LLMエンジニアの履歴書：プロンプトエンジニアリング、ファインチューニング、生成AIシステム

LLMエンジニアは、2026年のテック業界で最も注目される職種として年収150,000ドルから250,000ドル以上を得ています。あなたの履歴書は、大規模言語モデルの実践的な経験、本番AIシステム、生成AI特有の課題への対応力を示す必要があります。

LLMエンジニアの履歴書が特別な理由

**LLMエンジニアの履歴書は、生成AIの専門知識の深い技術的デモンストレーションによって差別化されます。**具体的なTransformerアーキテクチャ（GPT、BERT、T5）、定量化可能なモデルパフォーマンスの改善、プロンプトエンジニアリング技術の実践経験をアピールしましょう。推論最適化、ファインチューニング手法、AIシステムデプロイメントの具体的な指標を強調してください。

LLMエンジニアは大規模言語モデルを活用したアプリケーションを構築します。従来のMLエンジニアとは異なり、事前学習済みモデルを扱い、プロンプトエンジニアリング、ファインチューニング、本番デプロイメントに焦点を当てます。あなたの履歴書は、LLMを実際のアプリケーションに活用できることを示す必要があります。

LLMエンジニアを採用する企業：

• AI企業（OpenAI、Anthropic、Google）
• AI-firstスタートアップ
• AI機能を追加するテック企業
• エンタープライズAIチーム
• AIコンサルティングファーム

キャリアパス： MLエンジニア → LLMエンジニア → シニアLLMエンジニア → スタッフAIエンジニア → プリンシパルAIエンジニア → AIアーキテクト

必須の履歴書セクション

プロフェッショナルサマリー

**LLMエンジニアのプロフェッショナルサマリーは、定量化可能な実績を通じて生成AIの専門知識を簡潔にアピールする必要があります。**プロンプトエンジニアリング、モデルファインチューニング、スケーラブルなAIシステム設計における3年以上の本番経験を強調しましょう。デプロイされた生成システムの具体的なパフォーマンス指標とともに、PyTorchやTensorFlowなどの技術フレームワークを重視してください。

3年以上の大規模生成AIアプリケーション構築経験を持つLLMエンジニア。 100ミリ秒未満のレイテンシで日次100万件以上のクエリを処理する 本番LLMシステムをデプロイ。プロンプトエンジニアリング、RAGアーキテクチャ、 モデルファインチューニングの専門家。グラウンデッド生成により ハルシネーション率を80%削減。

経験セクション

LLMエンジニアの経験セクションは、具体的な指標とスケーラブルなAIインフラ開発を通じて、技術的リーダーシップとプロダクトへの直接的なインパクトを定量化する必要があります。

シニアLLMエンジニア | AIスタートアップ | 2023年〜現在

日次50万ユーザーが利用するAI搭載アシスタントを構築する シニアエンジニア。LLMインフラとアプリケーション開発を担当。

- 1,000万ドキュメントのコーパスを用いたグラウンデッド生成により、 ハルシネーション率を80%削減するRAGアーキテクチャを設計 - 5つのプロダクト機能にわたるLLM統合を標準化する プロンプトエンジニアリングフレームワークを構築し、出力品質を40%向上 - タスクに基づいてGPT-4とClaudeを選択するモデルルーティング システムを実装し、品質を維持しつつコストを60%削減 - ドメイン固有タスク向けにLLaMAをファインチューニングし、 独自の評価ベンチマークで90%の精度を達成 - LLM-as-judgeと人間レビューを用いた自動評価パイプラインを作成し、 データ駆動のプロンプト最適化を実現

テクニカルスキルセクション

**LLMエンジニアの履歴書は、最先端の生成AIモデルと先進的な機械学習技術の正確な技術的専門知識をアピールする必要があります。**GPT-4、Claude、LLaMAなどの具体的なモデルを強調し、プロンプトエンジニアリング、Few-shot学習、LoRAやPEFTなどのファインチューニング手法の習熟度を示しましょう。

大規模言語モデル モデル：GPT-4、Claude、LLaMA、Gemini、Mistral テクニック：プロンプトエンジニアリング、Few-shot学習、Chain-of-Thought ファインチューニング：LoRA、QLoRA、PEFT、Instruction Tuning 評価：LLMベンチマーク、人間評価、自動メトリクス

