Dataforsker søknadsbrev eksempel

Om dette eksempelet

Dette søknadsbrevet tilhører Ingrid Solberg, en dataforsker med doktorgrad i maskinlæring fra NTNU og tre års industrierfaring. Hun søker en stilling hos Kongsberg Digital – et selskap som utvikler avanserte digitale tvillinger og prediksjonssystemer for maritim og energisektoren. Brevet viser hvordan man posisjonerer akademisk bakgrunn for en industrirolle.

Broen mellom akademia og industri

Ingrid adresserer tidlig det som mange rekrutterere lurer på: kan en med akademisk bakgrunn levere i et industrielt tempo? Hun gjør dette ved å vise til de tre årene hun har jobbet tett med industripartnere som del av en nærings-PhD. Hvis du har akademisk bakgrunn, vis tidlig at du har industriell erfaring – det fjerner den vanligste bekymringen.

«Min forskning har aldri levd i et vakuum. Modellene jeg utviklet under PhD-en ble testet på reelle sensordata fra offshore-installasjoner, og ett av systemene er i dag i operasjonell bruk hos en norsk operatør.»

Maskinlæringsmodeller med nøyaktighetsmålinger

Ingrid beskriver to nøkkelprosjekter:

1. En predikasjonsmodell for utstyrssvikt basert på tidsseriedata fra vibrasjons- og temperatursensorer. Modellen oppnådde 94,3 % presisjon og 91,8 % recall på testsettet, og reduserte uplanlagt nedetid med 22 % i pilottesten.
2. En anomalideteksjonsalgoritme for havvindturbiner som identifiserer avvik 72 timer tidligere enn eksisterende regelbaserte systemer.

For datavitenskap-roller er modellmålinger (presisjon, recall, F1, AUC) uunngåelige – inkluder dem alltid.

Valg av metoder og begrunnelse

Ingrid forklarer ikke bare hva hun bygde, men hvorfor hun valgte spesifikke metoder. Hun begrunner valget av LSTM-nettverk for tidsseriedata fremfor tradisjonelle ARIMA-modeller med referanse til datasettstørrelse og ikke-linearitet i sensordata. Metodebegrunnelse viser modenhet – det er forskjellen på en analytiker og en dataforsker.

Teknisk stack og verktøy

Python, PyTorch, scikit-learn, MLflow for eksperimentstyring, og Kubernetes for modelldeployment i produksjon. Ingrid nevner at hun har erfaring med å ta modeller fra notebook til produksjonssystem – et gap mange dataforskere sliter med. Erfaring med MLOps og produksjonsdeployment er en sterk differensiator.

Kongsberg Digital spesifikt

Ingrid nevner Kongsbergs Kognifai-plattform og deres arbeid med digitale tvillinger. Hun er tydelig på at kombinasjonen av domeneekspertise (maritim og energi) og avansert ML er akkurat det hun ønsker å fordype seg i videre. For spesialiserte selskaper: nevn ett konkret produkt eller en teknologiplattform de er kjent for.

Avslutning

Ingrid avslutter med å tilby å presentere sin doktorgradsavhandling og et case-studie fra industrisamarbeidet, og inviterer til en faglig samtale fremfor et tradisjonelt intervju. En faglig samtale fremfor et standardintervju er et sterkt signal fra kandidater med spesialisert kompetanse.