1. 搭建中國各場景下的收派件數據底盤、畫像，監控模型效果 ● 模型：Hive、Presto、Pyspark； ● 方法：透過業務知識與事前統計分析，計算與額外生成模型需要的特徵，每日計算； ● 結果：每日處理上億筆數據，提供模型使用。 2. 全中國、業務區、城市預測未來1天、7天、45天、120天的收、派件量 ● 模型：prophet； ● 方法：透過設置節假日、電商高峰期預測並搭配同環比校驗預測數據； ● 結果：全中國/業務區平均準確率：93%以上，城市平均準確率90%以上。 3. 網點、AOI預測未來1天、7天收、派件量 ● 模型：LightGBM； ● 方法：透過pyspark與hive搭建數據畫像，樹模型預測未來件量； ● 結果：準確率在80%以上的網點/AOI佔全中國70%以上。 4. 研究前沿最新時序技術，如：Hierarchical time series、Temporal Fusion Transformer等...。

1. 工廠作業員離職率預測與原因探討，效益：10000人民幣/月 ● 主要目的有二： (1)協助工廠HR每月22號，預測下個月作業員離職人數； (2)分析離職原因藉以降低離職率。 ● 方法1：清洗資料、利用Target Statistic轉換類別型變數用Catboost建模； ● 方法2：利用因子分析與Feature importance挑出關鍵離職原因； ● 結果：準確度：97%，F1：89％。 2. 工廠生產異常描述分類，效益：2000人民幣/月 ● 生產中異常發生，工程師手動紀錄不良原因，利用深度學習自動分類； ● 使用哈工大中文RoBERTa預訓練模型分類； ● 利用Docker與Tensorflow Serving部署模型； ● 共10類，準確率：85%。 3. 屏幕白平衡RGB調整量推薦，效益：10000人民幣/月 ● 產線屏幕測試需要調整RGB(255)，使畫面色彩平衡顯示正常； ● 降低測試次數與時間，一次性通過率原先40%提升至90%； ● 利用MultiOutput Regression與Boosting、Bagging搭配GridSearch與Asymmetric Loss Function挑出最佳模型(評價指標：MSE)； ● Docker、FastAPI部署模型。 4. 工廠設備庫存備料預測，效益：10000人民幣/月 ● 工廠產線設備的歷史維修備料量，預測下個月需準備多少備料； ● 將領用量型態以統計指標(ADI與CV)分類(波浪型、間歇型...)； ● 挑選各類型最佳模型，如：XGBoost、指數平滑、移動平均、Croston Model； ● Docker、FastAPI、Crontab。 ● 準確度平均70%，庫存降低30%。