工作、研究與個人實作。查看完整履歷 ↗
自動攔檢需要同時考慮該攔下的異常，以及不應誤攔的正常情況。我的工作從量測資料的表示方式開始。
約 99% · NT$ 3 億
判讀表現約 99%，涵蓋應攔與應放行的情況；3 億元為產線工程師立案時預估的專案效益。
原始資料是數值型。如果先轉成圖片，就需要選擇顏色、尺度與轉換規則。當時沒有找到能公平保留原始特徵的方式，因此我回到數值特徵與製程知識，建立判讀流程。
既有方案結合統計特徵與製程規則。目前持續研究隨機森林，在特徵工程與實驗之間調整，希望進一步提升判讀準確度。
以 Python 開源轉檔方案為基礎，客製化擷取所需欄位，再使用 Cython 改善大量資料的處理效能。
原系統約 600 萬元／年
原系統年度維運成本約 600 萬元，提供系統替代決策的成本基準。
新舊系統比對時，一個沒有數值的欄位，可能代表缺失，也可能是量測故障。需要交叉檢查相關欄位與狀態 flag，才能確認真正的意思。
在確認輸出差異與資料語意後，讓替代系統接手既有流程。截至這次專案整理，系統已上線半年，尚未需要修改或進版。
這個專案讓我學到，轉出資料只是第一步，後續系統能正確理解資料，才是完成交付。
讓使用者描述需求，由模型撰寫 SQL，透過 MCP 資料庫工具執行，再根據實際查詢結果整理回覆。
約 80 人次／日
每日使用人次由系統直接統計，反映工具在實際工作流程中的使用。
獨立完成架構設計、MCP 工具、資料整合與正式上線。模型推論使用閉源服務，工具端提供安全的資料庫操作。
這個專案的重點，是把模型的回答接到真實資料與可執行工具。工程工作包含釐清資料需求、設計工具介面，以及讓各個部分在實際流程中連接起來。
這項正式上線的系統，完整展示我從資料工具、功能設計到交付的工程能力。
個人實作與探索 · 單卡 TTT-Discover Alpha 挖掘
我把 TTT-Discover 的想法落在一張 RTX 4090 上：讓模型提出因子方向、生成程式、完成評估，再用結果更新 LoRA，進入下一輪探索。從程式設計到量測與驗證，這段個人實驗由我自行完成。
我以本地 Qwen2.5-Coder-7B-Instruct 產碼，沿用既有搜尋與評分框架，把註解掉的 train step 打開，接上後續 LoRA 更新。40 輪實驗的軌跡、日誌與候選結果都留有紀錄，讓研究可以從每一輪接續。
生成和訓練若各自載入模型，記憶體預算會很快用完。我改用同一份 base 權重與 LoRA adapter，在階段間共用模型。4-bit 組態的 PyTorch allocated memory 峰值由 18.82 降至 13.63 GiB，減少 5.19 GiB，讓閉環有足夠空間持續運作。
固定 16 個 idea，使用 vLLM 比較併發 1、4、8、16。產碼、驗證與評分的整批完成時間中位數由 39.52 秒降至 5.34 秒，在這段工作流程中加速約 7.4 倍。
產碼後我檢查退化因子，再取 top-K 做 walk-forward 驗證，以樣本外 Sharpe 重新排序。每批有 7～8 個候選通過基本檢查且沒有退化。速度、記憶體與因子品質都分開留下實驗證據，幫助我決定下一步要優化什麼。
記憶體數字為 PyTorch allocated 峰值；7.4 倍對應固定 16 個 idea 的產碼、驗證與評分批次量測。
WorldQuant · 台灣區第四名
24,072 次回測 · 44 個已提交 Alpha
我建立一套 24/7 運作的 Agent Alpha 自動挖掘系統，把研究方向、候選產生、WorldQuant BRAIN 回測、結果檢查與下一輪決策接成連續流程。成果不只是一批因子，而是一套能持續研究、能留下記憶的系統。
每個研究方向先有一個經濟假說，說明訊號想捕捉什麼。Agent 再沿著方向提出變體、生成 Alpha expression，將候選送入 BRAIN 回測，取得績效與檢查結果。表達式、設定與結果連在一起保存，後續可以重看每一步為何成立。
系統持續讀取前一輪狀態、挑選值得延伸的方向、產生候選、執行回測並寫回結果。需要等待的檢查會進入佇列，結果回來後再更新研究紀錄。這樣我能把人工時間用在設定研究問題與判斷方向，重複的生成和量測交給 Agent 接續執行。
研究樹的 root 保存最初的假說；每個 node 保存它相對父節點改了什麼、為何改動、用了什麼 expression 與設定，以及回測後的 Sharpe、fitness、檢查和分支狀態。向下是加深同一個假說，橫向是測試不同變體。若某條分支走不通，系統仍保留紀錄，回到上層試新的 sibling，不會忘記已走過的路。
我依回測與檢查結果，更新節點統計和每棵樹的最佳節點，再挑選下一個延伸點。研究不再靠零散筆記記住「哪個分數好」，而是能追溯從假說到候選、從候選到結果的完整脈絡。這套流程支撐了 24,072 次回測、44 個已提交 Alpha，並取得 WorldQuant 台灣區第四名。
此系統使用 Agent、工具與研究樹串接 BRAIN 平台；與 TTT-Discover 的模型訓練閉環為兩個獨立實作。
回溯時間 −99% · 實習競賽第二名
2023 年暑期實習，從零建置 Python / SQL 資料回溯介面，協助工程師快速定位產線問題。
透過訪談釐清工程師查資料的路徑，再將分散的資料整理成可查詢的工具。隨使用回饋調整功能，減少資料整理與回溯的等待。
專案回溯時間減少約 99%，並獲實習生競賽第二名。這段經驗也成為後續半導體資料系統工作的基礎。
排程完成時間平均 −20%
在陽明交通大學產學合作研究中，探索圖注意力網路與強化學習於產線排程的應用。
以規則式排程為對照，在多組測試情境中評估整體完成時間。研究實驗顯示平均縮短約 20%，並觀察動態條件下的穩定性。
在共同測試基準下，研究方法呈現平均 20% 的完成時間降幅，讓排程設計能用數據比較與驗證。
第四名 · 多模態工安影像問答
第四名 · Agent 因子研究
第十名 · Pix2Pix / cGAN 影像生成
前 4% · LightGBM / XGBoost 集成
第二名 · 產線數位化競賽
也參與 2025 AI CUP 詐騙帳戶預測，以 XGBoost 與 PU Learning 探索不平衡資料問題。