Home » Blog » AI/ML Engineer সিরিজ » Series 10 » Episode 01

AI/ML Resume যেটা recruiter ৬ সেকেন্ডে পড়ে: measurable achievement লেখা

শক্ত, সৎ resume (Series 10, Episode 01)

🟢 BEGINNER Series 10 — AI/ML Engineer হিসেবে চাকরি Episode 01 / 10

📑 এই পর্বে যা যা আছে

১. গল্প: Rahim-এর প্রথম CV reject
২. আসল সমস্যা: recruiter ৬ সেকেন্ডে কী খোঁজে
৩. কেন AI/ML resume আলাদা করে ভাবতে হয়
৪. একটা ভালো AI/ML resume-এর কাঠামো
৫. Measurable achievement লেখার সূত্র
৬. দুর্বল বনাম শক্তিশালী bullet — পাশাপাশি
৭. Skills section: honest এবং tiered
৮. Project description কীভাবে লিখবেন
৯. বাস্তব উদাহরণ: বাংলাদেশের JD-র সাথে মিলিয়ে
১০. Job Requirement Decoder: "strong communication + portfolio"
১১. সাধারণ ভুল
১২. Interview Prep
১৩. হাতে-কলমে
১৪. Project Connection
১৫. সারসংক্ষেপ
১৬. পরবর্তী পর্বে কী শিখব

🧩 ১. গল্প: Rahim-এর প্রথম CV reject

Rahim শেষমেশ ৯টা সিরিজ শেষ করেছে। Python জানে, data নিয়ে কাজ করতে পারে, দুটো ML model বানিয়েছে, একটা RAG system দাঁড় করিয়েছে, এমনকি সেটা Docker-এ deploy করেছে। আত্মবিশ্বাসে ভরপুর হয়ে সে ২০টা AI/ML Engineer পজিশনে apply করল। এক সপ্তাহ পর — একটাও interview call নেই।

হতাশ হয়ে Rahim সিনিয়র Maya-কে তার CV পাঠাল। Maya ৩০ সেকেন্ড দেখে বলল:

"তোমার skill তো ঠিকই আছে। কিন্তু তোমার CV পড়ে আমি বুঝতেই পারছি না তুমি আসলে কী বানিয়েছ, আর সেটা দিয়ে কী লাভ হয়েছে। তুমি লিখেছ 'Worked on machine learning project'। এটা তো সবাই লেখে। recruiter দিনে ২০০টা CV দেখে, প্রতিটাতে গড়ে ৬-৭ সেকেন্ড দেয়। তোমার CV সেই ৬ সেকেন্ডে কিছুই বলছে না।"

Rahim: "কিন্তু আমি তো সত্যিই কাজগুলো করেছি!"
Maya: "করা আর সেটা প্রমাণ করা — দুইটা আলাদা skill. দ্বিতীয়টাই তোমাকে চাকরি এনে দেবে।"

এই পর্বে আমরা শিখব — একজন AI/ML Engineer-এর resume কীভাবে এমনভাবে লিখতে হয় যাতে সেই ৬ সেকেন্ডেই recruiter বুঝে ফেলে: এই মানুষটা কাজ জানে, প্রমাণ আছে, এবং interview-তে ডাকা উচিত।

👁️ ২. আসল সমস্যা: recruiter ৬ সেকেন্ডে কী খোঁজে

একটা কঠিন সত্য দিয়ে শুরু করি — বেশিরভাগ resume প্রথমে মানুষ পড়েই না। প্রথমে হয় একটা ATS (Applicant Tracking System) keyword scan করে, নয়তো একজন recruiter দ্রুত চোখ বুলায়। দুই ক্ষেত্রেই সময় খুব কম। তারা খোঁজে তিনটা জিনিস:

Relevance: JD-র keyword (Python, PyTorch, RAG, FastAPI) resume-তে আছে কি?
Proof: শুধু "জানি" নয় — কী বানিয়েছ, কোন tech দিয়ে, কী ফল?
Signal: GitHub link, deployed demo, measurable number — যা প্রমাণ করে তুমি সত্যিই করেছ।

মূল কথা: resume একটা marketing document, autobiography নয়। লক্ষ্য একটাই — interview call পাওয়া। তাই প্রতিটা লাইন এই প্রশ্নের উত্তর দেওয়া উচিত: "এই লাইনটা কি আমাকে interview-এর এক ধাপ কাছে নিচ্ছে?"

