ការមើលប្រវត្តិរូបជាមុន

ចាន់ សុភក្ដិ

វិស្វករការរៀនម៉ាស៊ីនជាន់ខ្ពស់

[email protected]+855 12 678 901ភ្នំពេញ, កម្ពុជាប័ណ្ណបើកបរប្រភេទ B

សង្ខេបការងារ

វិស្វករការរៀនម៉ាស៊ីនជាន់ខ្ពស់ដែលមានបទពិសោធន៍ 7 ឆ្នាំក្នុងការសាងសង់ និងដាក់ពង្រាយប្រព័ន្ធ ML ផលិតកម្មក្នុងទ្រង់ទ្រាយធំ។ មានជំនាញឯកទេសក្នុង NLP ប្រព័ន្ធណែនាំ និងស្ថាបត្យកម្មការរៀនស៊ីជម្រៅ ដោយមានគំរូបម្រើការព្យាករណ៍ 10M+ ក្នុងមួយថ្ងៃនៅ latency តិចជាង 100ms។ បានបោះពុម្ពផ្សាយអត្ថបទ 3 នៅសន្និសីទ ML កំពូលរួមទាំង NeurIPS និង ICML។ មានចំណង់ចំណូលចិត្តក្នុងការបំពេញគម្លាតរវាងការស្រាវជ្រាវ និងផលិតកម្ម ដោយមានជំនាញជាក់ស្តែងក្នុង MLOps ការបណ្តុះបណ្តាលចែកចាយ និងការបង្កើនប្រសិទ្ធភាព inference real-time។

បទពិសោធន៍ការងារ

វិស្វករការរៀនម៉ាស៊ីនជាន់ខ្ពស់

Wing (Cambodia) Specialised Bank

មិថុនា 2022 - បច្ចុប្បន្ន

បានសាងសង់ម៉ាស៊ីនណែនាំបម្រើការព្យាករណ៍ 10M+ ក្នុងមួយថ្ងៃជាមួយ availability 99.5% និង P99 latency តិចជាង 80ms
បានអភិវឌ្ឍ ML pipeline ពេញលេញពីការបញ្ចូលទិន្នន័យដល់ការដាក់ពង្រាយគំរូដោយប្រើ Kubeflow និង MLflow កាត់បន្ថយពេលវេលាដាក់ពង្រាយពី 2 សប្តាហ៍ទៅ 3 ម៉ោង
បានធ្វើឱ្យប្រសើរនូវ click-through rate 25% តាមរយៈការផ្លាស់ប្ដូរស្ថាបត្យកម្មគំរូដែលបានធ្វើតេស្ត A/B នៅទូទាំងផ្ទៃផលិតផល 4
បានរចនា និងអនុវត្ត feature store បម្រើ feature 500+ ដល់គំរូផលិតកម្ម 12 កាត់បន្ថយការស្ទួន feature engineering 70%
បានណែនាំវិស្វករ ML ថ្នាក់ក្រោម 3 នាក់ និងបង្កើតដំណើរការពិនិត្យគំរូដែលបានអនុម័តនៅទូទាំងក្រុម ML platform

វិស្វករការរៀនម៉ាស៊ីន

Pathmazing

សីហា 2019 - ឧសភា 2022

បាន fine-tune គំរូ BERT និង GPT-2 សម្រាប់ការចាត់ថ្នាក់ឯកសារ សម្រេចបាន 97% accuracy លើសំណុំទិន្នន័យផលិតកម្មគ្របដណ្តប់ 15 ភាសា
បានសាងសង់ pipeline វិភាគអត្ថបទ real-time ដំណើរការឯកសារ 500K ក្នុងមួយថ្ងៃដោយប្រើ Spark និង Kafka ជាមួយ latency ពេញលេញតិចជាង 200ms
បានកាត់បន្ថយពេលវេលាបណ្តុះបណ្តាលគំរូ 60% តាមរយៈការបណ្តុះបណ្តាលចែកចាយលើ GPU clusters ដោយប្រើ Horovod និង PyTorch DDP
បានអនុវត្តប្រព័ន្ធ monitoring គំរូ និងការរកឃើញ drift ដែលបង្កើតការបណ្តុះបណ្តាលឡើងវិញដោយស្វ័យប្រវត្តិ រក្សា accuracy គំរូលើស SLA 95%

