Pozrite sa, ako profesionálny životopis ML inžiniera predstavuje vývoj modelov, nasadzovacie pipeline a produkčné ML systémy. Prispôsobte si tento príklad podľa vlastných skúseností.
[email protected]+421 905 678 124Bratislava, SlovenskoVodičský preukaz skupiny B
Profesijný Profil
Senior inžinier strojového učenia so 7-ročnými skúsenosťami s budovaním a nasadzovaním produkčných ML systémov vo veľkom rozsahu. Špecializácia na NLP, odporúčacie systémy a architektúry hlbokého učenia, s modelmi, ktoré obsluhujú viac ako 10 miliónov predikcií denne s latenciou pod 100 ms. Publikoval 3 práce na špičkových ML konferenciách vrátane NeurIPS a ICML. Zameraný na preklenutie priepasti medzi výskumom a produkciou, s praktickou expertízou v MLOps, distribuovanom tréningu a optimalizácii inferencie v reálnom čase.
Pracovné Skúsenosti
Senior inžinier strojového učenia
ESET
jún 2022 – súčasnosť
Vybudoval odporúčací engine obsluhujúci viac ako 10 miliónov denných predikcií s dostupnosťou 99,5 % a P99 latenciou pod 80 ms
Vyvinul kompletný ML pipeline od príjmu dát po nasadenie modelu pomocou Kubeflow a MLflow, čím skrátil čas nasadenia z 2 týždňov na 3 hodiny
Zlepšil mieru prekliknutia o 25 % prostredníctvom A/B testovaných zmien architektúry modelu naprieč 4 produktovými plochami
Navrhol a implementoval feature store obsluhujúci viac ako 500 príznakov pre 12 produkčných modelov, čím znížil duplicitu inžinierstva príznakov o 70 %
Viedol 3 juniorných ML inžinierov a zaviedol proces revízie modelov prijatý naprieč tímom ML platformy
Inžinier strojového učenia
Pixel Federation
aug. 2019 – máj 2022
Doladil modely BERT a GPT-2 pre klasifikáciu dokumentov s presnosťou 97 % na produkčných datasetoch zahŕňajúcich 15 jazykov
Vybudoval pipeline analýzy textu v reálnom čase spracúvajúci 500-tisíc dokumentov denne pomocou Spark a Kafka s end-to-end latenciou pod 200 ms
Skrátil čas tréningu modelu o 60 % prostredníctvom distribuovaného tréningu na GPU klastroch pomocou Horovod a PyTorch DDP
Implementoval systém monitorovania modelov a detekcie driftu, ktorý spúšťal automatické pretrénovanie a udržiaval presnosť modelu nad SLA 95 %
Inžinier strojového učenia
Sygic
júl 2017 – júl 2019
Vyvinul model klasifikácie obrázkov s presnosťou 94 % pre tagovanie obsahu, spracúvajúci viac ako 3 milióny aktív a znižujúci úsilie manuálnej kontroly o 65 %
Vytvoril pipeline augmentácie dát zväčšujúci tréningový dataset 5-násobne pomocou techník vrátane CutMix, MixUp a syntetického generovania
Publikoval výskumnú prácu o metódach transfer learningu na workshope ICML, ktorá získala viac ako 50 citácií počas prvého roka
Vybudoval interaktívny dashboard vysvetliteľnosti modelu pomocou SHAP a LIME, umožňujúci netechnickým zainteresovaným stranám interpretovať predikcie
Vzdelanie
Magister informatiky (strojové učenie)
Slovenská technická univerzita v Bratislave, Fakulta informatiky a informačných technológií
2015 - 2017
Špecializácia na strojové učenie a systémy hlbokého učenia.
Bakalár informatiky
Univerzita Komenského v Bratislave, Fakulta matematiky, fyziky a informatiky
2011 - 2015
Zameranie na algoritmy, štatistiku a distribuované systémy.
