálást, a késleltetési mutatókat, a monitorozást és az MLOps pipeline tapasztalatot.
Tartalmazzon modell-teljesítménymutatókat
A pontosság, F1, AUC-ROC, késleltetés és átviteli sebesség számok megmutatják, hogy a modelljei valóban működnek nagy léptékben. 'P99 késleltetés 80 ms alatt napi 10M predikció kiszolgálásával' erőteljes.
Említse a teljes ML életciklust
Adatgyűjtés, jellemzőmérnökség, modelltréning, kiértékelés, üzembe helyezés, monitorozás. Mutassa meg, hogy érti a teljes pipeline-t, nem csak a modellezési lépést.
Soroljon fel publikációkat és nyílt forráskódot
Az ML mérnökség értékeli a kutatási hozzájárulásokat. Ha vannak cikkei, konferencia-előadásai vagy jelentős nyílt forráskódú hozzájárulásai, tüntesse fel őket hangsúlyosan.
Egy jó ML mérnök önéletrajz nem a modellek elméleti ismeretét bizonyítja, hanem azt, hogy a jelölt képes egy modellt eljuttatni az adatoktól a produkciós rendszerig. Az alábbi öt lépés végigvezeti azon, mit emeljen ki és hogyan strukturálja az önéletrajzát.
1
Írjon célzott szakmai összefoglalót
Az első 2-3 sor döntse el, hogy a toborzó tovább olvas-e. Nevezze meg a szenioritási szintjét, a domain-t (NLP, ajánlórendszer, számítógépes látás), a fő technológiai stacket és egy kiemelt produkciós mutatót, pl. 'napi 2M predikciót kiszolgáló modellek üzemeltetése 50 ms alatti P95 késleltetéssel'. Junior jelölteknél a végzettség, a legjobb projekt és a Kaggle/GitHub eredmény kerüljön előtérbe a hiányzó munkatapasztalat helyett.
2
Számszerűsített munkatapasztalat pontok
Minden pont mutasson végponttól végpontig terjedő hatást: modellminőség javulás egy üzleti számhoz kötve (pl. 'a csalásfelismerési modell pontosságának 12%-os javítása, ami éves szinten 40M Ft megtakarítást eredményezett'), kiszolgálási késleltetés vagy költségcsökkentés, illetve a pipeline mérete. Egy erős példa: 'Ajánlómotor üzembe helyezése Kubeflow-val, amely napi 5M felhasználót szolgál ki 99,9%-os rendelkezésre állással.'
3
Strukturálja jól a készségek szekciót
Csoportosítsa a készségeket: ML keretrendszerek (PyTorch, TensorFlow, Scikit-learn), MLOps és infrastruktúra (Docker, Kubernetes, MLflow, Kubeflow), adatmérnökség (Spark, SQL, Airflow), programozási nyelvek. Az ATS rendszerek és a toborzók is a hirdetés pontos kifejezéseit keresik - tükrözze vissza azokat. Ne soroljon fel minden ismert könyvtárat, inkább mutasson mélységet néhányon.
4
Mutasson produkciós munkát, ne csak notebookokat
Egy GitHub profil üzembe helyezett, dokumentált projektekkel (pl. egy REST API mögé rakott modell, egy RAG alkalmazás vektoradatbázissal) sokkal többet ér, mint egy lista elvégzett kurzusokról. LLM és GenAI oldalprojektek 2026-ban erős jelnek számítanak. Kutatás-közeli pozícióknál a publikációk, junior jelölteknél a Kaggle helyezések és reprodukálható repók számítanak.
5
Végzettség, tanúsítványok és ATS ellenőrzés
Tüntesse fel a releváns MSc/PhD fokozatot, majd az olyan tanúsítványokat, mint az AWS Certified Machine Learning - Specialty vagy a Google Cloud Professional ML Engineer, ha van rá kapacitása. Végül ellenőrizze az ATS-kompatibilitást: egyoszlopos elrendezés, szabványos szakaszcímek, PDF formátum, és a célzott állásban szereplő kulcsszavak beépítése a szövegbe.
Példa szakmai összefoglalók ML mérnök önéletrajzhoz
Az alábbi három példa különböző karrierszakaszokat mutat be - válassza ki a leginkább illőt, és igazítsa a saját tapasztalatához.