វិស្វករការរៀនម៉ាស៊ីន

Sabay Digital

កក្កដា 2017 - មិថុនា 2019

បានអភិវឌ្ឍគំរូចាត់ថ្នាក់រូបភាពជាមួយ 94% accuracy សម្រាប់ការ tag មាតិកា ដំណើរការ asset 3M+ និងកាត់បន្ថយការខិតខំពិនិត្យដោយដៃ 65%
បានបង្កើត data augmentation pipeline បង្កើនទំហំសំណុំទិន្នន័យបណ្តុះបណ្តាល 5 ដងដោយប្រើបច្ចេកទេសរួមទាំង CutMix, MixUp និងការបង្កើតសំយោគ
បានបោះពុម្ពអត្ថបទស្រាវជ្រាវលើវិធីសាស្រ្តការរៀនផ្ទេរនៅសិក្ខាសាលា ICML ទទួលបានការដកស្រង់ 50+ ក្នុងឆ្នាំដំបូង
បានសាងសង់ dashboard ពន្យល់គំរូអន្តរកម្មដោយប្រើ SHAP និង LIME អនុញ្ញាតឱ្យអ្នកពាក់ព័ន្ធមិនមែនបច្ចេកទេសបកស្រាយការព្យាករណ៍

ការអប់រំ

អនុបណ្ឌិតវិទ្យាសាស្ត្រកុំព្យូទ័រ (M.S. - ការរៀនម៉ាស៊ីន)

វិទ្យាស្ថានបច្ចេកវិទ្យាកម្ពុជា

2015 - 2017

ឯកទេសក្នុងការរៀនម៉ាស៊ីន និងប្រព័ន្ធការរៀនស៊ីជម្រៅ។

បរិញ្ញាបត្រវិទ្យាសាស្ត្រកុំព្យូទ័រ (B.S.)

សាកលវិទ្យាល័យភូមិន្ទភ្នំពេញ

2011 - 2015

ផ្តោតលើ algorithms ស្ថិតិ និងប្រព័ន្ធចែកចាយ។

វគ្គសិក្សា និងវិញ្ញាបនបត្រ

AWS Certified Machine Learning - Specialty

Amazon Web Services

2023

លេខសម្គាល់វិញ្ញាបនបត្រ: AWS-MLS-2023-58104

TensorFlow Developer Certificate

Google

2021

វិញ្ញាបនបត្រវិជ្ជាជីវៈក្នុងការសាងសង់ និងបណ្តុះបណ្តាលគំរូ TensorFlow។

វិញ្ញាបនបត្រវិទ្យាសាស្ត្រទិន្នន័យ និង AI

Korea Software HRD Center (Phnom Penh)

2020

កម្មវិធីបណ្តុះបណ្តាលក្នុងស្រុកគ្របដណ្តប់ machine learning និងការអនុវត្តជាក់ស្តែង។

ភាសា

ភាសាខ្មែរ

និយាយ: ភាសាកំណើតស្តាប់: ភាសាកំណើតសរសេរ: ភាសាកំណើត

ភាសាអង់គ្លេស

និយាយ: ស្ទាត់ជំនាញស្តាប់: ស្ទាត់ជំនាញសរសេរ: ស្ទាត់ជំនាញ

ភាសាបារាំង

និយាយ: មធ្យមស្តាប់: មធ្យមសរសេរ: មូលដ្ឋាន

ជំនាញ

PythonPyTorchTensorFlowScikit-learnKubeflowMLflowSparkSQLDockerAWS SageMakerNLPការរៀនស៊ីជម្រៅ

នេះគឺជាប្រវត្តិរូបគំរូ។ ប្រើឧបករណ៍បង្កើតប្រវត្តិរូបឥតគិតថ្លៃដើម្បីប្ដូរតាមបទពិសោធន៍ផ្ទាល់ខ្លួនរបស់អ្នក។

គន្លឹះប្រវត្តិរូប

បង្ហាញ ML ផលិតកម្ម មិនមែនគ្រាន់តែ notebooks

ក្រុមហ៊ុនចង់បានវិស្វករដែលដាក់ពង្រាយគំរូ មិនមែនគ្រាន់តែបណ្តុះបណ្តាលវាទេ។ សូមបញ្ជាក់ការបម្រើគំរូ រង្វាស់ latency ការតាមដាន និងបទពិសោធន៍ pipeline MLOps។

បញ្ចូលរង្វាស់ប្រសិទ្ធភាពគំរូ

លេខ accuracy, F1, AUC-ROC, latency និង throughput បង្ហាញថាគំរូរបស់អ្នកដំណើរការពិតប្រាកដក្នុងទ្រង់ទ្រាយធំ។ 'P99 latency តិចជាង 80ms បម្រើ 10M ការព្យាករណ៍/ថ្ងៃ' គឺមានឥទ្ធិពលខ្លាំង។

រៀបរាប់វដ្តជីវិត ML ពេញលេញ

ការប្រមូលទិន្នន័យ feature engineering ការបណ្តុះបណ្តាលគំរូ ការវាយតម្លៃ ការដាក់ពង្រាយ ការតាមដាន។ បង្ហាញថាអ្នកយល់ pipeline ពេញលេញ មិនមែនគ្រាន់តែជំហានបង្កើតគំរូទេ។