Kurzy a Certifikáty
AWS Certified Machine Learning - Specialty
Amazon Web Services
2023
Credential ID: AWS-MLS-2023-58104
TensorFlow Developer Certificate
Google
2021
Profesionálna certifikácia v budovaní a tréningu modelov TensorFlow.
Špecializácia na hlboké učenie
Coursera (DeepLearning.AI)
2020
Päťkurzová špecializácia pokrývajúca CNN, RNN a sekvenčné modely.
Akadémia umelej inteligencie
Slovenská informatická spoločnosť
2022
Praktický program o produkčných ML systémoch a MLOps.
Toto je vzorový životopis. Prispôsobte ho vašim skúsenostiam pomocou nášho bezplatného nástroja na tvorbu životopisov.
Tipy na životopis
Ukážte produkčné ML, nie len notebooky
Firmy chcú inžinierov, ktorí modely nasadzujú, nielen trénujú. Zdôraznite obsluhu modelov, metriky latencie, monitoring a skúsenosti s MLOps pipeline.
Uveďte metriky výkonnosti modelu
Čísla presnosti, F1, AUC-ROC, latencie a priepustnosti ukazujú, že vaše modely skutočne fungujú vo veľkom rozsahu. 'P99 latencia pod 80 ms pri 10 miliónoch predikcií denne' je silný argument.
Spomeňte celý životný cyklus ML
Zber dát, inžinierstvo príznakov, tréning modelu, vyhodnotenie, nasadenie, monitoring. Ukážte, že rozumiete celému pipeline, nielen kroku modelovania.
Uveďte publikácie a open source
ML inžinierstvo si cení výskumné príspevky. Ak máte práce, konferenčné prednášky alebo významné open-source príspevky, uveďte ich na popredné miesto.
Ako napísať životopis inžiniera strojového učenia (ML inžiniera)
Životopis ML inžiniera musí presvedčiť náborára aj ATS systém za pár sekúnd, že viete nielen trénovať modely, ale aj ich dostať do produkcie. Nasledujúcich päť krokov ukazuje, ako štruktúrovať každú sekciu tak, aby vynikli konkrétne, merateľné výsledky.
1
1. Napíšte profesijný súhrn zameraný na produkciu
Profesijný súhrn na začiatku životopisu by mal v troch až štyroch vetách zhrnúť vašu senioritu, doménu (napríklad odporúčacie systémy, NLP, počítačové videnie) a hlavný technologický stack (Python, PyTorch/TensorFlow, Kubernetes). Uveďte jedno silné číslo z produkcie, napríklad 'nasadené modely obsluhujúce 2 milióny predikcií denne s P95 latenciou pod 50 ms'. Ak ste junior alebo čerstvý absolvent bez pracovných skúseností, nahraďte produkčnú metriku odkazom na konkrétny projekt, GitHub repozitár alebo umiestnenie na Kaggle – náborár chce vidieť, že viete niečo reálne postaviť, nie len absolvovať kurz.
2
2. Kvantifikujte pracovné skúsenosti
Každý bod pri pracovnej pozícii by mal spájať akčné sloveso, konkrétny nástroj a merateľný výsledok naviazaný na biznis alebo systém. Namiesto 'pracoval som na modeloch odporúčaní' napíšte napríklad: 'Nasadil odporúčací model pomocou TensorFlow Serving a Kubernetes, čím zvýšil mieru konverzie o 18 % a znížil P99 latenciu na 45 ms pri 3 miliónoch denných požiadaviek.' Zamerajte sa na dopad na presnosť modelu, latenciu, priepustnosť, náklady na infraštruktúru alebo spoľahlivosť pipeline – čísla, ktoré ML tímy reálne sledujú.
3
3. Zoskupte zručnosti podľa kategórií
Rozdeľte sekciu zručností na jasné skupiny: ML frameworky (PyTorch, TensorFlow, scikit-learn), MLOps a infraštruktúra (Docker, Kubernetes, MLflow, Kubeflow, SageMaker alebo Vertex AI), dátové inžinierstvo (Spark, SQL, Airflow) a programovacie jazyky. Používajte presne tie termíny, ktoré sa objavujú v konkrétnej pracovnej ponuke – ATS systémy aj náborári ich vyhľadávajú doslovne. Neuvádzajte každú knižnicu, ktorú ste kedy použili; radšej ukážte hĺbku pri niekoľkých kľúčových technológiách relevantných pre danú pozíciu.
