负责智慧零售场景下计算机视觉技术的顶层设计与全链路落地，支撑线下门店商品陈列分析、顾客行为识别等业务，边界涵盖技术规划、模型研发到商业价值转化的全流程

• 主导设计线下门店商品陈列合规性检测系统，基于YOLOv10与U-Net语义分割模型，识别商品摆放位置（如通道占用、品牌标准合规性）；通过迁移学习从线上商品识别模型快速迁移特征，仅1周完成模型微调，将检测准确率提升至92%，帮助门店减少80%人工巡检工作量，运营成本降低20%
• 核心研发顾客行为分析视觉模型，结合OpenPose姿态估计与DeepSORT跟踪算法，解决复杂场景下（多人重叠、光线突变）的姿态估计误差问题；引入随机遮挡、视角变换等数据增强策略，将行为识别准确率从81%提升至90%，为门店提供顾客停留时长、商品拿取动作等洞察，助力陈列优化后客单价提升12%
• 推动计算机视觉与零售数字化平台整合，开发RESTful API接口将视觉检测结果（陈列合规性、顾客行为）同步至ERP系统；优化接口响应速度从1小时至5分钟，让门店经理通过APP实时查看陈列状态，运营响应效率提升35%
• 搭建团队技术培养体系，制定计算机视觉算法工程师技能矩阵（覆盖模型研发、部署、业务理解）；组织每周技术分享（如Transformer视觉应用、TensorRT量化最佳实践），培养2名初级工程师成长为独立负责项目的中级岗，团队交付效率提升40%

负责内容电商场景下视觉内容理解与多模态融合，支撑短视频商品识别、直播货盘分析等业务，边界涵盖需求拆解、跨团队协同到模型生产落地的全生命周期

• 主导设计短视频商品识别多模态模型，融合CLIP文本-图像对齐能力与YOLOv9目标检测；针对短视频商品快速切换（平均每秒1.2次）问题，采用时序注意力机制捕捉帧间特征，将商品识别准确率从78%提升至89%，支撑直播带货商品实时打标功能，帮助商家转化效率提升15%
• 优化直播货盘视觉统计模型，基于DETR（Detection Transformer）实现无重叠多商品检测；引入MoCo v3自监督预训练减少标注依赖，将漏检率从12%降至4%，日均准确统计直播货盘商品超500万件，保障商家库存管理的实时性
• 推动视觉与推荐系统跨团队协同，将商品视觉特征（风格、材质）与用户行为特征融合，使用FAISS构建视觉特征索引优化相似性计算；推荐点击率提升9%，助力内容电商GMV增长8%
• 搭建视觉模型自动化监控体系，基于Prometheus+Grafana监控模型性能（mAP、延迟）与数据分布（图像亮度、对比度）；设置漂移预警阈值，提前7天发现用户拍摄设备变化（手机→相机）导致的性能下降，快速迭代后保持线上指标稳定

负责电商商品视觉内容精准识别与属性提取，支撑搜索推荐、智能导购等业务，边界涵盖模型优化、数据标注到移动端部署的全流程

• 主导优化电商服饰类目目标检测模型，针对领口形状、布料纹理等细粒度特征易混淆问题，采用Faster R-CNN结合CBAM注意力机制，调整anchor比例适配服饰类别先验；将服饰mAP从82%提升至89%，支撑搜索场景商品召回准确率提升11%，搜索转化率增长5%
• 核心搭建商品多属性提取pipeline，基于Mask R-CNN实现款式、颜色、图案分层分割；引入Albumentations自定义增强（随机褶皱、光照扰动）解决小样本属性（如“蕾丝边领口”）标注不足，属性召回率从75%提升至88%，支撑智能导购个性化推荐功能上线，用户点击转化提升7%
• 负责YOLOv8模型移动端部署，使用TensorRT量化（FP32→INT8）与剪枝去除冗余卷积层；模型体积缩小40%、推理速度提升3倍，满足APP端实时识别<200ms要求，日均处理用户上传商品图120万张，支撑“拍图找货”功能日活超50万
• 排查线上模型漂移问题，通过SHAP值分析定位背景复杂度（家居vs纯白底）导致特征偏移；收集20万张真实场景图扩充训练集，重新训练后误检率从5%降至1.2%，保障搜索推荐稳定性，投诉率下降60%

