Un portofoliu pentru joburi AI nu trebuie să arate ca un laborator de cercetare. Pentru un candidat junior, scopul este mai simplu: să demonstrezi că poți lua o problemă reală, poți folosi date sau documente, poți aplica un tool AI sau un model simplu și poți explica rezultatul clar.
Angajatorii nu caută doar oameni care au „folosit ChatGPT”. Caută oameni care pot lucra ordonat: înțeleg problema, documentează pașii, verifică rezultatul și știu limitele tehnologiei.
Începe cu 3 proiecte mici, nu cu 10 idei neterminate
Primul portofoliu trebuie să aibă 3 proiecte finalizate. Nu 20 de cursuri începute. Nu foldere goale pe GitHub. Trei proiecte bune sunt suficiente pentru un rol junior în AI, data, automation sau business AI.
Alege proiecte care arată competențe diferite:
Proiect 1: clasificator simplu de leaduri. Creezi un fișier CSV cu leaduri fictive: sursă, serviciu cerut, buget estimat, urgență, mesaj. Folosești Python și pandas ca să cureți datele, apoi faci o regulă simplă sau un model basic care clasifică leadurile în „cald”, „mediu”, „slab”. Scopul nu este modelul perfect. Scopul este să arăți gândire de business.
Proiect 2: rezumator de documente publice. Alegi 3 documente publice, fără date personale: ghiduri DNSC, documentație AI, rapoarte publice. Construiești un workflow în care AI-ul extrage idei principale, riscuri și pași de acțiune. În README explici clar că nu folosești documente confidențiale.
Proiect 3: mini-dashboard pentru costuri AI. Creezi un tabel cu tool-uri AI, cost lunar, număr de utilizatori, risc de date, integrare și scor final. Îl faci în Google Sheets, Excel sau Python. Pentru un job AI în business, un astfel de proiect este mai relevant decât un demo spectaculos fără utilitate.
Pune fiecare proiect pe GitHub corect
GitHub nu este doar locul unde „urci cod”. Este locul unde arăți cum gândești. GitHub permite crearea unui profil README printr-un repository cu același nume ca username-ul tău, iar acesta apare pe profilul public. Folosește-l ca pagină de prezentare: cine ești, ce înveți, ce proiecte ai și ce roluri cauți.
Pentru fiecare proiect, structura minimă trebuie să fie:
README.md
data/ — doar date publice sau fictive
notebooks/ — notebookuri Colab sau Jupyter
src/ — cod, dacă există
screenshots/ — imagini cu rezultat
requirements.txt — librării folosite
LICENSE — dacă vrei proiect public reutilizabil
README-ul este cel mai important fișier. Trebuie să răspundă la 7 întrebări:
Ce problemă rezolvă proiectul?
Ce date ai folosit?
Ce pași ai urmat?
Ce tool-uri sau librării ai folosit?
Ce rezultat ai obținut?
Ce limite are proiectul?
Cum poate fi rulat sau verificat?
Un recruiter sau manager tehnic nu are timp să ghicească. Dacă proiectul nu se înțelege în 60 de secunde, README-ul trebuie rescris.
Folosește Google Colab pentru proiecte ușor de deschis
Dacă ești la început și nu vrei setup complicat, Google Colab este o opțiune bună. Google explică faptul că notebookurile Colab sunt stocate în Google Drive, pot fi încărcate din GitHub și pot fi partajate similar cu Google Docs sau Sheets.
Pentru portofoliu, pune link către Colab în README. Astfel, cineva poate vedea rapid codul, explicațiile și rezultatul. Atenție: nu lăsa chei API, tokenuri, emailuri reale sau date personale în notebook.
Folosește Kaggle pentru date și exerciții
Kaggle este util pentru începători deoarece oferă cursuri, dataseturi și competiții unde poți aplica ce înveți pe date reale. Platforma se prezintă ca un spațiu pentru competiții și cursuri AI, cu setări practice pentru aplicarea cunoștințelor și conectarea cu alți practicieni ML.
Nu alege din prima un dataset uriaș. Alege unul simplu: vânzări, locuințe, review-uri, produse, clienți fictivi sau date publice. Obiectivul este să explici pașii: curățare, analiză, model simplu, rezultat, limitări.
Arată proiectele pe LinkedIn, nu doar în CV
LinkedIn permite adăugarea de secțiuni în profil, inclusiv zone unde poți evidenția proiecte și materiale relevante. LinkedIn Help explică adăugarea de secțiuni din meniul profilului, inclusiv proiecte și alte informații profesionale.
Publică fiecare proiect ca postare scurtă:
„Am construit un mini-proiect AI pentru clasificarea leadurilor. Am folosit date fictive, Python și reguli simple de scor. Am învățat cum contează calitatea datelor mai mult decât modelul. Link GitHub: …”
Nu scrie „expert AI”. Scrie ce ai construit, ce ai învățat și ce ai verifica mai bine data viitoare.
Exemplu de portofoliu bun pentru junior
Un portofoliu de început poate arăta așa:
Proiect 1: Lead Scoring AI pentru firmă mică.
Proiect 2: Rezumator de ghiduri cybersecurity cu verificare umană.
Proiect 3: Dashboard costuri și riscuri pentru tool-uri AI.
Profil GitHub cu README clar.
Profil LinkedIn cu 3 postări despre proiecte.
CV cu linkuri directe către repository-uri.
Cel mai important: fiecare proiect trebuie să aibă o concluzie realistă. Nu spune că „AI-ul automatizează vânzările”. Spune exact: „Acest proiect poate ajuta la prioritizarea leadurilor, dar decizia finală trebuie verificată de om.”
Așa construiești un portofoliu credibil: mic, clar, verificabil și util.
Surse folosite
- GitHub Docs — gestionarea unui Profile README pe GitHub.
- LinkedIn Help — adăugarea de secțiuni și proiecte în profil.
- Google Colab FAQ — partajarea notebookurilor și stocarea în Google Drive/GitHub.
- Kaggle — cursuri, competiții, dataseturi și practică AI/ML.
