1. AI基礎設施與佈署 i.模型佈署:負責將開發完成的 AI 模型轉換為穩定的 API服務,並應用容器化技術(如 Docker, Kubernetes)進行管理。 ii.效能優化:針對推論端進行硬體加速與模型輕量化,確保系統回應速度符合生產需求。 iii.系統維運:建立模型監控機制,追蹤模型在實務環境中的準確度漂移,並執行自動化重新訓練流程。2. 數據流水線建置 i.資料採集:與BI工程師協作,從各生產設備或資料庫中擷取非結構化數據。 ii.預處理自動化:開發自動化標註工具與資料清洗程式,確保 AI 訓練資料的品質與一致性。3. 跨系統整合與應用 i.系統對接:將AI功能整合至公司現有的數位工具,實現智慧化輔助決策。 ii.種子人員支援:擔任技術導師,協助各部門的數位種子人員理解 AI 的應用邊界,並協助驗證 AI 專案的PoC(概念驗證)。4. 技術研究與選型 持續追蹤 LLM(大型語言模型)、電腦視覺或預測分析的最新技術,評估其導入公司的可行性與成本效益。