Lipsa unui master în machine learning nu te exclude automat din piața joburilor AI. Te limitează însă în anumite direcții. Pentru poziții de cercetare, dezvoltarea unor modele fundamentale sau roluri care presupun matematică avansată, angajatorii pot solicita master sau doctorat. În schimb, pentru AI application engineer, data analyst, software engineer cu integrare AI, automatizări, evaluarea modelelor sau implementarea unor asistenți, proiectele concrete pot conta foarte mult.
Anunțurile actuale din România arată această diferență. Unele roluri acceptă licență sau master și menționează contribuțiile open-source ori un portofoliu solid ca avantaj. Există și internshipuri AI deschise studenților înscriși la programe de licență, nu doar celor de la master.
Alege un rol realist înainte să construiești portofoliul
Nu aplica la orice anunț care conține literele „AI”. Citește responsabilitățile și identifică direcția potrivită pentru baza ta actuală.
Dacă știi programare web sau backend, poți construi aplicații care folosesc modele prin API. Dacă ai experiență cu Excel, SQL și rapoarte, poți merge spre data analysis și automatizarea analizelor. Dacă înțelegi infrastructura, Docker și cloud, poți explora MLOps sau deployment. Pentru cine vine din marketing, suport ori business, există roluri legate de implementarea asistenților AI, knowledge bases, evaluarea răspunsurilor și integrarea instrumentelor în procese.
Nu încerca să compensezi lipsa masterului prin zece certificări fără legătură între ele. Alege o direcție și construiește dovezi relevante pentru ea.
Un portofoliu bun are trei proiecte terminate, nu 20 abandonate
Trei proiecte bine documentate valorează mai mult decât o listă de notebook-uri copiate din tutoriale. Fiecare proiect trebuie să rezolve o problemă clară și să poată fi explicat în câteva minute.
Primul poate fi un proiect clasic de machine learning: clasificarea mesajelor de suport, estimarea unei valori sau detectarea unor anomalii într-un set de date public. Arată cum ai curățat datele, ce model de bază ai folosit, ce metrică ai urmărit și unde greșește modelul.
Al doilea poate fi o aplicație generativă: un asistent care răspunde numai pe baza unor documente, citează sursa și refuză întrebările pentru care nu are informații. Include teste cu întrebări dificile și exemple de răspunsuri incorecte pe care le-ai corectat.
Al treilea poate demonstra integrarea: formular, procesare AI, bază de date sau Google Sheets, aprobare umană și jurnalizarea acțiunilor. Folosește date fictive sau publice, nu informații reale despre clienți.
Documentează proiectul ca pentru un coleg care nu te cunoaște
Fiecare repository trebuie să aibă un README serios. Explică problema, datele folosite, arhitectura, instalarea, rezultatele și limitele. Adaugă capturi relevante și un exemplu de utilizare.
Nu scrie doar „chatbot construit cu Python”. Spune concret: „Asistent pentru întrebări despre politica de retur, testat cu 60 de întrebări, cu răspunsuri limitate la documentele aprobate și escaladare către operator când informația lipsește.”
GitHub permite folosirea unui README direct în profil, unde poți prezenta pe scurt competențele și proiectele principale. Fixează proiectele relevante în partea de sus și elimină repository-urile goale sau neclare.
Transformă codul într-o demonstrație accesibilă
Recruiterul nu va instala întotdeauna proiectul local. O demonstrație funcțională îi permite să înțeleagă rapid ce ai realizat.
Pentru aplicații de date și machine learning, poți publica un demo prin Streamlit Community Cloud. Pentru modele și aplicații AI interactive, Hugging Face Spaces oferă găzduire directă pe profil. Ambele variante permit prezentarea unei aplicații utilizabile, nu doar a codului.
Demonstrația trebuie să fie simplă și stabilă. Adaugă câteva exemple pregătite, explică ce date pot fi introduse și nu expune chei API în repository. Dacă aplicația are costuri per solicitare, setează limite.
Adaptează aplicația la fiecare job
În CV, pune linkul portofoliului lângă datele de contact. Sub fiecare proiect, descrie rezultatul, tehnologia și contribuția ta. Nu încărca descrierea cu o listă interminabilă de biblioteci.
În mesajul de aplicare, leagă un proiect de cerința postului: „Am construit și publicat un asistent care folosește documente aprobate, include evaluări și păstrează verificarea umană. Proiectul este relevant pentru cerința privind aplicațiile bazate pe LLM.”
Cererea pentru competențe AI apare tot mai des inclusiv în rolurile entry-level, dar angajatorii caută aplicarea practică a instrumentelor, nu doar familiaritatea superficială cu ele.
La interviu, trebuie să poți explica de ce ai ales metoda, cum ai măsurat rezultatul, ce nu funcționează și ce ai îmbunătăți. Un proiect modest, dar înțeles complet, este mai credibil decât o aplicație spectaculoasă pe care nu o poți explica.
Masterul poate deschide anumite uși. Pentru multe roluri aplicate, însă, portofoliul arată dacă poți transforma o idee într-un produs funcțional, măsurabil și responsabil.
Surse folosite
Anunțuri actuale AMD România și Banca Transilvania pentru roluri AI/ML
OECD – AI and Skills
NACE – Job Outlook Spring Update 2026
GitHub Docs – profiluri și Profile README
Hugging Face – documentația Spaces
Streamlit – documentația Community Cloud
