Погледајте како професионална биографија инжењера машинског учења приказује развој модела, цевоводе за имплементацију и продукционе ML системе. Прилагодите овај пример свом искуству.
[email protected]+381 64 318 7245Београд, СрбијаВозачка дозвола категорије Б
Професионални Резиме
Виши инжењер машинског учења са 7 година искуства у изградњи и имплементацији продукционих ML система у великом обиму. Специјализован за NLP, системе препорука и архитектуре дубоког учења, са моделима који опслужују преко 10 милиона предвиђања дневно са кашњењем испод 100 мс. Објавио 3 рада на врхунским ML конференцијама укључујући NeurIPS и ICML. Посвећен премошћавању јаза између истраживања и продукције, са практичном стручношћу у MLOps-у, дистрибуираном тренирању и оптимизацији инференце у реалном времену.
Радно Искуство
Виши инжењер машинског учења
Microsoft Development Center Serbia
јун 2022. – данас
Изградио систем препорука који опслужује преко 10 милиона дневних предвиђања са доступношћу од 99,5% и P99 кашњењем испод 80 мс
Развио end-to-end ML цевовод од прикупљања података до имплементације модела користећи Kubeflow и MLflow, смањивши време имплементације са 2 недеље на 3 сата
Побољшао стопу кликова за 25% кроз A/B тестиране измене архитектуре модела на 4 производне површине
Дизајнирао и имплементирао складиште карактеристика које опслужује преко 500 карактеристика за 12 продукционих модела, смањивши дуплирање инжењеринга карактеристика за 70%
Менторисао 3 млађа ML инжењера и успоставио процес прегледа модела усвојен у целом тиму ML платформе
Инжењер машинског учења
Nordeus
авг. 2019. – мај 2022.
Фино подесио BERT и GPT-2 моделе за класификацију докумената постигавши тачност од 97% на продукционим скуповима података на 15 језика
Изградио цевовод за анализу текста у реалном времену који обрађује 500 хиљада докумената дневно користећи Spark и Kafka са end-to-end кашњењем испод 200 мс
Смањио време тренирања модела за 60% кроз дистрибуирано тренирање на GPU кластерима користећи Horovod и PyTorch DDP
Имплементирао систем за праћење модела и детекцију дрифта који је покретао аутоматско поновно тренирање, одржавајући тачност модела изнад SLA од 95%
Инжењер машинског учења
Vega IT
јул 2017. – јун 2019.
Развио модел класификације слика са тачношћу од 94% за означавање садржаја, обрадивши преко 3 милиона ставки и смањивши ручни преглед за 65%
Креирао цевовод за аугментацију података који је повећао величину скупа за тренирање 5 пута користећи технике CutMix, MixUp и синтетичку генерацију
Објавио истраживачки рад о методама трансферног учења на ICML радионици, добивши преко 50 цитата у првој години
Изградио интерактивну контролну таблу за објашњивост модела користећи SHAP и LIME, омогућивши нетехничким заинтересованим странама тумачење предвиђања
Образовање
Мастер рачунарства (машинско учење)
Универзитет у Београду, Електротехнички факултет
2015 - 2017
Концентрација на машинском учењу и системима дубоког учења.
Основне студије рачунарства
Универзитет у Новом Саду, Факултет техничких наука
2011 - 2015
Фокус на алгоритмима, статистици и дистрибуираним системима.
Курсеви и Сертификати
AWS Certified Machine Learning - Specialty
Amazon Web Services
2023
Credential ID: AWS-MLS-2023-58104
TensorFlow Developer Certificate
Google
2021
Професионална сертификација за изградњу и тренирање TensorFlow модела.
Машинско учење и вештачка интелигенција
Машинерија (Belgrade AI)
2020
Професионални програм о машинском учењу, неуронским мрежама и продукционим ML системима.
Ово је пример биографије. Прилагодите је својим искуствима користећи наш бесплатни алат за израду биографија.
Савети за биографију
Покажите продукциони ML, не само бележнице
Компаније желе инжењере који имплементирају моделе, не само да их тренирају. Истакните опслуживање модела, метрике кашњења, праћење и искуство са MLOps цевоводима.
