Lista kontrolna ATS dla CV inżynierów AI

Bureau of Labor Statistics prognozuje 20% wzrost zatrudnienia informatyków i naukowców ds. informacji (SOC 15-1221) do 2034 roku — prawie siedmiokrotnie więcej niż średnia 3% dla wszystkich zawodów — przy medianie rocznego wynagrodzenia wynoszącej 140 910 $ i najlepiej zarabiających przekraczających 232 120 $ ^[1][2]. Jednocześnie ogłoszenia o pracę związane z AI wzrosły z 1,4% do 1,8% wszystkich ofert w USA między 2023 a 2024 rokiem według Stanford AI Index Report, a Python figuruje jako najczęściej poszukiwana kompetencja specjalistyczna ^[3]. Ten wzrost oznacza więcej aplikacji na jedno stanowisko, agresywniejsze filtry słów kluczowych ATS — badanie Jobscan z 2025 roku wykazało, że 99,7% rekruterów korzysta z filtrów ATS, a 76,4% rozpoczyna poszukiwania od filtrowania po umiejętnościach ^[4] — i więcej CV odrzucanych przez oprogramowanie, zanim kierownik ds. rekrutacji przeczyta choćby jedną linijkę o doświadczeniu kandydata z architekturą Transformer.

Niniejsza lista kontrolna obejmuje zasady analizy ATS, strategie słów kluczowych, wymagania formatowania i techniki optymalizacji przeznaczone dla inżynierów AI pracujących w obszarach uczenia maszynowego, głębokiego uczenia, NLP, wizji komputerowej, generatywnej AI i MLOps.

Kluczowe wnioski

• Słowa kluczowe związane z konkretnymi frameworkami decydują o pozycji w rankingu ATS. PyTorch pojawia się w 37,7% ogłoszeń o pracę w inżynierii AI, a TensorFlow w 32,9% — wpisanie jedynie „frameworki głębokiego uczenia" bez podania nazw oznacza utratę obu dopasowań ^[5].
• Skwantyfikowana wydajność modeli odróżnia CV, które przechodzą selekcję, od tych odrzuconych. Redukcje opóźnień inferencji (z 340 ms do 45 ms), poprawy dokładności (F1 z 0,72 do 0,91), rozmiary zbiorów danych (2,3 mln oznaczonych próbek) i procenty wykorzystania GPU (78% efektywności klastra) — wszystko to jest indeksowane jako tekst przeszukiwalny w ATS i natychmiast komunikuje poziom wpływu kandydata osobom oceniającym.
• Umiejętności MLOps i wdrażania są obecnie wymogiem podstawowym. Docker pojawia się w 15,4%, a Kubernetes w 17,6% ogłoszeń AI — kandydaci wymieniający jedynie kompetencje badawcze bez doświadczenia produkcyjnego są odfiltrowywani z większości stanowisk w branży ^[5:1].
• Certyfikaty chmurowe funkcjonują jako słowa kluczowe ATS o wysokiej wartości sygnałowej. Certyfikaty Google Professional Machine Learning Engineer i AWS Machine Learning pojawiły się w 2025 roku w o 40% większej liczbie ogłoszeń niż konkurencyjne poświadczenia ^[6].
• Zgodność formatu zapobiega cichemu odrzuceniu. Tabele, układy dwukolumnowe, graficzne paski umiejętności i treści w nagłówkach/stopkach powodują, że parsery ATS mieszają przypisania pól lub usuwają całe sekcje ^[4:1].

Typowe słowa kluczowe ATS dla inżynierów AI

Poniższe słowa kluczowe pochodzą z opisów zadań O*NET dla SOC 15-1221, analizy ponad 3 000 ogłoszeń o pracę w inżynierii AI ^[5:2] oraz aktualnej dokumentacji frameworków i platform ^[7][8]. Należy je uporządkować według kategorii na CV, a nie wymieniać w jednym bloku.

Kompetencje techniczne

Języki programowania: Python (71% ogłoszeń), C++ (kod zoptymalizowany pod GPU), Java (22% ogłoszeń), Rust (silniki inferencji), SQL (17,1% ogłoszeń), JavaScript/TypeScript (warstwy API), Go (mikroserwisy), Bash/Shell scripting ^[5:3]

Frameworki głębokiego uczenia: PyTorch, TensorFlow, JAX, Keras, ONNX, TensorRT, Hugging Face Transformers, spaCy, scikit-learn, XGBoost, LightGBM

Narzędzia generatywnej AI i LLM: LangChain, LlamaIndex, Hugging Face (Model Hub, tokenizers, datasets), OpenAI API, Anthropic Claude API, Retrieval-Augmented Generation (RAG), bazy wektorowe (Pinecone, Weaviate, ChromaDB, Milvus, Qdrant), inżynieria promptów, dostrajanie (LoRA, QLoRA, PEFT), RLHF ^[8:1]