4
4. Ukážte produkčný kód a nasadené projekty, nie len notebooky
GitHub s nasadeným projektom – aj malým, napríklad RAG aplikáciou alebo modelom bežiacim ako API – má oveľa väčšiu váhu než zoznam absolvovaných kurzov. Ak sa hlásite na výskumne orientovanú pozíciu, uveďte publikácie; ak ste junior, uveďte umiestnenia na Kaggle a reprodukovateľné repozitáre s jasným README. Skúsenosti s LLM a generatívnou AI – fine-tuning, RAG pipeline, vektorové databázy, hodnotenie promptov – sú v roku 2026 najsledovanejším signálom, preto ich uveďte konkrétne, aj keď išlo o osobný projekt.
5
5. Doplňte vzdelanie, certifikácie a skontrolujte ATS formát
Uveďte magisterský alebo doktorandský titul, ak ho máte, spolu s relevantnými certifikáciami ako AWS Certified Machine Learning – Specialty alebo GCP Professional Machine Learning Engineer – tie pomáhajú najmä juniorom bez praxe. Na záver skontrolujte technickú stránku: jednostĺpcový formát bez tabuliek a grafiky, štandardné názvy sekcií (Pracovné skúsenosti, Vzdelanie, Zručnosti) a kľúčové slová priamo z pracovnej ponuky, aby životopis prešiel cez ATS filtre bez straty formátovania.
Príklady profesijného súhrnu pre životopis ML inžiniera
Tri hotové ukážky súhrnu, ktoré si môžete upraviť podľa vlastnej praxe – pre juniora, seniora aj pre kariérnu zmenu smerom k strojovému učeniu.
Junior ML inžinier / čerstvý absolvent bez praxe
Absolvent informatiky so zameraním na strojové učenie, s praktickými skúsenosťami z troch nasadených projektov vrátane RAG aplikácie na báze LangChain a modelu klasifikácie obrázkov publikovaného ako API na Hugging Face Spaces. Umiestnenie v top 8 % na Kaggle súťaži o predikciu odchodu zákazníkov. Ovláda Python, PyTorch a základy Docker a MLflow. Hľadá pozíciu junior ML inžiniera, kde môže prispieť k produkčným ML systémom a naďalej sa učiť MLOps praktiky.
Senior ML inžinier
Senior ML inžinier so 6-ročnou praxou v budovaní produkčných systémov detekcie podvodov vo fintech sektore. Nasadil modely spracúvajúce viac ako 4 milióny transakcií denne s P95 latenciou pod 60 ms, čím znížil straty z podvodov o 22 %. Expert na PyTorch, Kubernetes a MLflow, s praxou v distribuovanom tréningu a monitorovaní driftu modelov. Viedol tím piatich ML inžinierov a zaviedol interný feature store používaný naprieč štyrmi produktovými tímami.
Kariérna zmena do ML (zo softvérového inžinierstva)
Softvérový inžinier s 5-ročnou praxou vo vývoji backendových systémov, ktorý si rozšíril expertízu o strojové učenie prostredníctvom špecializácie DeepLearning.AI a troch nasadených pet-projektov vrátane odporúčacieho systému v produkcii na AWS SageMaker. Prináša silné inžinierske základy – CI/CD, testovanie, škálovateľná architektúra – ktoré väčšine dátových vedcov chýbajú, a teraz ich kombinuje s hlbokým učením a MLOps praktikami.
Kľúčové slová pre ATS v životopise ML inžiniera
Tieto termíny sa najčastejšie objavujú v pracovných ponukách na pozíciu ML inžiniera a ATS systémy ich vyhľadávajú doslovne – použite presne rovnaké znenie ako v inzeráte.