រាយការបោះពុម្ពផ្សាយ និងប្រភពបើកចំហ

វិស្វកម្ម ML ឱ្យតម្លៃលើការរួមចំណែកស្រាវជ្រាវ។ ប្រសិនបើអ្នកមានអត្ថបទ ការបង្ហាញនៅសន្និសីទ ឬការរួមចំណែកប្រភពបើកចំហសំខាន់ៗ សូមបញ្ចូលវាឱ្យលេចធ្លោ។

ជំនាញសំខាន់ៗ

PythonPyTorch/TensorFlowការអភិវឌ្ឍ ML Pipelineការដាក់ពង្រាយគំរូMLOps (Kubeflow/MLflow)NLP/Computer Visionការរៀនស៊ីជម្រៅការបណ្តុះបណ្តាលចែកចាយFeature Engineeringការធ្វើតេស្ត A/BAWS SageMakerវិស្វកម្មទិន្នន័យ

របៀបសរសេរប្រវត្តិរូបវិស្វករការរៀនម៉ាស៊ីន (Machine Learning Engineer CV)

ប្រវត្តិរូបវិស្វករ ML ល្អមិនមែនគ្រាន់តែរាយបញ្ជីអ្នកចេះ Python ឬ TensorFlow ប៉ុណ្ណោះទេ វាត្រូវបង្ហាញថាអ្នកអាចយកគំរូចេញពី notebook ទៅដាក់ពង្រាយក្នុងផលិតកម្មបាន។ ខាងក្រោមនេះជាជំហានទាំង 5 ដើម្បីសរសេរប្រវត្តិរូបដែលឆ្លងកាត់ ATS និងទាក់ទាញអ្នកជ្រើសរើសបុគ្គលិកបច្ចេកទេស។

សរសេរសេចក្តីសង្ខេបវិជ្ជាជីវៈដែលបញ្ជាក់កម្រិត ជំនាញ និងផលិតកម្ម

ក្នុងជួរ 2-3 ខ្សែដំបូង សូមបញ្ជាក់ចំនួនឆ្នាំបទពិសោធន៍ ដែនជំនាញ (ឧ. NLP ប្រព័ន្ធណែនាំ ឬ computer vision) ស្តេក (stack) បច្ចេកវិទ្យាសំខាន់ (Python, PyTorch/TensorFlow) និងរង្វាស់ផលិតកម្មមួយដែលលេចធ្លោបំផុត ដូចជា 'ដាក់ពង្រាយគំរូបម្រើការព្យាករណ៍ 2M ក្នុងមួយថ្ងៃនៅ p95 latency តិចជាង 50ms'។ សម្រាប់អ្នកចាប់ផ្តើមថ្មីដែលមិនទាន់មានការងារពេញម៉ោង សូមជំនួសបទពិសោធន៍ដោយសញ្ញាបត្រ គម្រោងផ្ទាល់ខ្លួនដែលបានដាក់ពង្រាយ ចំណាត់ថ្នាក់ Kaggle ឬ GitHub repository ដែលមានកូដសាកល្បងបាន។

សរសេរបទពិសោធន៍ការងារជាលទ្ធផលដែលមានលេខ មិនមែនភារកិច្ច

កុំសរសេរគ្រាន់តែ 'ទទួលខុសត្រូវលើការបណ្តុះបណ្តាលគំរូ' សូមបង្ហាញលទ្ធផលពេញលេញ៖ ការកើនឡើងគំរូ (accuracy/AUC) ភ្ជាប់ជាមួយលេខអាជីវកម្ម ល្បឿន inference ឬការចំណាយបម្រើគំរូ និងទ្រង់ទ្រាយ pipeline។ ឧទាហរណ៍មួយខ្សែខ្លាំង៖ 'បានកាត់បន្ថយ inference latency ពី 200ms ទៅ 45ms ដោយប្រើ ONNX quantization សន្សំចំណាយម៉ាស៊ីនមេ 30%'។ រៀបចំគំរូនេះសម្រាប់ bullet ជារៀងរាល់ការងារ ចាប់ផ្តើមដោយកិរិយាសព្ទសកម្ម (បានសាងសង់ បានដាក់ពង្រាយ បានធ្វើឱ្យប្រសើរ) បញ្ចប់ដោយផលប៉ះពាល់ដែលអាចវាស់វែងបាន។