Укључите метрике перформанси модела
Бројеви тачности, F1, AUC-ROC, кашњења и пропусности показују да ваши модели заиста раде у обиму. 'P99 кашњење испод 80 мс уз 10 милиона предвиђања дневно' је моћно.
Поменте цео ML животни циклус
Прикупљање података, инжењеринг карактеристика, тренирање модела, евалуација, имплементација, праћење. Покажите да разумете цео цевовод, не само корак моделирања.
Наведите публикације и отворени код
ML инжењеринг цени истраживачке доприносе. Ако имате радове, конференцијска излагања или значајне доприносе отвореном коду, укључите их истакнуто.
Кључне вештине
PythonPyTorch/TensorFlowРазвој ML цевоводаИмплементација моделаMLOps (Kubeflow/MLflow)NLP/Рачунарски видДубоко учењеДистрибуирано тренирањеИнжењеринг карактеристикаA/B тестирањеAWS SageMakerИнжењеринг података
Како написати биографију (CV) инжењера машинског учења
Регрутери и ATS системи скенирају ML биографије тражећи конкретне доказе да умете да изградите модел и одржите га у продукцији. Ево пет корака за писање биографије инжењера машинског учења која пролази аутоматску селекцију и убеђује hiring менаџере.
1
1. Напишите резиме фокусиран на продукцију
Резиме на почетку биографије треба да сажме ниво искуства, домен (препоруке, детекција преваре, NLP/LLM производи, рачунарски вид) и технолошки стек, а затим једну упечатљиву продукциону метрику – на пример 'модели опслужују 2 милиона предвиђања дневно уз P95 кашњење испод 50 мс'. За искусне инжењере ово одмах показује да разумете цео животни циклус модела, не само тренирање. Ако сте тек на почетку каријере, замените искуство дипломом, конкретним пројектима (имплементиран модел, RAG апликација) и Kaggle или GitHub резултатима.
2
2. Пишите резултате радног искуства кроз бројеве
Свака ставка искуства треба да повеже техничку промену са пословним или инфраструктурним резултатом: побољшање тачности модела везано за конкретан пословни број, кашњење или трошак опслуживања, обим цевовода података. Користите глаголе акције и именујте алат. Пример јаке реченице: 'Имплементирао модел за детекцију преваре користећи XGBoost и Docker, смањивши лажне позитиве за 32% и трошак ручне провере за 18.000 EUR месечно.' Избегавајте генеричке фразе попут 'радио сам на ML пројектима' – ATS и регрутер желе бројеве, алате и исход, не опис задатка.
3
3. Организујте вештине по групама
Групишите вештине у категорије које регрутер и ATS лако препознају: ML фрејмворци (PyTorch, TensorFlow, scikit-learn), MLOps и инфраструктура (Docker, Kubernetes, MLflow, Kubeflow, SageMaker или Vertex AI), инжењеринг података (Spark, SQL, Airflow) и програмски језици. Користите тачно исте термине као у огласу за посао – ако послодавац тражи 'Kubernetes' а ви написали само 'контејнеризација', ATS филтер вас може прескочити. Немојте набрајати сваку библиотеку коју сте икада отворили; боље је показати дубину на неколико кључних алата него површан списак од двадесет ставки.
4
4. Покажите продукцију и код, не само курсеве
GitHub профил са имплементираним пројектима – модел изложен као API, RAG апликација, Kaggle такмичење са добрим пласманом – вреди више од листе завршених онлајн курсева. За истраживачки оријентисане позиције наведите објављене радове и конференције (NeurIPS, ICML). За млађе кандидате без радног искуства, репродуцибилан репозиторијум са јасним README, тестовима и Docker сетапом показује инжењерску зрелост коју hiring менаџери траже код ML кандидата.
5
5. Образовање, сертификати и ATS провера
Наведите мастер или докторат ако постоји, посебно ако укључује машинско учење или статистику, али немојте се извињавати ако имате само основне студије уз јаке пројекте. Сертификати попут AWS Certified Machine Learning – Specialty или Google Professional ML Engineer додају кредибилитет, посебно раним каријеристима. На крају, проверите ATS форматирање: једна колона, стандардни наслови секција (Искуство, Образовање, Вештине), извоз у PDF и кључне речи преузете директно из конкурса на који се пријављујете.