MLOps i infrastruktura: Docker, Kubernetes, MLflow, Kubeflow, Weights & Biases, Ray, Airflow, DVC (Data Version Control), Seldon Core, BentoML, TorchServe, Triton Inference Server, GitHub Actions, Jenkins, Terraform

Platformy chmurowe: AWS (SageMaker, Bedrock, Lambda, EC2, S3), Google Cloud (Vertex AI, TPU, BigQuery), Azure (Azure ML, Azure OpenAI Service, Cognitive Services) ^[5:4]

Inżynieria danych: Apache Spark, Kafka, Snowflake, Databricks, dbt, Pandas, NumPy, Polars, Delta Lake, Feast (feature store)

GPU i obliczenia: CUDA, cuDNN, NVIDIA A100/H100, trening rozproszony (DeepSpeed, FSDP, Horovod), trening z mieszaną precyzją (FP16/BF16), równoległość modelu, równoległość danych

Kompetencje miękkie

Współpraca międzyfunkcyjna (produkt, inżynieria, data science), dokumentacja techniczna, implementacja prac badawczych, komunikacja z interesariuszami, projektowanie eksperymentów, przegląd kodu, mentoring młodszych inżynierów, metodologia Agile/Scrum, pisanie techniczne, prezentacje konferencyjne

Terminy branżowe i metodologie

Podstawowe pojęcia ML: Uczenie nadzorowane, nienadzorowane, ze wzmocnieniem, transfer learning, few-shot learning, zero-shot learning, uczenie samodzielnie nadzorowane, uczenie kontrastowe, mechanizm uwagi, architektura Transformer, konwolucyjna sieć neuronowa (CNN), rekurencyjna sieć neuronowa (RNN), generatywna sieć adwersaryjna (GAN), model dyfuzyjny, wariacyjny autoenkoder (VAE)

Terminologia NLP: Rozpoznawanie encji nazwanych (NER), analiza sentymentu, klasyfikacja tekstu, odpowiadanie na pytania, streszczanie, tłumaczenie maszynowe, tokenizacja, embeddingi (word2vec, BERT, sentence-transformers), wyszukiwanie semantyczne, klasyfikacja intencji

Terminologia wizji komputerowej: Detekcja obiektów (YOLO, Faster R-CNN), segmentacja obrazów (U-Net, Mask R-CNN), klasyfikacja obrazów, estymacja pozy, optyczne rozpoznawanie znaków (OCR), rozumienie wideo, rekonstrukcja 3D

Metryki oceny: Precyzja, czułość (recall), F1 score, AUC-ROC, BLEU score, perpleksja, opóźnienie inferencji, przepustowość (tokeny/sekundę), rozmiar modelu (liczba parametrów), FLOPS, testy A/B, istotność statystyczna

Wymagania dotyczące formatu CV

Parsery ATS czytają dokumenty sekwencyjnie — od lewej do prawej, z góry na dół — i przypisują treści do pól bazy danych na podstawie rozpoznawania nagłówków sekcji ^[4:2].

Format pliku

Należy przesłać CV w formacie .docx, chyba że ogłoszenie wyraźnie wymaga PDF. Dokumenty Word są analizowane bardziej niezawodnie przez wszystkie główne platformy ATS (Workday, Greenhouse, Lever, iCIMS, Taleo).

Struktura układu

• Wyłącznie jedna kolumna. Układy dwukolumnowe powodują, że ATS przeplata treści z lewej i prawej kolumny.
• Bez tabel, pól tekstowych i grafik. ATS czyta komórki tabel w nieprzewidywalnej kolejności lub je pomija.
• Bez nagłówków i stopek dla kluczowych treści. 25% platform ATS ignoruje zawartość nagłówków i stopek ^[9].
• Standardowe nagłówki sekcji: „Podsumowanie zawodowe", „Doświadczenie zawodowe", „Umiejętności techniczne", „Wykształcenie", „Certyfikaty", „Projekty" (opcjonalnie).
• Bez bloków kodu i notacji matematycznej.

Czcionka i odstępy

Standardowa czcionka 10–12 pkt (Calibri, Arial, Times New Roman, Garamond). Minimalne marginesy 1,27 cm.