រៀបចំផ្នែកជំនាញជាក្រុម ដើម្បីងាយស្រួលសម្រាប់ ATS

បែងចែកជំនាញជាក្រុមច្បាស់លាស់៖ ភាសាសរសេរកម្មវិធី (Python, SQL), ក្របខ័ណ្ឌ ML (PyTorch, TensorFlow, Scikit-learn), MLOps និងហេដ្ឋារចនាសម្ព័ន្ធ (Docker, Kubernetes, MLflow, Kubeflow, SageMaker/Vertex AI), និងវិស្វកម្មទិន្នន័យ (Spark, Airflow)។ ចម្លងពាក្យពិតប្រាកដពីការផ្សាយការងារចូលទៅផ្នែកនេះព្រោះប្រព័ន្ធ ATS ស្វែងរកការផ្គូផ្គងពាក្យត្រង់។ កុំរាយបញ្ជីគ្រប់ library ដែលធ្លាប់ប៉ះ សូមផ្តោតលើជំនាញជ្រៅដែលអាចបញ្ជាក់ក្នុងបទសម្ភាសបាន។

បង្ហាញកូដផលិតកម្ម មិនមែនគ្រាន់តែ notebook វិភាគទិន្នន័យ

GitHub ដែលមានគម្រោងបានដាក់ពង្រាយ (ឧ. API បម្រើគំរូ ឬកម្មវិធី RAG ភ្ជាប់ vector database) មានទំងន់ជាងបញ្ជីវគ្គសិក្សាដែលបានបញ្ចប់។ ប្រសិនបើអ្នកកំពុងស្វែងរកតួនាទីខាងស្រាវជ្រាវ សូមរាយអត្ថបទដែលបានបោះពុម្ព ចំណែកអ្នកចាប់ផ្តើមថ្មីគួររាយចំណាត់ថ្នាក់ Kaggle ឬការប្រកួតដែលចូលរួម។ គម្រោង LLM/GenAI ដូចជា fine-tuning ឬ RAG pipeline គឺជាសញ្ញាដ៏ក្តៅបំផុតនាពេលនេះ សូមបញ្ចូលវាប្រសិនបើអ្នកមាន។

បញ្ចប់ដោយការអប់រំ វិញ្ញាបនបត្រ និងការត្រួតពិនិត្យ ATS

រាយសញ្ញាបត្រ (អនុបណ្ឌិត ឬបណ្ឌិតជួយសម្រាប់តួនាទីស្រាវជ្រាវជាន់ខ្ពស់) និងវិញ្ញាបនបត្រដូចជា AWS Certified Machine Learning – Specialty ឬ GCP Professional Machine Learning Engineer ប្រសិនបើមាន។ មុននឹងផ្ញើ សូមពិនិត្យទម្រង់ចុងក្រោយ៖ ប្រើ column តែមួយ ចំណងជើងផ្នែកស្តង់ដារ (Experience, Education, Skills) ទាញយកជា PDF និងធានាថាពាក្យគន្លឹះពីការផ្សាយការងារបានលេចឡើងយ៉ាងហោចណាស់ម្តងក្នុងប្រវត្តិរូប។

គំរូសេចក្តីសង្ខេបវិជ្ជាជីវៈសម្រាប់ចម្លងប្រើ

ជ្រើសរើសគំរូខាងក្រោមតាមកម្រិតរបស់អ្នក រួចកែសម្រួលតាមបទពិសោធន៍ និងឧស្សាហកម្មផ្ទាល់ខ្លួន។

វិស្វករ ML ចាប់ផ្តើមថ្មី / និស្សិតបញ្ចប់ថ្មី គ្មានបទពិសោធន៍ការងារ

និស្សិតបញ្ចប់ថ្មីផ្នែកវិទ្យាសាស្ត្រកុំព្យូទ័រ ដែលមានចំណង់ចំណូលចិត្តលើការរៀនម៉ាស៊ីន និងប្រព័ន្ធណែនាំ។ បានសាងសង់ និងដាក់ពង្រាយកម្មវិធីណែនាំផលិតផលដោយប្រើ PyTorch និង FastAPI លើ Heroku ទទួលបានចំណាត់ថ្នាក់ក្នុងចំណោម 10% កំពូលនៅការប្រកួត Kaggle ស្តីអំពីការចាត់ថ្នាក់រូបភាព។ មានចំណេះដឹងរឹងមាំលើ Python, SQL, Docker និងគោលការណ៍ MLOps មូលដ្ឋាន កំពុងស្វែងរកមុខតំណែងវិស្វករ ML ថ្នាក់ដំបូងដើម្បីរួមចំណែកសាងសង់ប្រព័ន្ធផលិតកម្មពិតប្រាកដ។

វិស្វករ ML ជាន់ខ្ពស់

វិស្វករ ML ជាន់ខ្ពស់ដែលមានបទពិសោធន៍ 8 ឆ្នាំក្នុងការសាងសង់ប្រព័ន្ធរកឃើញការក្លែងបន្លំក្នុងវិស័យហិរញ្ញវត្ថុ។ បានដឹកនាំការដាក់ពង្រាយគំរូ ensemble ដែលកាត់បន្ថយការក្លែងបន្លំ 35% ខណៈរក្សា false-positive rate ក្រោម 0.5% ដោយប្រើ XGBoost, Spark និង Kubeflow នៅទ្រង់ទ្រាយ 5M ប្រតិបត្តិការក្នុងមួយថ្ងៃ។ មានជំនាញជ្រៅក្នុង MLOps, feature store និងការណែនាំក្រុមវិស្វករ 4 នាក់។