Примери резимеа за биографију инжењера машинског учења
Копирајте и прилагодите један од следећих резимеа свом нивоу искуства и домену рада.
Млађи ML инжењер / нема радног искуства
Дипломирани инжењер рачунарства са фокусом на машинско учење, изградио и имплементирао три ML пројекта укључујући RAG апликацију за претрагу докумената и модел за препоруку производа тестиран на синтетичким подацима. Завршио Kaggle такмичење у горњих 15% учесника. Стручан у Python, PyTorch и Docker, са репозиторијумима отвореног кода који укључују тестове и CI. Тражи прилику да примени инжењерску ригорозност на продукционе ML системе.
Виши ML инжењер
Виши инжењер машинског учења са 8 година искуства у изградњи препоручилачких и NLP система у e-commerce окружењу. Водио миграцију инференце на Kubernetes кластере, смањивши трошкове опслуживања за 40% уз одржавање P95 кашњења испод 60 мс. Изградио fine-tuning цевовод за LLM засноване производе укључујући RAG са vector базом података. Ментор за тим од 5 млађих инжењера и аутор две публикације на ML конференцијама.
Промена каријере из софтверског инжењерства
Софтверски инжењер са 6 година искуства у бекенд системима, прешао у машинско учење кроз интензиван мастер програм и три продукциона пројекта укључујући систем за детекцију преваре имплементиран на AWS SageMaker. Доноси снажне навике инжењерства (CI/CD, тестирање, контејнеризација) ML тимовима који често занемарују продукциону ригорозност. Тражи позицију ML инжењера где ће комбиновати backend искуство са новостеченом ML стручношћу.
ATS кључне речи за биографију ML инжењера
Ови термини се појављују у већини огласа за machine learning инжењере – користите исте речи као у конкурсу јер и ATS и регрутери скенирају текст буквално.
Machine Learning
Основни термин – увек га напишите на енглеском чак и у српској биографији, јер га ATS системи и регрутери претражују тако.
Python
Наведите верзију и оквире које користите (нпр. pandas, NumPy) уз конкретан пример примене.
PyTorch
Ако тим користи TensorFlow уместо PyTorch, прилагодите – наведите онај који сте стварно користили у продукцији.
MLflow
Помените уз конкретан задатак (праћење експеримената, регистар модела) да не делује као пуко набрајање.
Скоро обавезно за имплементацију модела – спомените контејнеризацију конкретног модела или API-ја.
SQL
И даље се тражи и код ML позиција за инжењеринг карактеристика и анализу података.
Spark
Наведите ако сте радили на подацима великог обима (batch обрада, ETL цевоводи).
NLP/LLM
Најтраженији сигнал у 2026: fine-tuning, RAG, vector базе података – конкретизујте пројекат ако га имате.
AWS SageMaker
Или Vertex AI/Azure ML – наведите платформу коју стварно познајете, идеално са примером имплементације.
Пре и после: реченице искуства за ML биографију
Слаба реченица описује задатак; јака реченица показује алат, обим и мерљив резултат.
Имплементација модела
Радио на имплементацији ML модела у продукцију.
Имплементирао модел за препоруку производа користећи FastAPI и Docker на Kubernetes кластеру, постигавши P95 кашњење од 45 мс уз 3 милиона захтева дневно.
Побољшање модела
Побољшао тачност модела за детекцију преваре.
Побољшао AUC модела за детекцију преваре са 0.87 на 0.94 кроз feature engineering и XGBoost тјунинг, смањивши лажне пријаве за 22% и уштедевши 15.000 EUR месечно у ручним прегледима.
MLOps цевовод
Направио аутоматизацију за поновно тренирање модела.
Изградио аутоматизовани MLOps цевовод са Kubeflow и MLflow који детектује data drift и покреће поновно тренирање, смањивши ручну интервенцију за 80% и одржавајући SLA тачности изнад 95% током 12 месеци.