Machine Learning
Uveďte v profesijnom súhrne aj v názve pozície presne v tomto tvare, keďže väčšina slovenských inzerátov používa anglický názov role.
Python
Základný jazyk takmer každej ML pozície; spomeňte ho v sekcii zručností aj v konkrétnom kontexte použitia v projekte.
PyTorch
Uveďte, ak ste ho reálne používali na tréning alebo fine-tuning modelov – firmy si čoraz častejšie vyberajú medzi PyTorch a TensorFlow.
TensorFlow
Alternatíva k PyTorch; ak máte skúsenosti s oboma, uveďte v ktorých projektoch ste použili ktorý framework.
MLflow
Signalizuje skúsenosť so sledovaním experimentov a správou verzií modelov – kľúčové pre MLOps pozície.
Docker
Ukazuje, že viete zabaliť model do kontajnera pripraveného na nasadenie, nie len ho natrénovať v notebooku.
Kubernetes
Dôležité pre pozície s dôrazom na škálovanie a orchestráciu produkčných ML služieb.
SQL
Aj ML inžinieri potrebujú pracovať s dátami priamo v databázach; uveďte, ak ste písali zložitejšie dotazy alebo pipeline.
NLP / LLM
V roku 2026 najžiadanejšia zručnosť; ak máte skúsenosť s fine-tuningom alebo RAG pipeline, uveďte konkrétny príklad.
AWS SageMaker
Alebo Vertex AI/Azure ML – uveďte konkrétnu cloudovú platformu, na ktorej ste modely reálne nasadzovali.
Príklady bodov v pracovnej skúsenosti: pred a po
Slabý bod iba opisuje úlohu, silný bod ukazuje konkrétny nástroj a merateľný produkčný výsledok. Tu sú tri príklady prepracovania bežných ML úloh.
Nasadenie modelu
Zodpovedný za nasadzovanie modelov strojového učenia do produkcie.
Nasadil model odporúčaní pomocou TensorFlow Serving a Kubernetes, čím znížil P99 latenciu na 45 ms a znížil náklady na infraštruktúru o 30 % pri 5 miliónoch denných požiadaviek.
Zlepšenie modelu
Zlepšoval presnosť modelu na detekciu podvodov.
Zlepšil AUC modelu na detekciu podvodov z 0,86 na 0,93 pridaním nových príznakov správania, čím sa ročne zachytilo o 1,4 milióna EUR viac podvodných transakcií.
MLOps pipeline / automatizácia pretrénovania
Pracoval na automatizácii tréningového pipeline.
Vybudoval automatizovaný pipeline pretrénovania pomocou Kubeflow a Airflow, ktorý skrátil čas nasadenia novej verzie modelu z 2 týždňov na 4 hodiny a udržal dostupnosť pipeline na 99,7 %.
Často kladené otázky
Čo by mal obsahovať životopis inžiniera strojového učenia?
Životopis ML inžiniera by mal zdôrazňovať produkčné ML systémy, metriky výkonnosti modelov, skúsenosti s nasadzovacím pipeline a programátorské zručnosti (Python, PyTorch/TensorFlow). Zahrňte metriky latencie, priepustnosti a obchodného dopadu z nasadených modelov.
Aký je rozdiel medzi životopisom dátového vedca a ML inžiniera?
Životopisy ML inžinierov zdôrazňujú produkčné systémy, nasadenie, MLOps a inžinierske postupy. Životopisy dátových vedcov sa viac zameriavajú na analýzu, experimentovanie a štatistické metódy. ML inžinieri budujú systémy, dátoví vedci budujú modely.
Potrebujem na ML inžinierstvo magisterský titul?
Mnohé pozície ML inžiniera preferujú magisterský alebo doktorandský titul, no nie je vždy povinný. Silné projektové skúsenosti, open-source príspevky a preukázaná schopnosť nasadzovať produkčné ML systémy môžu kompenzovať formálne vzdelanie.
Môžem si bezplatne vytvoriť životopis ML inžiniera?