短视频内容生态智能调控算法体系搭建与落地

• 星途互动作为聚焦Z世代的短视频平台，面临内容生态失衡核心问题——低质擦边内容漏检率超15%、30%中小创作者因曝光不足月更时长下降，同时需平衡“内容质量管控”“用户停留时长”“广告主ROI”三方诉求。我的核心职责是主导需求拆解、全链路算法方案设计，以及跨产品/工程/运营团队的协同落地。
• 项目遇到三大关键挑战：1）多目标冲突：内容质量（违规风险）、用户体验（相关性）、商业价值（广告加载率）难以量化权衡；2）隐性低质特征缺失：软广/擦边内容无明确标签，传统规则引擎漏检率高；3）实时调控延迟：内容分发需秒级响应，离线模型无法处理实时用户行为反馈。针对这些问题，我选择MMoE多任务学习框架分离目标特征，用GNN挖掘用户-内容-创作者的隐性传播链路，基于Flink搭建实时特征平台注入动态指标。
• 我牵头与业务方对齐“低质漏检率≤10%、优质内容曝光≥25%、用户停留+10分钟”的核心指标，设计“静态标签+动态行为+图结构”的多模态特征体系；为解决实时性能问题，将GNN计算复杂度从O(n²)优化至O(n)，适配秒级推理要求；同时推动建立“模型输出-策略执行-效果反馈”的闭环迭代机制。
• 项目成果显著：低质内容漏检率降至8.7%，优质内容曝光率提升至28%，用户日均使用时长增加15分钟，广告主ROI提升19%；构建的可复用内容生态调控框架支撑平台后续3个季度的治理迭代。我个人主导了算法设计与跨团队落地，核心指标达成率超120%，成为平台内容安全与生态健康的核心技术底座。

电商用户复购预测与个性化触达算法迭代项目

• 云帆电商作为TOP10综合电商平台，用户复购率连续3季度停滞在28%，传统协同过滤模型对45%长尾用户（1-2次购买）的复购预测准确率仅58%，且季节性商品（如冬季保暖品）的时序模式捕捉不足，导致个性化触达转化率低（约12%）。我的职责是优化复购预测模型，设计触达策略，提升转化效率。
• 项目难点集中在三点：1）长尾用户特征稀疏，传统模型无法学习有效偏好；2）季节性商品受天气/节日影响大，时序模型难以融合多源数据；3）多渠道触达（推送/短信/邮件）缺乏协同，资源浪费严重。为此，我用VAE补全长尾用户隐空间特征，结合Transformer处理“用户行为+商品周期+天气”多源时序数据，再用DRL优化触达策略。
• 我重构用户特征体系，将长尾用户特征从50维扩展至200维（加入社交关系/加购未买等隐性特征）；设计“用户-商品-环境”多模态输入的Transformer模型，捕捉季节性商品的长期依赖；搭建A/B测试平台，以“转化率最大化”为目标迭代DRL的奖励函数，解决触达资源分配问题。
• 项目带来明确业务价值：复购预测准确率提升至93%（长尾用户达81%），个性化触达转化率升至15%，年度GMV贡献增加1.2亿；模型支撑“双11”“冬季保暖季”大促，活动期间复购率提升至31%。我个人主导了模型迭代与策略落地，解决了长尾用户和季节性商品的核心痛点，推动触达效率提升25%，成为电商个性化运营的关键工具。

• 因痛心于年轻人对历史的疏离，我在B站创立「古人脱口秀」栏目，用职场梗解构历史事件（如《雍正皇帝的KPI保卫战》）。通过设计「颠覆认知-史料佐证-现代共鸣」三幕剧本模板，单期视频最高收获1.7万条弹幕互动。
• 两年间栏目播放量突破180万，作品被多地中学选为教学素材。这段经历磨砺出将学术内容转化为大众语言的能力，也让我理解到真实用户反馈才是创作者的指南针。