検索＆グラウンディング RAG：検索拡張生成（Retrieval Augmented Generation）、チャンキング戦略 ベクターDB：Pinecone、Weaviate、Chroma、FAISS エンベディング：OpenAI Embeddings、sentence-transformers 検索：セマンティック検索、ハイブリッド検索、リランキング

インフラストラクチャ サービング：vLLM、TensorRT-LLM、Triton、モデルルーティング オーケストレーション：LangChain、LlamaIndex、カスタムフレームワーク モニタリング：トークン使用量、レイテンシ、品質モニタリング デプロイメント：Kubernetes、サーバーレス推論、エッジデプロイメント

プログラミング 言語：Python、TypeScript MLスタック：PyTorch、Hugging Face、transformers API：OpenAI API、Anthropic API、LLMプロバイダー統合

LLMエンジニア向けATS最適化

含めるべきトップ25キーワード

**LLMエンジニアの履歴書トップ25キーワードは、技術的深度と最先端のAI能力を戦略的にブレンドします。**GPT、LLaMA、Transformersなどのモデル固有の専門知識に加え、プロンプトエンジニアリング、ファインチューニング、RAGなどの技術と、生成AIシステムおよび大規模言語モデルアーキテクチャの実証可能な経験を優先しましょう。

1. LLM Engineer
2. Generative AI Engineer
3. AI Engineer
4. ML Engineer
5. NLP Engineer

モデル：

1. Large Language Model (LLM)
2. GPT
3. Claude
4. LLaMA
5. Transformers

テクニック：

1. Prompt Engineering
2. Fine-tuning
3. RAG (Retrieval Augmented Generation)
4. Few-shot Learning
5. Chain-of-Thought

インフラ：

1. Vector Database
2. Embeddings
3. LangChain
4. Hugging Face
5. Model Serving

本番：

1. Production LLM
2. Inference Optimization
3. Token Optimization
4. Hallucination Reduction
5. LLM Evaluation

ATSで不合格になる一般的な理由

**ATSシステムは、証明可能な本番デプロイメント経験を欠くLLMエンジニアの履歴書を容赦なくフィルタリングします。**採用担当者は、RAG（検索拡張生成）実装の具体的な証拠、定量化可能なモデルパフォーマンス指標、アカデミックなデモや理論的なプロンプティングを超えたフルサイクルLLMエンジニアリングを求めています。

1. 本番LLM経験がない - デモはカウントされない
2. RAGスキルの欠如 - グラウンディングは必須
3. 評価経験がない - LLMの品質測定が必要
4. プロンプトのみ - エンジニアリングの深度が必要

実績箇条書きの例

LLMエンジニアリングの履歴書における実績箇条書きは、パフォーマンス、精度、コスト削減に関する具体的な指標を使って技術的インパクトを定量化すべきです。

• 日次200万クエリを処理し、p99レイテンシ150ミリ秒未満、99.9%アップタイムの本番LLMパイプラインを構築

RAG：

• 5,000万ドキュメントのコーパスを用いたRAGシステムを設計し、回答精度を60%から92%に向上

ファインチューニング：

• LoRAを使用して70億パラメータモデルをファインチューニングし、推論コストを70%削減しつつタスク精度95%を達成

評価：

• LLM-as-judgeを使用した自動評価パイプラインを作成し、手動レビュー時間を80%削減

コスト最適化：

• プロンプトキャッシングとモデルルーティングを実装し、品質を維持しつつLLM APIコストを50%削減

採用担当者が重視するポイント

**採用担当者は、具体的なプロジェクト成果で証明されたモデル開発、ファインチューニング、プロンプトエンジニアリングスキルを持つLLMエンジニアを求めています。**本番デプロイメントの経験、AIの安全性への理解、生成AIシステムにおける測定可能なインパクトをアピールする必要があります。

ATS通過後 - 人間によるレビューの優先事項

採用担当者は、アルゴリズムスキルだけでなく、エンドツーエンドのAIシステム設計をアピールするLLMエンジニアの履歴書を優先します。

1. 本番システム - スケールでのリアルなLLMアプリケーション
2. RAG経験 - グラウンデッド生成が重要
3. 評価スキル - LLM品質の測定
4. コスト意識 - LLMのコストは大きい
5. 安全性/アライメント - 責任あるAIの思考

