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%

星途内容生态推荐系统全链路优化项目

• 星途互动作为聚焦年轻用户的UGC内容社区，面临两大核心痛点：一是长尾内容（播放量TOP20%以外）曝光占比仅28%，创作者生态活力不足；二是用户实时兴趣捕捉滞后，导致次日留存率较行业均值低5%。我的核心目标是主导构建“长尾内容冷启动+实时兴趣动态捕捉”的联合优化推荐系统，推动内容生态多元化与用户粘性提升。
• 项目中遇到三大技术挑战：1）长尾内容因用户交互稀疏，传统协同过滤无法有效提取特征；2）实时行为信号（如1分钟内的点击、滑动）需低延迟处理，但批量模型迭代无法满足时效性；3）多目标优化中，冷启动内容曝光与热门内容点击率存在天然冲突。针对这些问题，我选择用GraphSAGE挖掘长尾内容的图特征（整合内容标签、作者关系、用户弱交互行为），用Flink搭建实时流处理管道，结合在线学习模型（SGD-FM）解决低延迟更新问题，并设计定制化多任务损失函数平衡多目标。
• 我主导完成了三项关键行动：1）构建长尾内容知识图谱，涵盖12类实体（内容、作者、标签、用户行为）与8种关系（创作、关联、交互），用GraphSAGE生成内容嵌入向量，将长尾内容的特征表达能力提升40%；2）搭建Flink实时流管道，将用户实时行为转化为128维时序特征，每5分钟输入在线SGD-FM模型更新参数，实现实时兴趣的毫秒级响应；3）提出“长尾曝光占比×CTR×7日留存”的加权损失函数，通过帕累托优化确定最优权值，解决了冷启动与热门内容的平衡问题。
• 项目上线后，长尾内容播放占比从28%提升至41%，用户次日留存率提升7%，实时推荐响应时间从2.1秒降至0.3秒，模型迭代效率提升50%（在线学习替代传统批量更新）。业务层面，推动平台从“热门内容驱动”转向“多元内容生态驱动”，长尾创作者月均收入增长25%。我个人主导的GraphSAGE+在线学习方案成为公司推荐系统的核心技术模块，支撑了后续3个垂类内容频道的冷启动。

用户精准触达算法体系搭建项目

• 公司用户运营团队此前依赖规则分群（如“30天未登录”“近7天浏览量下降”）进行消息触达，转化率仅3%，且无效触达导致用户投诉率上升12%。我的核心目标是设计基于算法的精准触达体系，提升转化效率并降低运营成本，助力运营团队从“规则驱动”转向“算法驱动”。
• 项目面临三大难点：1）用户行为具有强时序性，传统静态分群无法捕捉动态兴趣变化；2）触达通道（push、短信、APP内通知）的转化率差异大，异质性难以统一建模；3）小样本群体（如新注册用户、低活跃用户）因数据不足，模型泛化能力差。技术上，我选择用LSTM+Attention建模用户时序行为，捕捉短期兴趣波动，用多任务学习同时预测各通道转化率，用迁移学习解决小样本泛化问题。
• 我主导了体系的核心架构设计与落地：1）搭建“时序行为建模层”，整合用户180天的行为序列（登录、浏览、互动、分享），用LSTM提取时序特征，通过Attention机制加权突出关键行为（如近期浏览某类内容、收藏未读消息），将用户兴趣变化的捕捉准确率提升35%；2）设计“通道异质性处理层”，为push、短信、APP内通知分别训练子模型，共享底层时序特征，输出各通道的转化概率，解决不同通道的效果差异问题；3）引入“小样本迁移层”，用Fine-tuning方法将活跃用户群体的知识迁移到新注册/低活跃用户，解决了小样本泛化问题。
• 项目上线后，精准触达的转化率从3%提升至8.5%，运营成本下降40%（减少30%的无效触达），用户对营销消息的投诉率下降18%。该体系成为公司用户运营的核心工具，后续扩展到了会员召回、活动推广等3个业务线。我个人主导的时序+多任务+迁移学习方案，奠定了公司在用户精准运营领域的技术壁垒，支撑了次年用户LTV（生命周期价值）提升15%。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。