អ្នកផ្លាស់ប្តូរអាជីពពីវិស្វកម្មកម្មវិធី (software engineer) មកកាន់ ML

វិស្វករកម្មវិធីដែលមានបទពិសោធន៍ 6 ឆ្នាំក្នុងការសាងសង់ប្រព័ន្ធ backend ទ្រង់ទ្រាយធំ កំពុងផ្លាស់ប្តូរមកកាន់វិស្វកម្ម ML ដោយផ្តោតលើផលិតផល NLP និង LLM។ បានសាងសង់ RAG pipeline ផ្ទាល់ខ្លួនដោយប្រើ LangChain និង vector database (Pinecone) ដាក់ពង្រាយលើ AWS ជាមួយ CI/CD ពេញលេញ។ នាំមកនូវជំនាញរឹងមាំផ្នែក Docker, Kubernetes និងការធ្វើតេស្តកម្មវិធី ដែលក្រុម ML ជាច្រើនខ្វះខាត។

ពាក្យគន្លឹះ ATS សំខាន់ៗសម្រាប់ប្រវត្តិរូបវិស្វករ ML

ចម្លងពាក្យពិតប្រាកដពីការផ្សាយការងារ ព្រោះទាំងអ្នកជ្រើសរើសបុគ្គលិក និងប្រព័ន្ធ ATS ស្កេនរកពាក្យទាំងនេះ។

Machine Learning

សូមប្រើពាក្យនេះឱ្យលេចធ្លោក្នុងចំណងជើងការងារ និងក្នុងសេចក្តីសង្ខេប ព្រោះជាពាក្យស្នូលបំផុតដែល ATS ស្កេន។

Python

រាយក្នុងផ្នែកជំនាញ ហើយបញ្ជាក់ក្នុង bullet ការងារពិតដែលបានប្រើវាដើម្បីសាងសង់ pipeline ឬ API។

PyTorch

ចែងឱ្យច្បាស់ថាប្រើ framework មួយណា ព្រោះក្រុមហ៊ុននីមួយៗមានស្តង់ដារខុសគ្នា ការនិយាយថា 'ជំនាញ deep learning' ជាទូទៅមិនគ្រប់គ្រាន់ទេ។

MLflow

សម្គាល់ថាអ្នកមានបទពិសោធន៍ MLOps ពិតប្រាកដ ក្នុងការតាមដាន experiment និងគំរូ មិនមែនគ្រាន់តែជំនាញការស្រាវជ្រាវនោះទេ។

Docker

សំខាន់សម្រាប់បង្ហាញថាអ្នកអាចវេចខ្ចប់ និងដាក់ពង្រាយគំរូបានដោយខ្លួនឯង។

Kubernetes

ជាសញ្ញាថាអ្នកធ្លាប់ធ្វើការក្នុងទ្រង់ទ្រាយផលិតកម្មពិត មិនមែនគ្រាន់តែបរិយាកាសសាកល្បង។

SQL

ស្ទើរតែគ្រប់តួនាទី ML ទាមទារសមត្ថភាពទាញយក និងសម្អាតទិន្នន័យផ្ទាល់ខ្លួន កុំមើលរំលង។

Spark

បញ្ជាក់ប្រសិនបើអ្នកធ្លាប់ដំណើរការទិន្នន័យទ្រង់ទ្រាយធំសម្រាប់តួនាទីដែលមានទិន្នន័យ terabyte។

LLM

ជាសញ្ញាដ៏ក្តៅបំផុតឆ្នាំ 2026 សូមបញ្ជាក់ fine-tuning, RAG ឬ prompt evaluation ប្រសិនបើមានបទពិសោធន៍។

AWS SageMaker

រាយឈ្មោះ cloud platform ជាក់លាក់ដែលអ្នកបានប្រើដាក់ពង្រាយគំរូ ជាជាងសរសេរគ្រាន់តែ 'cloud computing'។

ឧទាហរណ៍ bullet ខ្សោយ ធៀបនឹង bullet រឹងមាំ

ការសរសេរឡើងវិញដោយបន្ថែមឧបករណ៍ជាក់លាក់ និងលេខផលិតកម្មធ្វើឱ្យ bullet ដូចគ្នាមានទំងន់ខ្លាំងជាងច្រើន។

ការដាក់ពង្រាយគំរូ (Model deployment)

ទទួលខុសត្រូវលើការដាក់ពង្រាយគំរូ machine learning។

បានដាក់ពង្រាយគំរូចាត់ថ្នាក់លើ Kubernetes ដោយប្រើ Docker និង FastAPI កាត់បន្ថយ p95 inference latency ពី 220ms មក 60ms និងកាត់បន្ថយចំណាយម៉ាស៊ីនមេបម្រើ 40%។

