AI Manager： - 以 Jira 作為 Scrum執行工具，訂立每個Sprint的目標及週期，Standup meeting 掌握成員的工作進度。 - 配合產品上線時間開發產品，由演算法九大維度開發指標進行前期規劃，包含商務情境需求、特定資料需求(數量、頻率)、合適的ML演算法、ML演算法指標(F1-Score、AUC、IoA、...) Algorithm Engineer： 點擊預測廣告再行銷 - 導入 BERT 模型，改善原本以TFIDF為主的文章商品貼標模式，訂定IoA指標改善達到72.5%準確度以上，可更精準的解析廣告受眾商品喜好、興趣喜好。 - 以 DeepFM 模型進行消費者廣告點擊的預測，打包高機率再點擊的受眾根據消費者的喜好興趣再行銷精準投遞 一頁式情境電商系統 - 建立商品標籤庫、受眾興趣標籤庫，以Pre-trained的深度學習模型BERT(Tagging 和 Summary)
做受眾貼標，並透過商品及消費者瀏覽軌跡，針對每個消費者貼上商品標籤及興趣標籤。 - 以CLV分群，計算用戶價值；以RFM分群，將用戶分為高價值用戶、潛在用戶、挽留用戶、流失用戶，使用不同的行銷策略及推薦商品。 - 以協同過濾演算法，結合ALS方法及用戶商品貼標，建立個人化推薦系統。

雲端防偽推薦系統開發 - 系統藉由消費者掃描QRCode的機制，搜集使用者資訊和其他相關資料，來確認並回傳購買商品的真偽。 - 負責在現有已上線的框架中，改善Data Pipeline，並且透過資料清洗、資料分析和訪問使用者，找出真實的標籤資料、探索新的特徵值及建立更好的預測模型。 - 藉由機器學習在現有框架的限制下，以決策樹演算法建立新模型，成功地將預測準確度(Precision,Recall)由70%提升至90%↑，以F1-Score和AUC曲線為判斷標準。 - 提出新的Feature搜集方法，用於使用者行為分析和模型建立，如IP地理位置判定、裝置GPS蒐集、UserAgent、使用者裝置、商業know-how...等。 - 經由改善現有Web框架，新增以Pmml檔作為模型資料傳遞方法，在開發者後台可使用各類Python機器學習的演算法，進行資料分析及建模。 - 以AWS雲端服務管理5億筆以上資料(使用InnoDB的Partition Table提升查詢效率)，也運行網站服務。可達到3秒內，讓95%的消費者從查詢到模型產出得到真偽判定結果，其中使用服務包含AURORA、EC2、S3 Bucket、WAF...等。

工業4.0計畫即時監測及內部ERP系統 - 參與工業4.0專案計畫團隊，包含大數據環境建置、自動化資料收集系統、可視化工廠(ERP報表系統、Dashboard即時)、產線智慧化報警系統，目標為達到工廠內控的生產製程管理需求。 - 大數據環境建置以Hortonworks作為解決方案，使用Kafka、Storm、Nifi串流彙整產線資料，並透過的ambari做為中介層監控服務，依照不同需求在資料前處理後，存進HBase或RDBMS。 - 完成並上線三套ERP系統架構，兩套Dashboard即時監控產線系統，供公司內部工廠使用。 - ERP報表系統開發，以Java語言為基礎，JSF+Primeface或Struts2+jQuery+Spring做為前端開發工具；以JPA(Java Persistence API)實作Hibernate，做為後端與資料庫連接之ORM(Object Relational Mapping)機制；並以Git做為開發時的版本控管。 - 透過即時的機台資料搜集，將機台狀態動態呈現在Dashboard上，達到即時機台監控的目的。 - 以Logistic Regression, SVM透過工廠機器提供之Log資訊，作為即時警報系統。 - 專案過程中曾解決資料存取速度小於資料產生速度的問題，其時資料產生速度約為小時每60萬筆Testlog，以PostgresSQL的Partitioned Table解決資料庫I/O效能問題。

此專案嘗試幫助政府的路平計畫，自動化的偵測道路坑洞或不平整處並做GPS定位，使其有效率並準確的標註城市各處的道路坑洞，讓地方政府能妥善規劃道路恢復施工。我們希望將裝置裝在現有的道路運輸系統車輛上(如公車、計程車...)，透過機器學習排除不同車輛的物理變因，分級不平整道路的區段。 - POC以Raspberry Pi3作為IoT裝置，包含六軸陀螺儀、GPS蒐集資訊，以TCP/IP的批次傳回資料，於Hadoop生態系進行資料儲存及運算。 - Data Pipeline使用Bash Script定期將IoT裝置的資料存進HDFS，以Pig做資料清洗後，導入HBase儲存，以利進行後續資料分析建模。 - 將裝置裝於Nissan Teana做實車資料蒐集，在區域路段行駛蒐集道路坑洞的實車資料，以SVM完成建模，預測準確率達80%↑。

- 帶領四人團隊開發完成車輛轉向機構系統，於2015年度的LUXGEN SUV小改款上市。 - 以Matlab開發程式最佳化的演算法，以CATIA進行機構位置的驗證，設計尋找轉向機構的最佳點位配置，以達車輛轉向最佳化。 - 與日本供應商溝通機構配置與製程，以每週或雙週例會的形式追蹤進度，中間並輔以信件往來。 - 產品開發週期為兩年，歷經Mule Try、F-Try、ET、PT階段，將機構裝於實車進行量測驗證轉向性能是否達標。