Junior gépi tanulási mérnök tapasztalat nélkül
Frissen végzett számítástudomány szakos mérnök, gépi tanulás specializációval. Egy éles környezetben futó képosztályozó modellt épített és helyezett üzembe Docker konténerben, valamint egy RAG alapú chatbotot fejlesztett nyílt forráskódú LLM-mel és FAISS vektoradatbázissal. Kaggle versenyeken a legjobb 8%-ban végzett. Erős Python, PyTorch és SQL tudás, gyors tanulási képesség csapatban.
Senior gépi tanulási mérnök
Vezető gépi tanulási mérnök 7 év tapasztalattal ajánlórendszerek és NLP modellek nagy léptékű üzembe helyezésében. Napi 10M+ predikciót kiszolgáló pipeline-okat épített 80 ms alatti P99 késleltetéssel, és az átkattintási arányt 25%-kal javította A/B tesztelt architektúra-változtatásokkal. MLOps platformok (Kubeflow, MLflow) kiépítésében és junior mérnökök mentorálásában szerzett tapasztalatot.
Karrierváltó szoftverfejlesztőből ML mérnökké
5 éves backend fejlesztői tapasztalattal rendelkező mérnök, aki az elmúlt 18 hónapban gépi tanulásra specializálódott: két produkciós ML szolgáltatást épített és helyezett üzembe (FastAPI, Docker, AWS SageMaker), valamint elvégezte az AWS ML Specialty tanúsítást. Erős szoftvermérnöki alapokat (CI/CD, tesztelés, elosztott rendszerek) hoz a modellek megbízható üzemeltetéséhez.
Az ATS rendszerek és a toborzók is a hirdetés pontos kifejezéseit keresik - használja ezeket hitelesen, ott ahol ténylegesen alkalmazta őket.
Machine Learning
Szerepeljen a címben és az összefoglalóban is, angolul, ahogy szinte minden magyar hirdetésben is megjelenik.
Python
A legtöbb ML pozíció alapkövetelménye - említse meg konkrét könyvtárakkal (PyTorch, Pandas) együtt.
PyTorch
Nevezze meg, ha ténylegesen ezzel tréningezett és helyezett üzembe modelleket, ne csak tanulta.
TensorFlow
Ha a csapata ezt használja, vagy van TensorFlow Developer tanúsítványa, feltétlenül jelölje.
MLflow
Az egyik legkeresettebb MLOps kulcsszó - kísérletkövetéshez és modellregiszterhez kapcsolódóan érdemes említeni.
Kubernetes
Ha modellkiszolgálást konténerorkesztrációval végzett, ez erős MLOps jelzés a produkciós tapasztalatra.
Docker
Szinte minden ML üzembe helyezési munkakör elvárja - említse meg konkrét konténerizált szolgáltatással.
SQL
Az adatelérés és a jellemzőmérnökség alapja - jelölje, ha nagy adathalmazokkal dolgozott.
NLP / LLM
2026 legforróbb területe - konkrét fine-tuning, RAG vagy prompt-kiértékelési tapasztalattal támassza alá.
AWS SageMaker
Vagy a Google Vertex AI/Azure ML megfelelője - a felhő alapú ML infrastruktúra ismerete gyakran szűrőfeltétel.
Gyenge és erős munkatapasztalat pontok összehasonlítása
Ugyanaz a munka teljesen máshogy hangzik attól függően, hogy konkrét eszközöket és mérőszámokat használ-e.
Modell üzembe helyezése
Modelleket helyeztem üzembe a produkciós környezetben.
Ajánlómotor üzembe helyezése Kubeflow és Docker segítségével, napi 5M felhasználó kiszolgálásával 60 ms alatti P95 késleltetés és 99,9%-os rendelkezésre állás mellett.
Modellteljesítmény javítása
Javítottam a csalásfelismerő modell pontosságát.
A csalásfelismerő modell AUC értékének 0,89-ről 0,94-re javítása jellemzőmérnökséggel és gradiens boosting hangolással, éves szinten 40M Ft-os veszteségcsökkenést eredményezve.
MLOps pipeline és automatizált újratréning
MLOps pipeline-on dolgoztam a csapatban.
Automatizált újratréning pipeline kiépítése MLflow és Airflow segítségével, amely a modelldrift-et 48 órán belül érzékeli, csökkentve a manuális beavatkozási időt heti 2 óráról 15 percre.
Gyakran ismételt kérdések
Mit tartalmazzon egy gépi tanulási mérnök önéletrajz?
Egy ML mérnök önéletrajznak ki kell emelnie a produkciós ML rendszereket, a modell-teljesítménymutatókat, az üzembe helyezési pipeline tapasztalatot és a programozási készségeket (Python, PyTorch/TensorFlow). Tartalmazzon késleltetési, átviteli és üzleti hatás mutatókat az üzembe helyezett modellekből.
