== 協助解決商業痛點的資料分析與視覺化 == • 將概念轉化為可互動的資料工具，提升資料探索與產品驗證效率： 負責將未成型的產品概念轉化為可串接資料並即時互動的原型工具，透過 Streamlit 開發可視化分析介面，使內部與客戶能直覺式操作資料、驗證假設，快速比對產品構想與實際資料間的落差，進而調整開發方向。此外，也協助尚未完全數位化的構想，先行探索資料應用的潛力，了解數位化後可能帶來的效益與優化空間。 • 降低 AWS 成本管理難度： 設計 AWS 帳務分析儀表板，讓管理層能快速掌握維運各專案所使用的雲端成本，提升決策效率。 == 機器學習應用與概念驗證 == • 開發時間序列預測模型： 參與公司首個時間序列預測產品，從資料清理、特徵工程到模型監控，確保預測結果穩定且可解釋。 • 在 POC 中導入機器學習： 以內部研發或客戶需求出發，設計適合的隨機函數產生模擬資料，快速建立 POC（概念驗證）環境，讓內部或客戶能夠測試機器學習應用的可行性，加速技術落地。 • 文本資料處理經驗： 曾建立中文 NER（命名實體識別）模型，強化產品的文本處理與自動化能力，支援特定業務需求。 == 資料工程與簡易後端開發應用 == • 建構自動化資料流程： 與後端團隊合作開發自動化資料爬取系統，整合數十個開放資料來源，確保模型訓練與分析能獲取即時且穩定的資料。 • 維護 ETL 與 Data Pipeline： 與後端團隊合作設計 ETL 與 Data Pipeline ，設計PTX 交通資料的定時自動化爬取模組，確保內部產品持續獲取最新資料。 • 簡易後端開發應用： 開發 API 服務，串接資料處理與模型推論，讓機器學習應用能夠順利部署並融入業務流程。 == 標準化 MLOps 流程 == • 標準化 MLOps 流程，提升開發與維運效率： 推動公司內部 MLOps 標準化，建立從資料流、模型實驗、模組化、部署到監控的完整開發流程，導入 Machine Learning Canvas 來明確規劃專案需求與執行步驟，並運用 Airflow、DVC、MLflow、MinIO、PostgreSQL、FastAPI、Evidently、GitLab CI/CD 等工具，確保模型能夠高效開發、穩定部署與長期維運。 • 組織 MLOps 角色分工： 設計 MLOps 協作規則，確保商業開發、專案經理、軟體工程師、資料科學家、資料工程師、測試人員在機器學習專案中的責任與流程清晰，提升開發與部署效率。 == 客戶資料分析專案 == • 道路速率分析： 透過資料分析評估城市道路的速率，幫助企業在交通規劃與路況管理上做出更精確的決策。 • 銷售資料分析報告： 針對食品廠商的銷售資料進行分析，提供詳細的報告，協助業務部門理解關鍵影響因素並改善銷售策略。 • 物流預測能力展示（PoC）： 進行物流需求預測的概念驗證（PoC），展示公司在需求預測與數位轉型上的技術能力。 == 團隊經驗 == • 帶領資料科學團隊： 負責組成與領導 3 人的資料科學團隊，建立技術討論文化，設計並推動可傳承的開發流程，確保專案在團隊內部能夠穩定、高效執行。 • 提升團隊協作效率： 制定並推行資料科學專案開發文件標準，促進模型模組化及程式碼風格一致化，有效降低維護與協作成本，提升整體團隊效能。 == 技術培訓與知識分享 == • 負責全公司新進人員基礎培訓： 培訓 Python 開發標準、虛擬環境設定、Container 應用與 Docker 入門，讓新進人員快速上手。 • 促進跨部門協作與理解： 分享探索性資料分析（EDA）、MLOps 概念與實作，以及專案文件標準化，讓其他部門更了解資料科學團隊的能力與工作內容，促進協作與理解。 • 指導實習生： 工作 8 年期間陸續指導 3 名實習生參與專案，協助他們累積實務經驗並了解專業工作流程。 == 雲端服務使用經驗 == • 維持雲端服務穩定：負責公司內 AWS 服務的營運管理，管理 IAM、EC2、S3、CloudFront、彈性 IP、憑證等基礎服務，確保應用穩定運行。

== 鞋業自動化研發 == - 使用實驗設計手法優化製程參數 - 資料分析 - 統計諮詢