避けるべき危険信号

**ChatGPTラッパーを超えた実質的なLLMエンジニアリングを示すことで、履歴書の危険信号を回避しましょう。**本番デプロイメント、厳密なモデル評価指標、具体的なハルシネーション緩和技術を強調してください。

• ChatGPTラッパーのみ - エンジニアリングの深度が必要
• 本番環境がない - 実験ではカウントされない
• 評価の欠如 - 品質測定が必須
• ハルシネーション未対応 - グラウンディングが期待される

際立つ差別化要因

トップLLMエンジニアリングの履歴書は、カスタム評価フレームワーク、マルチモデルアーキテクチャ設計、証明可能なコスト削減戦略を通じて測定可能なインパクトをアピールします。

• ファインチューニング経験
• カスタム評価フレームワーク
• マルチモデルアーキテクチャ
• コスト最適化の成果
• 安全性/アライメントの取り組み

要点まとめ

積極的に応募中のLLMエンジニアは、本番デプロイメント経験、モデル最適化の実績、評価手法の専門知識を強調すべきです。具体的な実装、パフォーマンスベンチマーク、ビジネス成果を文書化し、包括的な生成AIエンジニアリング能力を示しましょう。

本番システムとRAGこそが重要です。信頼性の高いAIアプリケーションを構築できることを示しましょう。MLエンジニアからの転向の方へ： LLM固有のスキル（プロンプティング、RAG、評価）をツールキットに追加しましょう。AIに参入するデベロッパーの方へ： LLMプロジェクトを構築し、APIを理解し、評価技術を学びましょう。Resume Geniは、LLMエンジニアが生成AIの専門知識と本番経験をアピールする履歴書を作成するお手伝いをします。

関連記事

• 機械学習エンジニアの履歴書：TensorFlow、PyTorch、オファーを獲得するMLスキル
• AIプロダクトマネージャーの履歴書：LLM経験、ML理解、AIプロダクトローンチ
• データサイエンティストの履歴書：機械学習、Python、ビジネスインパクト指標

LLMエンジニアが強調すべき主要スキルは？

**LLMエンジニアは、プロンプトエンジニアリング、モデルファインチューニング、Transformerアーキテクチャの深い知識を強調する必要があります。**PyTorch、TensorFlow、Hugging Faceライブラリの実践経験を強調し、自然言語処理タスクと生成AIアプリケーションにわたる大規模言語モデルのトレーニングの習熟度を示しましょう。

概要

LLMおよび生成AIエンジニアの履歴書は、Transformerアーキテクチャの専門知識、ファインチューニングの実績、本番デプロイメント経験をすべてのセクションで目立つように記載する必要があります。PyTorch、プロンプトエンジニアリング、RAGの実装を具体的なモデルワークとともに強調しましょう。リサーチへの貢献と、実際の生成AIエンジニアリング能力を示す実用的なアプリケーション開発のバランスを取ってください。

この職種の履歴書をスキャンする雇用主は、特定のコンピテンシーを探しています。以下のスキルを目立つように含めましょう。

テクニカルスキル

• 業界固有のソフトウェア - 習熟度レベルとともに使用したツールを列挙
• 技術認定資格 - 日付とともに関連資格を記載
• 専門知識 - あなたを差別化するドメインの専門性
• データとアナリティクス - 雇用主が重視する定量的スキル

ソフトスキル

**ソフトスキルは、複雑な技術的能力を戦略的なビジネス価値に翻訳するLLMエンジニアにとって極めて重要です。**技術・非技術の両方のドメインにわたる明確なコミュニケーション力を示し、プロダクトマネージャー、エグゼクティブ、クロスファンクショナルチームにAIモデルのニュアンスを正確かつ明快に伝える能力をアピールしましょう。

• コミュニケーション - インパクトの例を伴う書面と口頭のスキル
• リーダーシップ - チーム管理、メンタリング、プロジェクトオーナーシップ
• 問題解決 - 分析的思考と創造的ソリューション
• 適応力 - 変化への対応と新しいシステムの習得

LLMエンジニアは履歴書で職務経験をどうアピールすべきか？

LLMエンジニアは、正確なモデル開発指標を通じて履歴書の経験を定量化し、パフォーマンスの向上と技術的複雑さを強調する必要があります。

すべてを定量化する

**具体的で測定可能な指標を使って技術的実績を定量化し、具体的なパフォーマンス改善を示しましょう。**曖昧な記述を具体的な数字に変換します。「モデル推論レイテンシを42%削減」や「GPT-3バリアントをファインチューニングし、ドメイン固有タスクの精度を76%から89%に向上」など。