ការធ្វើឱ្យប្រសើរគំរូ (Model improvement)

កែលម្អ accuracy របស់គំរូចាត់ថ្នាក់។

បានធ្វើឱ្យប្រសើរ AUC របស់គំរូរកឃើញការក្លែងបន្លំពី 0.81 ទៅ 0.93 ដោយបន្ថែម feature ថ្មី 12 កាត់បន្ថយការក្លែងបន្លំដែលរួចផុតការចាប់បាន 28% ស្មើនឹងការសន្សំជាង $200K ក្នុងមួយឆ្នាំ។

ការសាងសង់ MLOps pipeline / ស្វ័យប្រវត្តិកម្មការបណ្តុះបណ្តាលឡើងវិញ

បង្កើត pipeline សម្រាប់បណ្តុះបណ្តាលគំរូ។

បានសាងសង់ CI/CD pipeline ពេញលេញដោយប្រើ MLflow និង Airflow ស្វ័យប្រវត្តិកម្មការបណ្តុះបណ្តាលឡើងវិញរាល់សប្តាហ៍ កាត់បន្ថយពេលវេលាដាក់ពង្រាយពី 3 ថ្ងៃមកនៅត្រឹម 2 ម៉ោង និងធានា uptime ប្រព័ន្ធ 99.9%។

សំណួរដែលគេសួរញឹកញាប់

ប្រវត្តិរូបវិស្វករការរៀនម៉ាស៊ីនគួរមានអ្វីខ្លះ?

ប្រវត្តិរូបវិស្វករ ML គួរបញ្ជាក់ប្រព័ន្ធ ML ផលិតកម្ម រង្វាស់ប្រសិទ្ធភាពគំរូ បទពិសោធន៍ pipeline ដាក់ពង្រាយ និងជំនាញសរសេរកម្មវិធី (Python, PyTorch/TensorFlow)។ សូមបញ្ចូលរង្វាស់ latency, throughput និងផលប៉ះពាល់អាជីវកម្មពីគំរូដែលបានដាក់ពង្រាយ។

តើភាពខុសគ្នារវាងប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យ និងវិស្វករ ML ជាអ្វី?

ប្រវត្តិរូបវិស្វករ ML បញ្ជាក់ប្រព័ន្ធផលិតកម្ម ការដាក់ពង្រាយ MLOps និងការអនុវត្តវិស្វកម្ម។ ប្រវត្តិរូបអ្នកវិទ្យាសាស្ត្រទិន្នន័យផ្តោតលើការវិភាគ ការពិសោធន៍ និងវិធីសាស្រ្តស្ថិតិច្រើនជាង។ វិស្វករ ML សាងសង់ប្រព័ន្ធ ឯអ្នកវិទ្យាសាស្ត្រទិន្នន័យសាងសង់គំរូ។

តើខ្ញុំត្រូវការសញ្ញាបត្របញ្ចប់ការសិក្សាសម្រាប់វិស្វកម្ម ML ទេ?

ការងារវិស្វករ ML ជាច្រើនចង់បានអនុបណ្ឌិត ឬបណ្ឌិត ប៉ុន្តែវាមិនមែនតែងតែជាតម្រូវការទេ។ បទពិសោធន៍គម្រោងរឹងមាំ ការរួមចំណែកប្រភពបើកចំហ និងសមត្ថភាពដែលបានបង្ហាញក្នុងការដាក់ពង្រាយប្រព័ន្ធ ML ផលិតកម្មអាចជំនួសការអប់រំផ្លូវការបាន។

តើខ្ញុំអាចបង្កើតប្រវត្តិរូបវិស្វករ ML ដោយឥតគិតថ្លៃបានទេ?

បាទ/ចាស! ឧបករណ៍បង្កើតប្រវត្តិរូបឥតគិតថ្លៃរបស់យើងអនុញ្ញាតឱ្យអ្នកបង្កើតប្រវត្តិរូបវិស្វករ ML វិជ្ជាជីវៈ។ សម្រាប់វេទិកាការងារដូចជា BongThom និង CamHR សូមប្រើឧទាហរណ៍នេះជាការបំផុសគំនិត ប្ដូរវាតាមបទពិសោធន៍ផ្ទាល់ខ្លួនរបស់អ្នក ហើយទាញយក PDF វិជ្ជាជីវៈក្នុងរយៈពេលប៉ុន្មាននាទី។

តើខ្ញុំអាចសរសេរប្រវត្តិរូបវិស្វករ ML បានដោយរបៀបណា ប្រសិនបើគ្មានបទពិសោធន៍ការងារ?