Mi a különbség egy adattudós és egy ML mérnök önéletrajz között?
Az ML mérnök önéletrajzok a produkciós rendszereket, az üzembe helyezést, az MLOps-ot és a mérnöki gyakorlatokat hangsúlyozzák. Az adattudós önéletrajzok inkább az elemzésre, a kísérletezésre és a statisztikai módszerekre fókuszálnak. Az ML mérnökök rendszereket építenek; az adattudósok modelleket.
Szükségem van diplomára az ML mérnökséghez?
Sok ML mérnök szerep előnyben részesíti a mester- vagy PhD-fokozatot, de ez nem mindig kötelező. Erős projekt tapasztalat, nyílt forráskódú hozzájárulások és a produkciós ML rendszerek üzembe helyezésének bizonyított képessége kompenzálhatja a formális végzettséget.
Készíthetek ingyenesen ML mérnök önéletrajzot?
Igen! Ingyenes önéletrajz-készítőnk lehetővé teszi egy professzionális ML mérnök önéletrajz elkészítését. Használja ezt a példát inspirációként olyan platformokhoz mint a Profession.hu és a LinkedIn, szabja testre tapasztalatával, és töltsön le professzionális PDF-et percek alatt.
Hogyan írjak ML mérnök önéletrajzot tapasztalat nélkül?
Tapasztalat hiányában építsen a projektjeire: egy üzembe helyezett modell (akár egy egyszerű Flask API-n keresztül), egy Kaggle verseny eredmény vagy egy RAG alkalmazás GitHubon sokat számít. Emelje ki az egyetemi szakdolgozatot, a releváns kurzusokat (gépi tanulás, statisztika) és a programozási készségeket (Python, PyTorch). A cél az, hogy megmutassa: képes önállóan végigvinni egy modellt az adatoktól a működő rendszerig.
Hogyan mutassam be az LLM és GenAI tapasztalatot az önéletrajzomban?
2026-ban ez az egyik legfontosabb jel, amit a toborzók keresnek. Nevezze meg konkrétan, mit csinált: nyílt forráskódú modell finomhangolása (fine-tuning), RAG pipeline építése vektoradatbázissal (Pinecone, Weaviate, FAISS), prompt-kiértékelési keretrendszer kialakítása, vagy LLM-alapú funkció üzembe helyezése produkcióban. A puszta 'ChatGPT használata' nem elég - a mérnöki mélységet kell megmutatnia.
Mi számít többet: Kaggle és GitHub projektek, vagy munkatapasztalat?
Munkatapasztalat esetén az mindig előrébb kerül, mert produkciós felelősséget bizonyít. Junior jelölteknél viszont a projektek - egy erős Kaggle helyezés, egy nyilvánosan elérhető és dokumentált GitHub repó, egy éles környezetben futó saját modell - gyakorlatilag helyettesítik a munkatapasztalatot, ha konkrétan és mérhetően vannak bemutatva.
Melyik ML tanúsítvány éri meg feltüntetni az önéletrajzon?
Az AWS Certified Machine Learning - Specialty és a Google Cloud Professional ML Engineer a legelismertebbek, és jól mutatnak felsőoktatási végzettség mellett. Fontos tudni: önmagukban ritkán nyitnak ajtót - egy erős projektportfólió vagy produkciós tapasztalat nélkül a tanúsítványok csak kiegészítő elemek, nem helyettesítik a bizonyított gyakorlati tudást.
Angolul vagy magyarul írjam az ML mérnök önéletrajzomat?
Nemzetközi cégeknél, multiknál és a legtöbb ML/AI startupnál az angol önéletrajz az elvárt vagy erősen ajánlott, mivel a csapat és a dokumentáció is angol nyelvű. Magyar cégeknél a magyar verzió is elfogadott, de érdemes mindkettőt elkészíteni. A szakkifejezéseket (machine learning engineer, deep learning) angolul hagyja akkor is, ha magyarul ír.
Van ingyenes gépi tanulási mérnök önéletrajz sablon letöltése?
Igen, ez a példa teljesen szerkeszthető az ingyenes önéletrajz-készítőnkben: cserélje ki az adatokat a sajátjára, válasszon a 3 ATS-kompatibilis sablon közül, és töltse le azonnal PDF formátumban, regisztráció nélkül.
Készítse el önéletrajzát most
Használja ezt a példát inspirációként. Szabja testre tapasztalatával és töltsön le professzionális PDF-et percek alatt. 100% ingyenes.
