執行中央氣象署-人工智慧專案，負責機器學習專案執行規劃、模型開發、部署及維護。 1. 影像生成 - 降雨圖影像預測 - 以衛星頻道資料為輸入，將PERSIANN-CNN架構改寫並創建Autoencoder，修改為U-NET、DCGAN、VQVAE、DANET等架構。 - 採用Resblock、GhostBottleNeck、ConvNext等通用模組及注意力機制如StripPooling、MixedPoolingModule、SelectiveKernel。 - 在模型訓練時，運用1~3D卷積層與weight standardization進行權重分配。 - 使用Microsoft nni進行超參數調整，並搭配Explainable AI方法解析模型的訓練過程。 - 此專案文獻於2022年已刊登於美國氣象協會，預計將於2024年投稿至JAXAIPWG11th Workshop of International Precipitation Working Group(IPWG-11)，此階段產品已較前作增加了22%的準確度，並減少了70%的RMSE 2. 影像生成 - 空軍雷達圖影像預測 - 使用向日葵8號衛星資料作為輸入，預測未來10分鐘的降雨分布圖 - 已Autoencoder架構為主，使用2D, 3D的卷積層、通用模組及注意力機制 適當插入於模型中 - 調整訓練、模型設置的超參數，以達到最佳訓練效果 3. 圖形辨識 - 颱風強度偵測 - 進行颱風雲圖的接收以及輸出估計的颱風強度 - 透過多輸入的自編碼架構，以Softmax Regression作為主要分類與回歸模型，並整合通道注意力機制模組(SKNET)以優化表現 - 該模型在颱風強度偵測方面的準確度與其他傳統研究成果相近，並持續進行強化 4. 數值預測 - 系統監控與異常偵測 - 在系統監控與異常偵測領域，構建時序模型，預測主機狀態並即時通報異常 - 由特徵工程增加變數後，利用特徵檢定法如SelectKBest進行篩選 - 該模型經由與後端監控用agent及tracker整合後，準確度從50%提升至95% 5. 推薦系統 - 異常主機上下游關聯探索 - 關聯分析模型使用PyTorch Geometric構建圖神經網絡(GNN)，將人際關係投射至系統中。 - 該模型在客戶環境部署後，可達到90%的準確度，有效找出異常來源的關聯主機並使用API與網頁端同步呈現該運算結果。 6. 數據分群 & 文字解析 - 錯誤訊息推薦系統 - 分群法使用聚類分析如：層次聚類、DBSCAN等。 - 使用NLP的前處理方法，讀取報告日誌，將英文、中文字訊息進行分詞、拆解、去除無用詞等，最後轉換為向量，再進行分群，提出可能解決方案。 7. 數值校正 - 小型專案，皆搭配automl工具實行(Optuna, TPOT) - 太陽照射量數據校正，原始資料準確度約60%以下，經模型校正後準確度為92% - 水位探測是異常檢測，準確度為94% 8. 自然語言處理 & 大型語言模型應用 - 產製預報文字 - 使用測站數值以及氣象資訊文字作為輸入，在進行前處理後，使用程式建立一連串可誘導LLM模型的對話內容，使輸出較固定的預報文字 - 將以NLP處理方法進行文字的前處理與數值上的配對 - 參考Google RAG的資訊探索方法，將正確資訊傳遞給IISI-INANA(CHAT-GPT)，使其協助產製正確預報文字 9. 大型語言模型應用 - LLAMA開源模型應用 - 藉由huggingface將LLM模型(LLAMA2,Taiwan-LLaM)設置在本地環境中 - 搭配github開源的UI介面，將LLM導入供使用其聊天功能、文字產製 10. 建立、部屬、維護研發環境 - Docker、Anaconda - 將完成專案打包並部屬至客戶環境中供使用 - 維持可使用NvidiaGpu及JupyterLab的開發環境

1. 程式設計 - 針對公司出產的不同儀器，設計其異常檢驗程式 - 改寫數據轉碼程式，維持資料傳送的安全性 - 配合研發及計畫案所需，將資料進行視覺化並產出必要資料 - 搭配資料庫(SQL, noSQL)使用大量儀器資料進行大數據分析 2. 數據校正 - 機器學習 - 使用統計檢定以及特徵工程進行統合檢驗 - 利用統計模型進行品質檢驗、使用機器學習校正數據 - 使用機器學習方法進行儀器數據校正，將數值準確獨維持在90%以上 - 使用XGBoost, NGboost, LightGBM等方法 3. 網路爬蟲 - 編寫爬蟲程式爬取機器學習所需資料，包含使用selenium, bs4等方法 - 搭配對應API進行資料爬取與彙整 4. 文書作業 - 負責撰寫標案中與儀器比對、維護分析的報告