ផ្តោតលើគម្រោងផ្ទាល់ខ្លួនដែលបានដាក់ពង្រាយ (មិនមែនគ្រាន់តែ notebook) ចំណាត់ថ្នាក់ Kaggle GitHub repository ដែលអាចដំណើរការបាន និងវគ្គសិក្សាដែលពាក់ព័ន្ធ។ ការចូលរួមកម្មវិធីអភិវឌ្ឍជំនាញ ឬ hackathon ក៏មានតម្លៃដែរ។ ប្រើឧបករណ៍បង្កើតប្រវត្តិរូបឥតគិតថ្លៃរបស់យើងដើម្បីរៀបចំគម្រោងទាំងនេះឱ្យមើលទៅដូចបទពិសោធន៍ការងារពិតប្រាកដ។

តើត្រូវបង្ហាញបទពិសោធន៍ LLM ឬ GenAI នៅលើប្រវត្តិរូបយ៉ាងដូចម្តេច?

នេះជាសញ្ញាដែលអ្នកជ្រើសរើសបុគ្គលិកស្កេនរកខ្លាំងបំផុតក្នុងឆ្នាំ 2026។ សូមបញ្ជាក់ជាក់លាក់៖ fine-tuning គំរូភាសាធំ ការសាងសង់ RAG pipeline ជាមួយ vector database (ឧ. Pinecone, Weaviate) ឬការវាយតម្លៃ prompt។ រៀបជា bullet ដាច់ដោយឡែកជាមួយលេខផលប៉ះពាល់ ដូចជាការកាត់បន្ថយពេលឆ្លើយតប ឬការកើនឡើងភាពត្រឹមត្រូវនៃចម្លើយ។

តើគម្រោង Kaggle ឬ GitHub រាប់ជាបទពិសោធន៍បានទេ បើធៀបនឹងបទពិសោធន៍ការងារ?

បាទ/ចាស ជាពិសេសសម្រាប់អ្នកចាប់ផ្តើមថ្មី។ គម្រោងដែលបានដាក់ពង្រាយពិតប្រាកដ (មាន API ឬ demo ដំណើរការបាន) មានទំងន់ជាងកម្មវិធីសិក្សាដែលបានបញ្ចប់ ប៉ុន្តែពួកវាមិនអាចជំនួសបទពិសោធន៍ការងារពេញលេញបានទាំងស្រុងទេ។ សូមដាក់វានៅផ្នែក 'គម្រោង' ដាច់ដោយឡែក ជាមួយ link GitHub ដែលមានកូដស្អាត និង README ច្បាស់លាស់។

តើវិញ្ញាបនបត្រដូចជា AWS ML Specialty ឬ GCP Professional ML Engineer មានតម្លៃប៉ុន្មាន?

វិញ្ញាបនបត្រទាំងនេះបង្ហាញថាអ្នកយល់ពី cloud ML infrastructure ជាក់ស្តែង ហើយអាចជួយឆ្លងកាត់ការស្កេន CV ដំបូង ប៉ុន្តែពួកវាមិនអាចជំនួសគម្រោងផលិតកម្មពិតប្រាកដបានទេ។ ចាត់ទុកវាជាការបន្ថែម មិនមែនជាស្នូលនៃប្រវត្តិរូបទេ ដាក់វានៅផ្នែកចុងក្រោយបន្ទាប់ពីបទពិសោធន៍ និងគម្រោង។

តើប្រវត្តិរូបវិស្វករ ML គួរសរសេរជាភាសាខ្មែរ ឬភាសាអង់គ្លេស?

សម្រាប់តួនាទីវិស្វករ ML នៅកម្ពុជា ជាពិសេសនៅក្រុមហ៊ុនអន្តរជាតិ ធនាគារ ឬ startup បច្ចេកវិទ្យា ភាសាអង់គ្លេសនៅតែជាស្តង់ដារព្រោះឧបករណ៍ ក្របខ័ណ្ឌ និងឯកសារបច្ចេកទេសស្ទើរតែទាំងអស់ជាភាសាអង់គ្លេស។ យើងណែនាំឱ្យរៀបចំកំណែអង់គ្លេសយ៉ាងតិចមួយ បន្ថែមពីលើកំណែខ្មែរនេះ ជាពិសេសបើដាក់ពាក្យទៅក្រុមហ៊ុនអន្តរជាតិ ឬការងារពីចម្ងាយ។

តើអាចទាញយកគំរូប្រវត្តិរូបនេះជាភាសាខ្មែរ ដើម្បីប្រើផ្ទាល់បានទេ?

