CV-mall för AI-ingenjör

CV-struktur för AI-ingenjör

1. Personlig profil (2-3 rader)

Detta är din "executive summary". Verkligtgöra här vad du värderar och vad du tillför.

Exempel: "Erfaren AI-ingenjör med 5+ års erfarenhet av att utveckla och implementera maskininlärningsmodeller i produktionsmiljö. Specialisering inom naturlig språkbehandling och datorseende. Proven track record av att leverera modeller som ökat intäkter med 20-30% och minskat operativ kostnad."

---

2. Erfarenhet

Fokusera på resultat och affärsimpact, inte bara uppgifter.

Format:

• Jobbtitel | Företag | År
• 4-5 bullets per roll

Starkt exempel:

• "Utvecklade rekomendasystem med Python och TensorFlow som ökade användarengagemang med 35% och genererade +€2.1M årlig tilläggsintäkt"
• "Implementerade MLOps-pipeline med Docker, Kubernetes och CI/CD för 8 production-modeller, minskat deployment-tid från 2 veckor till 2 dagar"
• "Ledde datasannolikhetsuppsättning (200k+ exempel) för datorseende-modell; tränade ResNet50-modell med 94% accuracy på testset"
• "Samarbetade med produktteamet för A/B-testning av ny ML-feature; influerade produktdecisioner för 50k+ användare"

Undvik:

• "Ansvarig för AI-projekt" (för vagt)
• "Arbetade med Python" (för generellt)
• Enbart tekniska detaljer utan affärskontext

---

3. Utbildning

Format: Examenstyp | Universitet | År

Exempel:

• Master's in Computer Science (Machine Learning) | KTH Royal Institute of Technology | 2019
• Relevant kursering: Deep Learning, Natural Language Processing, Statistical Methods

---

4. Nyckelkompetenser (7-10 stycken)

AI-ingenjörer söks för:

1. Maskininlärning (ML) – Supervised/unsupervised learning, feature engineering, model evaluation
2. Deep Learning – TensorFlow, PyTorch, CNN, RNN, Transformers
3. Naturlig språkbehandling (NLP) – BERT, GPT-modeller, text classification, sentiment analysis
4. Datorseende (Computer Vision) – Image classification, object detection, segmentation
5. MLOps & Deployment – Docker, Kubernetes, MLflow, AWS SageMaker, Google Cloud AI
6. Data Engineering – SQL, Spark, data pipelines, ETL
7. Python – NumPy, Pandas, Scikit-learn
8. Cloud-plattformar – AWS, GCP, Azure (ML-fokuserade tjänster)
9. Versionskontroll – Git, GitHub
10. Experimentering & A/B-testing – Statististiska metoder, hypothesis testing

---

5. Certifieringar

Listor relevanta certifikat, t.ex.:

• Google Cloud Professional Machine Learning Engineer
• AWS Certified Machine Learning – Specialty
• Andrew Ng's Deep Learning Specialization (Coursera)
• Databricks Certified Associate Machine Learning Engineer

---

Praktiska tips

Kvantifiera alltid:

• ✅ "Förbättrade modellens precision från 78% till 91%"
• ✅ "Reducerade inferenslatensy från 800ms till 120ms"
• ❌ "Förbättrade modellen" (för vag)

Använd rätt nyckelord för ATS-scanning:

• Modeltyper: CNN, LSTM, Transformer, XGBoost, Random Forest
• Ramverk: TensorFlow, PyTorch, Scikit-learn
• Cloud: AWS SageMaker, Google Cloud AI, Azure ML
• Verktyg: Jupyter, Anaconda, Git

Visa samarbete: AI-ingenjörer arbetar sällan ensamma. Nämn hur du har jobbat med datatekniker, produktchefer och analytiker.

Undvik dessa misstag:

• För akademisk ton (spara teorin för interviews)
• Listor utan kontext ("Använde Python" utan att visa vad du byggde)
• Gamla teknologier utan att visa evolution
• Ingen GitHub/portfolio-länk (kritiskt för AI-roller)

---

Länktips

Lägg till längst ner i CV:t:

• LinkedIn-profil
• GitHub-repos med AI-projekt
• Kaggle-profil (om relevant)
• Personlig blogg/Medium (om du publicerat om ML)