邱沐恩

和隊友一起打造的 multi-agent 系統，能自主協助 IT 團隊分析事件、追出根本原因，並自動整理事後紀錄。

• 用 n8n 串起 Google Vertex AI、context-aware RAG 與 PostgreSQL，組成完整系統。
• 設計 multi-agent 分工流程，讓資訊蒐集、判斷與驗證各司其職，一起完成根因分析。
• 加上 verifier 迴圈，用日誌和內部程式碼庫核對每個回答，把幻覺降到最低。
• 靠自動化文件與知識的重複利用，預估能讓平均修復時間（MTTR）縮短 40%。

串接晶圓缺陷辨識、可解釋視覺化、SOP 脈絡診斷與模擬驗證，並由工程師核准製程調整的人機協作決策流程。

• 以 ResNet-18 分類晶圓缺陷，搭配 Grad-CAM 呈現判斷依據，再交給 RAG 驅動的 LLM 引擎整合診斷。
• 把缺陷圖形對應到模擬的 FDC 機台紀錄，讓每一個診斷結果都能追溯來源。
• 針對可模擬的缺陷情境，工程師可在調整參數前主動呼叫 rule-based digital twin 進行驗證。
• 所有建議都以 SOP 和製造訊號為根據，降低模型產生幻覺的風險。

以臺北市敦化幹線為案例，透過強化學習最佳化發車調度，在降低公車串車的同時兼顧乘客等候時間與營運成本。

• 串接 TDX 路線資料、臺北公車即時 GPS 與 CODIS 氣象資料，打造調度模擬環境。
• 把發車控制當成序列決策問題來建模，用 PyTorch 訓練 DDQN agent 學習調度策略。
• 獎勵函數同時權衡串車風險、乘客等待時間和營運成本三個目標。
• 和固定班距策略相比，串車量減少 22.9%，串車發生時間縮短 16.2%。

用 H&M 的真實交易資料當作市場訊號，設計一套生成式 AI 框架，一邊預測流行趨勢，一邊把潛在商品直接畫出來。

• 整合 LLaVA 與 Vicuna，讓 prompts 能即時反映市場上的流行趨勢。
• 以 106 週的 H&M 交易紀錄作為市場需求的依據。
• 用 Direct Preference Optimization 微調 Latent Diffusion Model。
• 預測準確度比基準模型高出 4-7%，能實際用在庫存規劃和市場判斷上。

結合自然語言處理、語音合成與圖像檢索，打造每天自動產出新聞重點的 AI pipeline。

• 從零規劃並實作端到端的新聞摘要 pipeline。
• 整合 NLP、文字轉語音與圖像檢索三種模組。
• 同時負責專案管理，掌握開發里程碑與模組整合的節奏。
• 以 Python 串接各家 API，每天自動產出新聞重點。

帶領 6 人團隊建立手搖飲門市的營運模型、找出流程瓶頸，並透過電腦模擬評估改善方案。

• 實地觀察門市作業，找出點餐到出杯之間的流程瓶頸。
• 用電腦模擬比較不同人力和動線配置的成效。
• 負責組內分工與跨組協調，把分析整合成完整提案。
• 模擬結果顯示，在完全不增加成本的前提下，顧客等待時間可縮短 70%。