🤔 ৩. কেন AI/ML resume আলাদা করে ভাবতে হয়

একজন সাধারণ software developer-এর resume আর একজন AI/ML Engineer-এর resume-এর মধ্যে গুরুত্বপূর্ণ পার্থক্য আছে। AI/ML role-এ recruiter/hiring manager অতিরিক্ত কিছু signal খোঁজে:

Software Dev Resume
"কোন framework জানে, কয়টা feature বানিয়েছে, কোন stack।" মূলত building নিয়ে।

AI/ML Resume
"কোন problem solve করেছে, কোন data নিয়ে, কোন metric-এ কত improvement, model production-এ গেছে কি না।" building + measurable impact + data নিয়ে।

অর্থাৎ AI/ML resume-এ শুধু "আমি PyTorch জানি" যথেষ্ট নয়। বলতে হবে "PyTorch দিয়ে একটা image classifier বানিয়ে ৯১% accuracy পেয়েছি এবং সেটা FastAPI দিয়ে serve করেছি।" এই number + outcome-ই তোমাকে আলাদা করে।

🏗️ ৪. একটা ভালো AI/ML resume-এর কাঠামো

এই তিন-স্তরে বুঝি — সবচেয়ে সহজ থেকে engineer-এর দৃষ্টিভঙ্গি পর্যন্ত।

Level 1 — সহজ intuition: resume হলো একটা "trailer"। পুরো সিনেমা (তুমি) দেখানোর আগে সবচেয়ে interesting অংশগুলো দেখিয়ে দর্শককে (recruiter) হলে (interview-তে) আনতে হবে।

Level 2 — technical কাঠামো: একটা junior AI/ML resume সাধারণত এই ক্রমে সাজানো হয় —
(১) Header (নাম, role headline, contact, GitHub, LinkedIn),
(২) Summary (২-৩ লাইন),
(৩) Skills (tiered),
(৪) Projects (সবচেয়ে গুরুত্বপূর্ণ অংশ, junior-দের জন্য),
(৫) Experience/Education।

Level 3 — engineer perspective: junior হিসেবে তোমার experience কম, তাই Projects section-কে উপরে এনে সবচেয়ে বেশি জায়গা দাও। এটাই তোমার আসল প্রমাণ।

এক পৃষ্ঠা নাকি দুই? junior/intermediate হলে এক পৃষ্ঠা-ই যথেষ্ট এবং recommended। দুই পৃষ্ঠা তখনই, যখন সত্যিকারের ৫+ বছরের প্রাসঙ্গিক অভিজ্ঞতা আছে।

📐 ৫. Measurable achievement লেখার সূত্র

একটা সহজ কিন্তু শক্তিশালী সূত্র মনে রাখুন — XYZ formula (Google-এর recruiter-দের জনপ্রিয় করা):

"Accomplished [X] as measured by [Y], by doing [Z]."

অর্থাৎ: কী অর্জন করেছ (X), সেটা কোন সংখ্যায় মাপা যায় (Y), এবং সেটা কীভাবে করেছ (Z)।

প্রতিটা project bullet এই তিনটা প্রশ্নের উত্তর দিলে সেটা automatically শক্তিশালী হয়ে যায়।

দুর্বল: "Built a churn prediction model." XYZ প্রয়োগ করে: X (কী) -> customer churn prediction Y (মাপ) -> recall 0.62 -> 0.79 Z (কীভাবে) -> feature engineering + XGBoost + threshold tuning শক্তিশালী: "Built a customer churn model that improved recall from 0.62 to 0.79 using feature engineering, XGBoost, and threshold tuning."

Number না থাকলে? junior project-এ সবসময় business number থাকে না — সমস্যা নেই। তখন technical metric ব্যবহার করুন: accuracy, F1, RMSE, latency, dataset size, retrieval precision। "processed 50k job postings", "reduced inference latency from 800ms to 120ms" — এগুলোও measurable এবং বিশ্বাসযোগ্য।

⚖️ ৬. দুর্বল বনাম শক্তিশালী bullet — পাশাপাশি

দুর্বল (সবাই লেখে)	শক্তিশালী (আলাদা করে)
Worked on a machine learning project.	Trained a house-price regression model (RMSE ৳4.2L) on 8k listings; served via FastAPI.
Used PyTorch for deep learning.	Built a CNN image classifier (91% test accuracy) with transfer learning on ResNet18.
Made a chatbot using LLM.	Built a RAG assistant over 5k Bangla docs; cut hallucinated answers via reranking + metadata filter.
Knows Docker and deployment.	Dockerized the ML API and deployed to cloud; added health checks + basic monitoring.

খেয়াল করুন — ডান দিকের প্রতিটা লাইনে আছে: কী বানিয়েছ + কোন tech + একটা number/outcome। এটাই ৬-সেকেন্ডের যুদ্ধ জেতার সূত্র।

🧰 ৭. Skills section: honest এবং tiered

সবচেয়ে বড় ভুল — skills section-এ ৪০টা technology একসাথে ঢেলে দেওয়া। এতে recruiter বুঝতে পারে না তুমি আসলে কোনটায় ভালো। সমাধান: tier করে সাজানো এবং শুধু সেগুলোই লেখা যা তুমি interview-তে defend করতে পারবে।

SKILLS Languages : Python, SQL Data : NumPy, Pandas, Matplotlib Machine Learning: scikit-learn, XGBoost, model evaluation Deep Learning : PyTorch, CNN, transfer learning Generative AI : RAG, embeddings, pgvector, prompt engineering Serving/MLOps : FastAPI, Docker, Git, experiment tracking (basics)

নিয়ম: resume-তে একটা skill লেখার আগে নিজেকে জিজ্ঞেস করো — "এটা নিয়ে ১০ মিনিট interview-তে কথা বলতে পারব? একটা follow-up প্রশ্নের উত্তর দিতে পারব?" না পারলে সেটা লিখো না, বা "(familiar)" / "(basics)" লিখে honest থাকো। CV-তে TensorFlow লিখে interview-তে চুপ থাকা — সবচেয়ে খারাপ signal।

📦 ৮. Project description কীভাবে লিখবেন

junior-দের জন্য এটাই সবচেয়ে গুরুত্বপূর্ণ। প্রতিটা project ৩-৪ লাইনে এই format-এ লিখুন:

Bangla AI Knowledge Assistant (RAG) [GitHub] [Live Demo] - Problem : answer questions over 5k Bangla PDF docs - Built : chunking + embeddings + pgvector retrieval + LLM - Result : ~40% fewer irrelevant answers after adding a reranker - Stack : Python, sentence-transformers, PostgreSQL/pgvector, FastAPI, Docker

চার লাইন: Problem (কী সমস্যা), Built (কীভাবে), Result (কী ফল/number), Stack (কোন tech)। GitHub আর Demo link অবশ্যই দিন — এটাই তোমার proof। একটা deployed demo link ১০টা bullet-এর চেয়ে বেশি বিশ্বাসযোগ্য।

Must Know / Learn Later:
চাকরির আগে লাগবে — ২-৩টা শক্তিশালী project, প্রতিটার GitHub + README + একটা number।
চাকরির পরে শিখলেও চলবে — fancy portfolio website, blog, conference talk। এগুলো bonus, বাধ্যতামূলক নয়।

🇧🇩 ৯. বাস্তব উদাহরণ: বাংলাদেশের JD-র সাথে মিলিয়ে

ধরুন একটা লোকাল কোম্পানির (যেমন কোনো fintech বা software house) JD-তে লেখা: "Python, scikit-learn, exposure to LLM/RAG, ability to deploy models (Docker/FastAPI), strong problem-solving."

এখন তোমার কাজ হলো — resume-টা এই JD-র আয়নায় সাজানো (tailoring)। প্রতিটা company-র জন্য summary আর project ordering সামান্য বদলাও যাতে JD-র keyword গুলো উপরে চোখে পড়ে।

💼 Boss Question

Boss: "একটা CV-ই তো, এত tailoring করার কী দরকার? একটা বানিয়ে সব জায়গায় পাঠালেই হয় না?"

উত্তর: একই CV সব জায়গায় পাঠানো মানে গড় CV — কোথাও নিখুঁত ফিট না। যে কোম্পানি RAG চায়, তার জন্য RAG project উপরে; যে কোম্পানি tabular ML চায়, তার জন্য churn/house-price উপরে। ২ মিনিটের tailoring interview-call rate অনেকটা বাড়ায়, কারণ ATS keyword match বাড়ে আর recruiter দ্রুত relevance পায়। Business-এ এটাই ROI — সামান্য effort, বড় return।

🔎 ১০. Job Requirement Decoder

JD-তে প্রায়ই থাকে: "Strong communication skills and a portfolio of relevant projects."

প্রশ্ন	উত্তর
কী বোঝায়?	তুমি কাজ করতে পারো এবং সেটা লিখে/বলে বোঝাতে পারো, আর তার প্রমাণ (portfolio) আছে।
কেন চায়?	AI/ML Engineer-কে ব্যবসায়িক stakeholder ও team-এর সাথে কাজ বোঝাতে হয়; নীরব প্রতিভা কম কাজে লাগে।
কোন সমস্যা সমাধান করে?	hiring risk কমায় — proof থাকলে কোম্পানির অনুমান করতে হয় না।
junior-এর কী জানা লাগে?	পরিষ্কার resume, ২-৩টা documented GitHub project, নিজের কাজ ২ মিনিটে ব্যাখ্যা করার ক্ষমতা।
এখনই কী master লাগে না?	দামি personal website, ভিডিও কোর্স, বিশাল blog — এগুলো optional।
GitHub-এ কীভাবে দেখাবে?	প্রতিটা project-এ পরিষ্কার README, demo GIF/link, requirements ফাইল — পরের পর্বে বিস্তারিত।
Interview-তে কী জিজ্ঞেস করতে পারে?	"তোমার সবচেয়ে প্রিয় project-টা ২ মিনিটে বলো", "এখানে সবচেয়ে কঠিন সমস্যা কী ছিল?"

⚠️ ১১. সাধারণ ভুল

ভুল ১: "Responsible for..." দিয়ে শুরু। → ঠিক: action verb দিয়ে শুরু — Built, Trained, Deployed, Improved, Reduced।

ভুল ২: সব skill এক লাইনে ঢেলে দেওয়া (skill dump)। → ঠিক: tier করে, শুধু defendable skill।

ভুল ৩: কোনো number নেই, শুধু "worked on"। → ঠিক: অন্তত একটা metric প্রতি project-এ।

ভুল ৪: GitHub/demo link নেই। → ঠিক: proof-ই আসল পার্থক্য; link দিন।

ভুল ৫: মিথ্যা/অতিরঞ্জন ("expert in everything")। → ঠিক: honest থাকুন; interview-তে ধরা পড়লে সব বিশ্বাস নষ্ট।