បាទ/ចាស ឧទាហរណ៍ខាងលើអាចកែសម្រួលដោយផ្ទាល់ក្នុងឧបករណ៍បង្កើតប្រវត្តិរូបឥតគិតថ្លៃរបស់យើង ដោយមិនចាំបាច់ចុះឈ្មោះ។ ជ្រើសរើសក្នុងចំណោមគំរូឆបគ្នាជាមួយ ATS ចំនួន 3 បំពេញព័ត៌មានផ្ទាល់ខ្លួន ហើយទាញយកជា PDF វិជ្ជាជីវៈបានភ្លាមៗ។

សាងសង់ប្រវត្តិរូបរបស់អ្នកឥឡូវនេះ

ប្រើឧទាហរណ៍នេះជាការបំផុសគំនិត។ ប្ដូរតាមបទពិសោធន៍ផ្ទាល់ខ្លួនរបស់អ្នក ហើយទាញយក PDF វិជ្ជាជីវៈក្នុងរយៈពេលប៉ុន្មាននាទី។ ឥតគិតថ្លៃ 100%។

ចាប់ផ្តើមសាងសង់ប្រវត្តិរូប

មើលប្រវត្តិរូបនេះជាភាសាផ្សេង

ឧទាហរណ៍ប្រវត្តិរូបនេះមាននៅក្នុង 63 ភាសា:

ឧទាហរណ៍ប្រវត្តិរូបវិស្វករការរៀនម៉ាស៊ីន

ការមើលប្រវត្តិរូបជាមុន

សង្ខេបការងារ

បទពិសោធន៍ការងារ

វិស្វករការរៀនម៉ាស៊ីនជាន់ខ្ពស់

វិស្វករការរៀនម៉ាស៊ីន

វិស្វករការរៀនម៉ាស៊ីន

ការអប់រំ

អនុបណ្ឌិតវិទ្យាសាស្ត្រកុំព្យូទ័រ (M.S. - ការរៀនម៉ាស៊ីន)

បរិញ្ញាបត្រវិទ្យាសាស្ត្រកុំព្យូទ័រ (B.S.)

វគ្គសិក្សា និងវិញ្ញាបនបត្រ

AWS Certified Machine Learning - Specialty

TensorFlow Developer Certificate

វិញ្ញាបនបត្រវិទ្យាសាស្ត្រទិន្នន័យ និង AI

ភាសា

ភាសាខ្មែរ

ភាសាអង់គ្លេស

ភាសាបារាំង

ជំនាញ

គន្លឹះប្រវត្តិរូប

បង្ហាញ ML ផលិតកម្ម មិនមែនគ្រាន់តែ notebooks

បញ្ចូលរង្វាស់ប្រសិទ្ធភាពគំរូ

រៀបរាប់វដ្តជីវិត ML ពេញលេញ

រាយការបោះពុម្ពផ្សាយ និងប្រភពបើកចំហ

ជំនាញសំខាន់ៗ

របៀបសរសេរប្រវត្តិរូបវិស្វករការរៀនម៉ាស៊ីន (Machine Learning Engineer CV)

សរសេរសេចក្តីសង្ខេបវិជ្ជាជីវៈដែលបញ្ជាក់កម្រិត ជំនាញ និងផលិតកម្ម

សរសេរបទពិសោធន៍ការងារជាលទ្ធផលដែលមានលេខ មិនមែនភារកិច្ច

រៀបចំផ្នែកជំនាញជាក្រុម ដើម្បីងាយស្រួលសម្រាប់ ATS

បង្ហាញកូដផលិតកម្ម មិនមែនគ្រាន់តែ notebook វិភាគទិន្នន័យ

បញ្ចប់ដោយការអប់រំ វិញ្ញាបនបត្រ និងការត្រួតពិនិត្យ ATS

គំរូសេចក្តីសង្ខេបវិជ្ជាជីវៈសម្រាប់ចម្លងប្រើ

វិស្វករ ML ចាប់ផ្តើមថ្មី / និស្សិតបញ្ចប់ថ្មី គ្មានបទពិសោធន៍ការងារ

វិស្វករ ML ជាន់ខ្ពស់

អ្នកផ្លាស់ប្តូរអាជីពពីវិស្វកម្មកម្មវិធី (software engineer) មកកាន់ ML

ពាក្យគន្លឹះ ATS សំខាន់ៗសម្រាប់ប្រវត្តិរូបវិស្វករ ML

Machine Learning

Python

PyTorch

MLflow

Docker

Kubernetes

SQL

Spark

LLM

AWS SageMaker

ឧទាហរណ៍ bullet ខ្សោយ ធៀបនឹង bullet រឹងមាំ

ការដាក់ពង្រាយគំរូ (Model deployment)

ការធ្វើឱ្យប្រសើរគំរូ (Model improvement)

ការសាងសង់ MLOps pipeline / ស្វ័យប្រវត្តិកម្មការបណ្តុះបណ្តាលឡើងវិញ

សំណួរដែលគេសួរញឹកញាប់

សាងសង់ប្រវត្តិរូបរបស់អ្នកឥឡូវនេះ

មើលប្រវត្តិរូបនេះជាភាសាផ្សេង