• 「効率を改善」の代わりに → 「処理時間を40%削減し、週15時間を節約」
• 「チームを管理」の代わりに → 「3部門にまたがる8人のクロスファンクショナルチームをリード」
• 「売上を増加」の代わりに → 「テリトリー売上を120万ドルから180万ドルに拡大（50%増）」

強いアクション動詞を使う

LLMエンジニアの履歴書には、技術的マスタリーとイノベーションを示す力強いアクション動詞を配置しましょう。「設計した（architected）」「ファインチューニングした（fine-tuned）」「スケールした（scaled）」などの動詞を選び、深いMLエンジニアリングの専門知識をアピールします。

• リーダーシップ： Directed、Spearheaded、Orchestrated、Championed
• 実績： Achieved、Exceeded、Surpassed、Delivered
• 創造： Developed、Designed、Launched、Pioneered
• 改善： Optimized、Transformed、Revitalized、Streamlined

プロンプトエンジニアリング向けに履歴書をATSにどう最適化するか？

**プロンプトエンジニアリングの履歴書を最適化するには、LLMと生成AI職の求人票キーワードを正確にマッチさせましょう。**LangChainやLlamaIndexなどのフレームワークを戦略的に取り入れ、パフォーマンス指標を定量化し、ATS解析の成功を確保するため標準的なセクションヘッダーを使用してください。

ATS（応募者追跡システム）は、人間の目に触れる前にあなたの履歴書をスキャンします。それに応じて最適化しましょう。

• 求人票の言葉を反映 - 求人票の正確なフレーズを使用
• グラフィックやテーブルを避ける - ATSは複雑なフォーマットの解析に苦労する
• 標準的なセクションヘッダーを使用 - 「Career Journey」ではなく「Experience」
• キーワードを自然に含める - キーワードの詰め込みではなく、有機的に統合
• .docxまたはPDFで保存 - ほとんどのATSはこれらの形式を確実に処理

LLMエンジニアが履歴書で避けるべき一般的なミスは？

LLMエンジニアの履歴書は、アカデミックな深度と具体的な業界デプロイメントスキルのバランスを取る必要があります。

これらのエラーは、他の点で適格な候補者を頻繁に失格にします。

1. 汎用的な目的ステートメント - ターゲットを絞ったプロフェッショナルサマリーに置き換える
2. 実績ではなく職務を列挙 - 責任だけでなくインパクトを示す
3. タイプミスと文法エラー - 複数の人に校正してもらう
4. 一貫性のないフォーマット - 統一されたフォント、スペース、箇条書きスタイルを維持
5. 無関係な情報を含む - すべての行があなたの候補者としての価値を支えるべき
6. 連絡先情報の欠如 - 電話、メール、LinkedIn、市/州を含める

LLMエンジニアの経験レベル別の予想年収は？

**LLMエンジニアの年収は120,000ドルから350,000ドルの範囲で、テックジャイアントのエントリーレベル職は約180,000ドルから始まり、トップAIラボのシニアポジションは350,000ドル以上に達します。**報酬は勤務地によって異なり、シリコンバレーとNYCが最高のパッケージを提供しています。

市場のレートを理解することは、効果的な交渉と現実的な期待設定に役立ちます。

出典：Bureau of Labor Statisticsおよび業界年収調査、2025-2026年

履歴書の箇条書き公式

最も強い履歴書の箇条書きは、正確なアクション-結果の公式に従います。力強い動詞 + 具体的なタスク + 定量化されたインパクト。

ビフォー＆アフターの例

弱い例： 「プロジェクト管理を担当」

強い例： 「240万ドル相当の12の同時進行プロジェクトを管理し、アジャイル手法の導入により95%をオンタイムで、予算の15%以下でデリバリー」

弱い例： 「チームのパフォーマンス改善を支援」

強い例： 「デイリースタンドアップと自動レポーティングの導入によりチームの生産性を35%向上させ、週8時間のミーティング時間を削減」

弱い例： 「カスタマーサービスが得意」

強い例： 「1日150件以上の問い合わせに対応しながら顧客満足度98%を達成、2025年Q3トップパフォーマーとして表彰」

スキルマトリクス：必須 vs. あると望ましい

**LLMエンジニアリングの履歴書では、高度な認定資格よりもPython、PyTorch、Transformerモデルアーキテクチャなどのコア技術スキルの実証を優先しましょう。**採用担当者は、プロンプトエンジニアリングとファインチューニング能力の実践的なプロジェクト証拠を求めています。