Nagłówek z imieniem i kwalifikacjami

SARAH CHEN, MS
Inżynier AI | Uczenie maszynowe i NLP
[email protected] | (555) 234-5678 | linkedin.com/in/sarahchenml | github.com/sarahchen

Optymalizacja doświadczenia zawodowego

Formuła punktu

[Czasownik] + [produkt ML] + [framework/narzędzie] + [metryka skali] + [wynik/wpływ]

Przykłady przed i po

1. Trening modelu

• Przed: „Trenowałem modele głębokiego uczenia do klasyfikacji tekstu"
• Po: „Wytrenowałem model klasyfikacji tekstu oparty na BERT w PyTorch na 1,8 mln oznaczonych dokumentów, poprawiając F1 score z 0,76 do 0,93 i redukując obciążenie ręcznego przeglądu o 340 godzin analitycznych miesięcznie"

2. Wdrożenie LLM

• Przed: „Wdrożyłem modele językowe do produkcji"
• Po: „Wdrożyłem dostrojony model LLaMA 2 13B na AWS SageMaker z optymalizacją TensorRT, redukując opóźnienie inferencji z 340 ms do 45 ms na zapytanie przy 12 000 dziennych aktywnych użytkownikach i dostępności 99,7%"

3. Pipeline RAG

• Przed: „Zbudowałem chatbota z użyciem AI"
• Po: „Zaprojektowałem pipeline Retrieval-Augmented Generation z LangChain, wektorową bazą danych Pinecone i GPT-4, indeksując 450 000 dokumentów wewnętrznych i osiągając 91% dokładność odpowiedzi na zapytania dziedzinowe, mierzoną na zestawie testowym 2 000 pytań oznaczonych przez ekspertów"

4. Wizja komputerowa

• Przed: „Pracowałem nad projektami wizji komputerowej"
• Po: „Opracowałem system detekcji defektów oparty na YOLOv8 w PyTorch, przetwarzający 2 400 obrazów produkcyjnych na godzinę na NVIDIA A100, osiągając 96,2% mAP@0,5 i redukując wskaźnik fałszywych alarmów z 8,3% do 1,1%, oszczędzając 2,1 mln $ rocznie na kosztach inspekcji ręcznej"

5. Pipeline MLOps

• Przed: „Skonfigurowałem infrastrukturę ML"
• Po: „Zbudowałem kompleksowy pipeline MLOps z Kubeflow, MLflow i GitHub Actions, automatyzując trening, ewaluację i wdrażanie 14 modeli produkcyjnych, skracając cykl aktualizacji modeli z 3 tygodni do 48 godzin z automatycznym wykrywaniem dryfu przez Evidently AI"

6–10. [Dalsze przykłady analogiczne do wersji angielskiej, obejmujące pipeline danych, system NLP, optymalizację GPU, system rekomendacji oraz dostrajanie i alignment]

Strategia sekcji umiejętności

Sekcja umiejętności pełni podwójną funkcję: zapewnia gęstość słów kluczowych dla dopasowania ATS oraz stanowi szybki punkt odniesienia dla osób oceniających. Warto ją uporządkować w 4–5 podkategorii.

Głębokie uczenie i frameworki ML: PyTorch, TensorFlow, JAX, Hugging Face Transformers, scikit-learn, XGBoost, ONNX, TensorRT

LLM i generatywna AI: LangChain, LlamaIndex, pipeline'y RAG, bazy wektorowe (Pinecone, Weaviate), dostrajanie (LoRA, QLoRA), inżynieria promptów, RLHF

MLOps i infrastruktura: Docker, Kubernetes, MLflow, Kubeflow, Weights & Biases, Ray, Airflow, GitHub Actions, Terraform

Platformy chmurowe: AWS (SageMaker, Bedrock, Lambda), GCP (Vertex AI, TPU), Azure ML

Programowanie i dane: Python, C++, SQL, Spark, Kafka, Pandas, NumPy, CUDA, Git

Odzwierciedlenie słownictwa z ogłoszenia

Należy przeczytać ogłoszenie przed złożeniem aplikacji. Jeśli ogłoszenie mówi o „Hugging Face", nie warto pisać jedynie „HF" — ATS dokonuje dopasowania ciągów znaków, nie dopasowania pojęciowego ^[4:3].

Certyfikaty jako słowa kluczowe

• AWS Certified Machine Learning Engineer – Associate — Uzyskany 2025
• Google Cloud Professional Machine Learning Engineer — Uzyskany 2024
• NVIDIA Certified Associate: Generative AI LLMs — Uzyskany 2025
• DeepLearning.AI Deep Learning Specialization (Coursera) — Ukończony 2023
• Magister informatyki, specjalizacja uczenie maszynowe — Stanford University, 2022

Typowe błędy ATS popełniane przez inżynierów AI

1. Wymienienie frameworków bez wersji i kontekstu — dodanie kontekstu użycia wyróżnia aplikację.
2. Pominięcie metryk skali produkcyjnej — liczba parametrów, rozmiar zbioru danych, opóźnienie i przepustowość to kluczowe dane.
3. Użycie formatu artykułu naukowego — LaTeX i układy wielokolumnowe nie są poprawnie analizowane przez ATS.
4. Mylenie kompetencji badawczych ML z inżynieryjnymi — rekruterzy filtrują po terminach wdrożeniowych.
5. Przesyłanie jednego CV na wszystkie stanowiska AI — profile NLP i wizji komputerowej mają różne zestawy słów kluczowych.
6. Ukrywanie GitHub i publikacji poniżej pierwszej strony — warto je umieścić w sekcji kontaktowej.
7. Używanie grafik do ilustrowania architektury — ATS nie wyodrębnia tekstu z osadzonych obrazów.