Áno! Náš bezplatný nástroj na tvorbu životopisov vám umožní vytvoriť profesionálny životopis ML inžiniera. Použite tento príklad ako inšpiráciu, prispôsobte ho vlastným skúsenostiam a stiahnite si profesionálne PDF za pár minút. Vhodné aj pre ponuky na Profesia.sk a Kariera.sk.
Ako napísať životopis ML inžiniera bez praxe?
Ak nemáte pracovné skúsenosti, postavte životopis na projektoch: nasadená RAG aplikácia, model publikovaný ako API, alebo umiestnenie na Kaggle. Uveďte konkrétne technológie (Python, PyTorch, Docker) a merateľné výsledky projektov namiesto formulácie 'žiadna prax'. Pridajte relevantné kurzy, bakalársku či diplomovú prácu s ML zameraním a odkaz na GitHub. Náborári pri juniorných pozíciách hodnotia predovšetkým to, čo ste reálne postavili.
Ako v životopise ukázať skúsenosti s LLM a generatívnou AI?
Uveďte konkrétny prípad použitia namiesto všeobecného 'práca s LLM' – napríklad fine-tuning modelu na doménových dátach, postavenie RAG pipeline s vektorovou databázou (Pinecone, Weaviate) alebo hodnotenie kvality promptov v produkčnej aplikácii. Doplňte merateľný výsledok, napríklad zníženie počtu halucinácií alebo latenciu odpovede. V roku 2026 ide o najsledovanejší signál na ML pozíciách, preto mu venujte samostatný riadok aj v sekcii zručností.
Počítajú sa projekty na Kaggle a GitHube ako prax?
Áno, najmä pri juniorných pozíciách. Nasadený projekt na GitHube, funkčné API alebo dobré umiestnenie na Kaggle preukazujú reálne zručnosti rovnako presvedčivo ako pracovná skúsenosť, ak sú opísané konkrétne – s technológiami, výsledkami a odkazom na repozitár. Pridajte ich do samostatnej sekcie 'Projekty', ak ešte nemáte formálnu ML pozíciu, alebo ich zaraďte popri pracovných skúsenostiach, ak dopĺňajú vašu prax.
Oplatia sa certifikácie ako AWS ML Specialty alebo GCP Professional ML Engineer?
Certifikácie pomáhajú najmä juniorom a kariérnym zmenárom – ukazujú štruktúrované znalosti a záujem o odbor. Nikdy však nenahradia reálny projekt alebo pracovnú skúsenosť; skúsený náborár vždy uprednostní nasadený model pred certifikátom. Najviac váhy majú AWS Certified Machine Learning – Specialty a GCP Professional Machine Learning Engineer – uveďte ich v sekcii vzdelanie/certifikácie, nie v úvode súhrnu.
Má byť životopis ML inžiniera v angličtine alebo po slovensky?
Pre pozície ML inžiniera na Slovensku je bežné mať životopis v angličtine, prípadne obe verzie – väčšina firiem v tomto odbore (ESET, Pixel Federation, medzinárodné pobočky a startupy) komunikuje po anglicky a technické termíny ako 'machine learning engineer' alebo 'deep learning' sa aj tak nikdy neprekladajú. Ak sa hlásite do čisto slovenskej firmy alebo štátnej inštitúcie, slovenská verzia je vhodnejšia – v neistote pripravte obe.
Môžem si stiahnuť túto šablónu životopisu ML inžiniera po slovensky?
Áno, tento konkrétny príklad si môžete otvoriť priamo v našom bezplatnom nástroji na tvorbu životopisov, upraviť texty podľa vlastnej praxe a stiahnuť ako profesionálne PDF v priebehu pár minút, bez registrácie. K dispozícii sú 3 ATS-kompatibilné šablóny, medzi ktorými môžete kedykoľvek prepínať bez straty obsahu.
Vytvorte si svoj životopis teraz
Použite tento príklad ako inšpiráciu. Prispôsobte ho vašim skúsenostiam a stiahnite si profesionálne PDF za pár minút. 100 % zadarmo.