履歴書のカスタマイズ：業界別バリエーション

**LLMエンジニアの履歴書は、異なる業界の文脈に応じて技術的深度とクロスドメインの適応力を戦略的にアピールする必要があります。**同じ職種でも業界によって異なる場合があります。それに応じて履歴書を調整しましょう。

スタートアップ環境

スタートアップ環境では、急速なイノベーション、適応力、エンドツーエンドのプロジェクトオーナーシップを示すLLMエンジニアが求められます。

• 多様な役割をこなす汎用性を強調
• 高速なプロジェクトデリバリーを強調
• 曖昧さと急速な変化への適応力を示す
• クロスファンクショナルなコラボレーション例を含める

エンタープライズ/大企業

エンタープライズLLMエンジニアリングの履歴書は、体系的なスケーラビリティと責任あるAIガバナンスを示す必要があります。

• スケールとプロセス改善に焦点
• 責任あるAIに対するコンプライアンスとガバナンスの経験を強調
• ステークホルダー管理を示す
• 予算管理を含める

エージェンシー/コンサルティング

エージェンシーLLMエンジニアリングの履歴書は、業界横断のプロジェクトの多様性、クライアントエンゲージメント指標、直接的な売上インパクトをアピールする必要があります。

• クライアントリレーションシップマネジメントを強調
• 担当したプロジェクトと業界の多様性を示す
• 売上貢献や稼働率を強調
• AIエンゲージメント向けのプロポーザル作成を含める

重要な履歴書指標

LLMエンジニアリングの履歴書は、プロンプトエンジニアリング、モデルファインチューニング、生成AIシステム開発の指標の正確な定量化が必要です。

応募タイミング戦略

LLMエンジニアリングの履歴書は、採用担当者の可視性と回答率を最大化するため火曜日の朝8〜10時に提出しましょう。

年収交渉のレバレッジポイント

直接的なビジネス価値を示す専門的なLLMエンジニアリングの実績を強調することで、年収交渉のレバレッジを高めましょう。

オファー前

オファーを受ける前に、希少なスキルを文書化し、専門的な認定資格がプレミアムにつながることを示しましょう。本番AIシステムへの貢献を定量化してください。

• 希少なスキルを文書化 - 専門的な認定資格は15〜25%のプレミアムにつながる
• 売上インパクトを定量化 - 本番AIシステムがより高い報酬を正当化
• 成長を示す - 一貫した昇進が成長軌跡を示す
• 競合オファーを含める - 複数の面接が緊迫感を生む

交渉中

LLMエンジニアは、高需要なAI人材市場を反映したトータルコンペンセーションパッケージを目指して積極的に交渉すべきです。

• 市場レートを調査 - Glassdoor、Levels.fyi、BLSのデータをベンチマークに使用
• トータルコンペンセーションを考慮 - AI市場プレミアムを考慮し、株式、福利厚生、柔軟性を含む
• オファーを書面で取得 - 口頭のオファーは拘束力がない
• サイニングボーナスを交渉 - 基本給の増額よりも容易な場合が多い

業界別履歴書パターン

テクノロジー企業

テック企業のLLMエンジニアは、具体的なモデル、フレームワーク、処理規模の技術的深度と、意味のあるAIプロダクト貢献を示すスケールでの定量化されたインパクトを示すべきです。

金融サービス

金融サービスのLLMエンジニアは、規制知識としてコンプライアンス経験、AIシステムのリスク管理、規制環境での責任あるAIデプロイメントを示すべきです。

ヘルスケア

ヘルスケアのLLMエンジニアは、品質指標を通じた患者アウトカム、ヘルスAI向けの関連認定資格、医療AIアプリケーションのヘルスケア規制への準拠を強調すべきです。

リモートワーク向け履歴書の考慮事項

リモートワークの履歴書は、独立したプロジェクトデリバリー、デジタルコラボレーションスキル、分散チームの経験を強調する必要があります。

• セルフマネジメント - 独立して完了したプロジェクト、最小限の監督
• コミュニケーションツール - Slack、Zoom、非同期コミュニケーションの習熟度
• タイムゾーンの柔軟性 - 分散チームの経験、重複可能な時間帯
• ホームオフィス環境 - 安定したインターネット、プロフェッショナルなワークスペース（履歴書には記載しないが、議論の準備を）
• 時間ではなく成果 - 成果重視の実績、時間ベースの指標ではなく