Често постављана питања
Шта би требало да садржи биографија инжењера машинског учења?
Биографија ML инжењера треба да истакне продукционе ML системе, метрике перформанси модела, искуство са цевоводима за имплементацију и програмерске вештине (Python, PyTorch/TensorFlow). Укључите метрике кашњења, пропусности и пословног утицаја имплементираних модела.
Која је разлика између биографије научника за податке и ML инжењера?
Биографије ML инжењера наглашавају продукционе системе, имплементацију, MLOps и инжењерске праксе. Биографије научника за податке више се фокусирају на анализу, експериментисање и статистичке методе. ML инжењери граде системе; научници за податке граде моделе.
Да ли ми треба последипломска диплома за ML инжењерство?
Многе позиције ML инжењера преферирају мастер или докторат, али то није увек обавезно. Снажно пројектно искуство, доприноси отвореном коду и доказана способност имплементације продукционих ML система могу надокнадити формално образовање.
Могу ли бесплатно направити биографију ML инжењера?
Да! Наш бесплатни алат за израду биографија омогућава вам стварање професионалне биографије ML инжењера. Користите овај пример као инспирацију, прилагодите га својим искуствима и преузмите професионални PDF за неколико минута.
Како написати биографију ML инжењера без радног искуства?
Ако немате радно искуство, фокус ставите на пројекте: изграђен и имплементиран модел (нпр. RAG апликација, класификатор изложен као API), Kaggle такмичења и репозиторијуме на GitHub-у са тестовима и документацијом. Наведите courseworks из машинског учења и статистике, као и учешће у хакатонима. Регрутери за млађе позиције очекују доказ да умете да испоручите нешто функционално, не листу завршених курсева.
Како приказати LLM и GenAI искуство у биографији?
LLM/GenAI искуство је тренутно најтраженији сигнал за ML инжењере. Наведите конкретне пројекте: fine-tuning отвореног модела, изградњу RAG цевовода са vector базом података (нпр. Pinecone, Weaviate, FAISS), или евалуацију и prompt инжењеринг за производни систем. Уместо генеричког 'искуство са LLM-овима', наведите модел, алат и мерљив резултат – нпр. смањено време одговора или тачност у поређењу са baseline решењем.
Да ли се Kaggle такмичења и GitHub пројекти рачунају као искуство?
Да, посебно за млађе кандидате. Добар пласман на Kaggle такмичењу, добро документован GitHub репозиторијум са имплементираним моделом или допринос отвореном коду показују практичну способност баш као и радно искуство. Наведите их у посебној секцији 'Пројекти' са алатима, обимом података и резултатом – hiring менаџери за ML позиције их озбиљно узимају у обзир.
Да ли AWS ML Specialty или GCP Professional ML Engineer сертификати вреде?
Ови сертификати додају кредибилитет и могу помоћи да прођете аутоматску селекцију, посебно раним каријеристима без много искуства, али не замењују стварне пројекте и продукционо искуство. Најбоља комбинација је сертификат плус конкретан пројекат где сте применили та знања – саму сертификацију немојте истицати изнад практичног рада.
Да ли биографија ML инжењера треба да буде на енглеском или српском?
За позиције у мултинационалним компанијама (Microsoft, EPAM, Vega IT, HTEC) и за апликације ван Србије, енглеска верзија биографије је готово обавезна – ML терминологија је интернационална, а тимови су често међународни. За локалне компаније српска верзија је у реду, али препоручује се да имате и енглеску верзију спремну паралелно.
Да ли биографија треба да садржи фотографију?
У Србији је фотографија на биографији уобичајена пракса за многе позиције, али за ML/tech улоге, посебно у мултинационалним и IT компанијама, чешће се изоставља – фокус је на техничким доказима, не изгледу. Ако аплицирате у иностранство или за англосаксонске компаније, фотографију свакако изоставите.
Направите своју биографију сада
Користите овај пример као инспирацију. Прилагодите га својим искуствима и преузмите професионални PDF за неколико минута. 100% бесплатно.