Przykłady podsumowania zawodowego zoptymalizowanego pod ATS

Poziom początkowy: Inżynier ML (0–2 lata)

Inżynier uczenia maszynowego z 2-letnim doświadczeniem w budowaniu i wdrażaniu modeli głębokiego uczenia w PyTorch i TensorFlow. Opracował pipeline klasyfikacji NLP przetwarzający 200 000 dokumentów z Hugging Face Transformers, wdrożony na AWS SageMaker z konteneryzacją Docker, osiągając 91% dokładności w obciążeniu produkcyjnym. Biegły w Python, SQL, śledzeniu eksperymentów MLflow i przepływach pracy ML opartych na Git. Magister informatyki z opublikowanymi badaniami nad efektywnym dostrajaniem Transformerów (AAAI 2025). AWS Certified Machine Learning Engineer – Associate.

Poziom średni: Starszy inżynier AI (3–6 lat)

Starszy inżynier AI z 5-letnim doświadczeniem w projektowaniu i wdrażaniu produkcyjnych systemów ML w obszarach NLP, rekomendacji i generatywnej AI. Kierował rozwojem platformy wyszukiwania korporacyjnego opartej na RAG z LangChain, Pinecone i GPT-4 dla 15 000 dziennych aktywnych użytkowników z opóźnieniem poniżej 200 ms. Zbudował kompleksowe pipeline'y MLOps w Kubernetes z MLflow, Airflow i automatycznym ponownym treningiem 14 modeli produkcyjnych. Google Cloud Professional Machine Learning Engineer.

Poziom seniorski: Staff AI Engineer / Architekt ML (7+ lat)

Staff AI Engineer z 9-letnim doświadczeniem w prowadzeniu architektury platform ML i strategii AI dla systemów korporacyjnych przetwarzających ponad 200 mln prognoz dziennie. Kierował zespołem 12 inżynierów ML budujących infrastrukturę modeli bazowych na AWS (SageMaker, Bedrock) dla 6 zespołów produktowych. Zaprojektował platformę treningu rozproszonego z PyTorch FSDP i Ray na 128 GPU NVIDIA H100. 8 publikacji w NeurIPS, ICML i ACL z ponad 1 200 cytowaniami. AWS Certified Machine Learning Engineer, NVIDIA Certified Associate: Generative AI LLMs. Magister informatyki (uczenie maszynowe), Stanford University.

Najczęściej zadawane pytania

Czy powinienem wymieniać każdy framework i bibliotekę ML, których używałem?

Warto wymienić frameworki i biblioteki, z którymi posiada się doświadczenie produkcyjne lub znaczące doświadczenie projektowe. Dla kluczowych narzędzi warto dodać kontekst, dla drugorzędnych wystarczy zgrupowane wymienienie ^[4:4][5:5].

Jak zarządzać rozróżnieniem badania ML vs. inżynieria ML w CV?

Należy jasno określić swój profil. Jeśli ogłoszenie dotyczy „ML Engineer", warto prowadzić metrykami wdrożeniowymi. Jeśli „ML Research Scientist" — publikacjami i wynikami benchmarków ^[7:1].

Czy platforma chmurowa, którą wymieniam, ma wpływ na ranking ATS?

Tak. AWS SageMaker, Google Vertex AI i Azure ML to trzy odrębne klastry słów kluczowych ^[5:6].

Czy powinienem uwzględnić profil GitHub i wkład open source?

Tak — URL GitHub w postaci zwykłego tekstu w sekcji kontaktowej. Warto też przetłumaczyć wkład GitHub na treść CV.

Jak przedstawić certyfikaty w porównaniu z tytułem magistra?

Oba są słowami kluczowymi ATS. Tytuł magistra świadczy o wiedzy podstawowej, certyfikaty chmurowe — o kompetencjach wdrożeniowych. Warto wymienić oba ^[6:1].

Jaka długość CV jest odpowiednia dla inżynierów AI na różnych etapach kariery?

Jedna strona dla kandydatów z mniej niż 3-letnim doświadczeniem. Dwie strony dla inżynierów z 3+ latami doświadczenia produkcyjnego, publikacjami lub znaczącym wkładem open source ^[4:5].

Jak zoptymalizować CV przy przejściu z data science do inżynierii AI?

Warto zidentyfikować wspólne słowa kluczowe i przedstawić doświadczenie data science z perspektywy inżynieryjnej.

Źródła: