- 未填公司未填職務26-30歲
投 ML / AI 或 Backend，如何提升面試邀請率？
大家好，
我是本身在金融業服務過，做 backend的工作，我的學歷是四中資管碩，除了上一份工作參與三個中型以上的專案，我沒有參加比賽經驗，主要作品是碩論模型落地 demo。
以下是我的問題：
1. 我有發現在今年 Q3 不論我投台灣電子廠 / 系統廠 backend 或是 ML/AI 職缺，幾乎得不到什麼面試邀請，目前只有得到一家公司面試邀請。
2. 是不是因為我沒有比賽經驗或公開專案，所以電子廠 / 系統廠 ML / AI 職缺難進？
3. 有沒有建議如何提升 ML / AI 履歷吸引力，特別是對電子廠 / 系統廠的招聘主管？
非常感謝各位前輩 / 同好分享建議！🙏
🔹 一、市場現況：為什麼電子廠 / 系統廠 ML / AI 職缺難拿面試
1️⃣ 電子廠 / 系統整合廠偏重「實戰落地」經驗，不看理論
→ 他們要的是「能把模型接到生產線」的人，不一定要你懂 AI 理論，而是要能整合 ML pipeline、資料前處理、API 部署。
2️⃣ 公司文化偏向「作品先審」而非「學歷先審」
→ 傳統電子 / 系統廠的 RD 主管會要求 HR：「履歷要有 repo 或作品連結」，沒有就會直接被忽略。
❗即便你有專案經驗，但沒附上展示方式（GitHub、Demo site、技術文件），機率會大幅下降。
3️⃣ AI / Backend 競爭者水準高、履歷格式偏向工程實務
是否有 CI/CD、Docker、GitFlow 經驗
是否能處理大型資料集
是否能將模型包裝成 API
是否會基本的 MLOps / Cloud service（如 AWS Sagemaker, GCP Vertex, Azure ML）
🔹 二、履歷與作品集優化方向
✅ (1) 調整履歷「重心」：從研究導向 → 工程導向
設計並部署 LSTM 模型至 RESTful API，供內部報價系統調用
模型訓練自動化流程化縮短實驗時間40%
以主題模型為基礎，建構文本分類服務（Flask + FastAPI）進行可視化分析
👉 主管看重「能落地」的關鍵字：部署、API、自動化、效能提升、系統整合、pipeline
✅ (2) 增強「作品展示力」
GitHub Repo：至少上傳2～3個完整可執行專案
Portfolio 網頁 / Medium 技術文：整理碩論 demo、專案技術重點、部署架構圖
Demo 專案類型建議：
ML → 以企業痛點為主：瑕疵檢測、客戶流失預測、文件分類、自動推薦
Backend → 模擬企業系統：登入系統＋資料庫＋API＋Docker部署
👉 HR 與 RD 主管看到這些實例，會立刻知道「這個人能動手實作」。
建議在履歷 Summary 段寫明：
「具備金融產業專案經驗，熟悉資料分析流程，能將機器學習模型實際應用於商業決策與後端系統整合。」
🔹 三、求職策略調整建議
✅ (1) 先聚焦「可轉入門檻較低」的角色
若直接投 ML Engineer 難進，可以先從：
Data Engineer / Data Analyst with ML
Backend Engineer with ML experience
AI Application Developer / Solution Engineer
這些職缺在台灣電子、系統廠都比較實際錄取。
🔹 總結重點
問題 核心原因 解法
投遞無回應 履歷缺乏落地專案、實務語言 用工程導向改寫履歷，強調部署與整合經驗
沒比賽經驗 作品展示不足 製作 GitHub repo / 部署 demo site 替代比賽
想吸引電子廠 他們重實務整合與穩定交付 展現 CI/CD、API、Docker、Pipeline 技能與實作結果