LLMエンジニア 生成AIの履歴書に関するよくある質問

LLMエンジニア 生成AIの履歴書にどのような技術スキルを含めるべきですか？

**LLMエンジニアは、Transformerアーキテクチャ、プロンプトエンジニアリング、モデルファインチューニングの深い技術スキルをアピールする必要があります。**PyTorch、TensorFlow、LangChain、ベクターデータベース技術の習熟度を強調しましょう。トークナイゼーション、アテンションメカニズム、AWS SageMakerやGoogle Vertex AIを使用したクラウドデプロイメントの専門知識を示してください。

LLMエンジニア 生成AIのポジションで最も需要の高いスキルには、Problem Solving、Code Review、Agile、Git、Testingが含まれます。求人票に記載されたスキルを優先し、習熟度レベル別に整理しましょう。ハード技術スキルとチームコラボレーションや問題解決などのソフトスキルの両方を含めてください。

LLMエンジニア 生成AIの履歴書をATSに対応させるにはどうフォーマットすべきですか？

LLMエンジニアの履歴書は、ATSキーワード解析を確実にするため、Transformerアーキテクチャの専門知識、モデルデプロイメント指標、実践的な生成AI実装を標準化されたセクションヘッダーで戦略的にアピールする必要があります。

「Experience」「Skills」「Education」などの標準的なセクション見出しを使ったクリーンな1カラム形式を使用しましょう。ATSが解析しにくいテーブル、グラフィックス、珍しいフォントは避けてください。詳しくはATSフォーマットガイドをご覧ください。

LLMエンジニア 生成AIの履歴書にGitHubやポートフォリオのリンクを含めるべきですか？

**LLMエンジニアは、技術的深度と実践的な実装スキルを強調する本番レディな生成AIプロジェクトをアピールするGitHubリンクを必ず含めるべきです。**ファインチューニング実験、RAG実装、デプロイされたアプリケーションを含む厳選されたポートフォリオは、AI人材を評価する技術採用マネージャーに高度な専門知識をアピールします。

はい、絶対に含めるべきです。GitHubプロフィールやポートフォリオは、あなたの実践的なコーディング能力とオープンソースへの貢献を示します。連絡先セクションにリンクを含め、経験の箇条書きで具体的なプロジェクトに言及しましょう。テクニカルポートフォリオのアピール方法のガイドもご参考ください。

LLMエンジニア 生成AIの履歴書は何ページにすべきですか？

**LLMエンジニアの履歴書は1〜2ページにし、技術的実績と本番グレードのAIモデルデプロイメントを厳密に強調すべきです。**推論速度の改善、モデル精度の向上、実装した具体的なアーキテクチャなどの定量化可能な成果を優先しましょう。

ほとんどのLLMエンジニア 生成AIのポジションでは、10年未満の経験の場合は1ページ、シニア職の場合は2ページを目指してください。これまでの全職歴を列挙するのではなく、関連性のある経験とインパクトのあるプロジェクトに焦点を当てましょう。

LLMエンジニア 生成AIの履歴書に価値のある認定資格は？

**AWS Machine Learning SpecialtyとGoogle Cloud Professional Machine Learning Engineerの認定資格は、LLMエンジニアにとって極めて重要です。**DeepLearning.AI、OpenAI、Hugging Faceのトレーニングプログラムからの専門的な資格で補完しましょう。出版されたリサーチや学会発表は、生成AIシステムにおける技術的専門知識をさらに裏付けます。

業界で認知された認定資格は信頼性を高めます。LLMエンジニア 生成AIの職種では、関連する業界認定資格を検討しましょう。専用の「Certifications」セクションに記載してください。

出典と参考文献

• Bureau of Labor Statistics - Occupational Outlook
• SHRM - Talent Acquisition Best Practices
• BLS Career Outlook for Tech Professionals