1. 建立深度學習模型(ALBERT、XLNet、DistilBERT)，預測商品分類，提升搜尋引擎的品質。過程訓練近184萬筆的商品文字資訊，且可預測類別高達480類，最終準確度來到87%以上，且修正近30萬筆錯置的商品 2. 和前端進行跨組合作，以開發搜尋關鍵字績效API及邏輯，提供使用者有效率的查詢系統 3. 開發自動化流程的分析專案(Python、SQL)，並利用Airflow進行排程上線 4. 開發google ads相關專案，為專案設計排除重複SKU的機制，並提供其他關鍵字專案近90萬筆的數據源，以提升廣告投放效益 【預測商品分類模型】 專案目的: 建立商品預測模型，以修正錯誤分類的商品，優化平台搜尋結果 專案流程: 撈取數據 → 模型訓練 → 開發及部署API → 開發自動化流程及上線 1. 撈取數據: 透過SQL撈取商品的文字資訊，總共取得184萬筆數據進來訓練 2. 模型訓練: 分別訓練三大模型ALBERT、XLNet、DistilBERT，最終Top5準確度皆超過87%以上 3. 開發及部署API:利用flask架構設計出API，讓使用者透過輸入商品編號或是商品資訊取得模型預測結果 4. 開發自動化流程及上線 : 透過取得Market部門的待測商品名單，並呼叫三大模型API取得預測類別。經過整合及備份模型預測的邏輯，將最終結果回傳到指定Table並更新任務狀態。 專案結果: 每天執行一次流程，累積修正了近三十萬筆錯誤分類的商品 【搜尋關鍵字績效API】 專案目的: 提供使用者關鍵字對應前五名熱門商品的資訊，以擴充平台功能及方便賣家擬定行銷策略 專案流程: 數據準備及運算 → 匯入數據庫 → 開發及部署API 1. 數據準備及運算: 透過有效率的整合及運算多張SQL Table數據，並開發成SP 2. 匯入數據庫: 經過測試Mongo及Elastic Search效能，最後選擇匯入後者因為該資料庫對於搜尋結果的檢索能力是較強的 3. 開發及部署API :利用flask架構設計API，將使用者輸入的keyword及條件(時間、地區、顯示筆數、頁數等)轉換成ES的Query語法，整理成Json格式並回傳查詢結果 專案結果: 在數據為百萬級別及大量文字的情況下，API反應時間從6秒優化到2秒，滿足前端UI開發需求以及使用者高效能的查詢

該新創公司致力於研發智能投資領域，利用AI技術進行投資分析，滿足金融構資產配置的需求。 1. 負責撰寫客戶提案書及財務分析，為公司計算出合理估值 2. 擔任公司聯絡窗口，包含協調公司網頁的設計、公司UI系統及創投基金的會談，展現溝通能力及團隊合作，協助公司技術及業務的推展