ভুল ৬: ৩ পৃষ্ঠার CV, typo ভরা। → ঠিক: এক পৃষ্ঠা, proofread করা, PDF format।

🎤 ১২. Interview Prep

প্রশ্ন ১: তোমার CV-র এই project-টা একটু বলো তো।
উত্তর কাঠামো: Problem → approach → একটা metric → সবচেয়ে কঠিন অংশ → এখন হলে কী আলাদা করতে। (এটাই E09-এ বিস্তারিত আসবে।)

প্রশ্ন ২: এই metric (যেমন recall 0.79) কীভাবে পেলে, আর কেন এটা গুরুত্বপূর্ণ?
উত্তর: সৎভাবে পদ্ধতি বলো; কেন এই metric (imbalanced churn-এ recall > accuracy) সেটা যুক্তি দিয়ে বলো।

প্রশ্ন ৩: তোমার resume-তে PyTorch লেখা — একটা training loop-এ কী কী ধাপ থাকে?
উত্তর: forward → loss → backward → optimizer.step → zero_grad। (লিখলে জানতে হবে।)

✍️ ১৩. হাতে-কলমে (Mini Exercise)

তোমার যেকোনো একটা project নিয়ে নিচের কাজটা করো:

১. একটা দুর্বল লাইনে লেখো (যেমন "Made an ML model")।
২. XYZ formula প্রয়োগ করো: কী অর্জন করেছ (X), কোন number-এ (Y), কীভাবে (Z)।
৩. চার লাইনের project block বানাও: Problem / Built / Result / Stack।
৪. GitHub আর (সম্ভব হলে) demo link যোগ করো।

তারপর নিজেকে জিজ্ঞেস করো — এই ৪ লাইন পড়ে একজন recruiter কি ৬ সেকেন্ডে বুঝবে তুমি কী পারো?

🚀 ১৪. Project Connection

এই সিরিজ জুড়ে বানানো flagship "Bangladesh Tech Career Assistant" তোমার resume-এর প্রধান project হতে পারে — কারণ এটাই একমাত্র project যা পুরো পথ দেখায়: data (V2) → ML (V3) → NLP/LLM (V5-V6) → RAG (V7) → FastAPI (V8) → Docker/cloud (V9-V10)। একটা project-এই তুমি প্রায় পুরো JD-র skill demonstrate করতে পারছ।

Resume-তে এভাবে লিখতে পারো:
"Bangladesh Tech Career Assistant — an end-to-end system that analyzes job descriptions and answers career questions via RAG; evolved from a CLI to a Dockerized FastAPI service with monitoring. Stack: Python, Pandas, scikit-learn, sentence-transformers, pgvector, FastAPI, Docker."

📌 ১৫. সারসংক্ষেপ

এই Episode-এ আমরা শিখলাম:

✓ Resume একটা marketing document — লক্ষ্য interview call, autobiography নয়
✓ Recruiter ৬ সেকেন্ডে খোঁজে: relevance, proof, signal
✓ AI/ML resume-এ measurable impact + data + production signal আলাদা করে
✓ XYZ formula: "Accomplished X as measured by Y by doing Z"
✓ Skills হবে tiered ও honest; junior-এর জন্য Projects section সবচেয়ে বড়
✓ প্রতিটা project: Problem / Built / Result / Stack + GitHub ও demo link
✓ প্রতিটা JD-র জন্য সামান্য tailoring interview-call rate বাড়ায়

➡️ ১৬. পরবর্তী পর্বে কী শিখব

পরবর্তী Episode (S10E02): "GitHub Portfolio: README, docs, demo, tests, architecture diagram"।

Resume-তে GitHub link দিলাম, কিন্তু recruiter সেই link-এ ক্লিক করে কী দেখবে? একটা এলোমেলো notebook, নাকি একটা পরিষ্কার, professional repository? পরের পর্বে শিখব কীভাবে GitHub repo সাজালে সেটা তোমার সবচেয়ে বড় proof হয়ে ওঠে।

⬅ পূর্ববর্তী: Full Production পরবর্তী: GitHub Portfolio ➡