负责电商平台商品图像全链路处理，从数据标注到轻量级模型部署，支撑商品搜索、详情页属性填充及移动端视觉体验优化

• 主导设计面向移动端的轻量级商品分类模型，基于MobileNetV3 backbone融合SE注意力模块，针对手机GPU算力限制用TensorRT进行层剪枝与FP16量化，将模型延迟从80ms压缩至25ms，线上AB测试显示商品列表页点击率提升12%，支撑日均1000万+用户的商品浏览场景
• 核心参与商品图像多标签识别系统搭建，改进YOLOv7的颈部网络为BiFPN+CBAM注意力机制，解决服饰类商品小目标（如领口logo、袖口花纹）漏检问题，漏检率从15%降至5%，直接驱动商品详情页属性自动填充率达85%，减少人工标注工作量30%
• 搭建图像数据清洗与增强Pipeline，用OpenCV实现模糊图像 Laplacian 算子锐化，结合Albumentations库针对遮挡场景设计随机擦除+上下文填充策略，将训练数据质量评分从82分提升至95分，模型迭代周期从7天缩短至6天
• 对接前端团队落地商品图像风格迁移功能，基于CycleGAN预训练模型微调，生成“北欧风”“ins风”等4种场景下的商品展示图，用户商品详情页停留时长增加8%，对应商品转化效率提升5%

统筹电商平台核心视觉算法优化与跨业务落地，覆盖商品检索、内容审核、AR试穿场景，推动算法性能与业务指标双提升

• 重点优化“拍图找货”图像检索系统，基于Faiss构建亿级商品图像向量库，融合CLIP模型的文本-图像对齐能力，将跨模态检索准确率从78%提升至92%，功能上线6个月后用户渗透率从10%增长至25%，带动搜索转化提升7%
• 主导开发内容安全图像审核算法，针对违规服饰（如暴露、仿牌）、不良场景（如危险动作）识别，用Faster R-CNN+Vision Transformer融合架构，将召回率从90%提升至98%，误判率控制在0.5%以内，帮助平台减少合规风险事件80%，节省审核人力成本40%
• 推动AR试穿算法落地，基于OpenPose提取人体17个关键点，结合3D衣物模型（CLO3D导出）的骨骼绑定与物理渲染，实现实时试穿效果更新（延迟<30ms），上线3个月内用户使用次数达500万次，互动率提升20%
• 搭建视觉算法监控平台，用Prometheus采集模型准确率、延迟、QPS指标，Grafana可视化展示趋势，设置漂移预警阈值（如准确率下降5%触发），提前发现模型数据漂移问题12次，避免线上故障导致业务损失约200万元

统筹公司视觉算法战略规划与团队管理，覆盖电商、本地生活多业务线，推动大模型与CV融合及商业价值转化

• 制定公司视觉算法技术Roadmap，聚焦“精准识别+高效推理+场景适配”三大方向，带领10人团队搭建CLIP-based多模态识别系统，支持商品、内容、场景的统一语义理解，支撑“全域视觉搜索”产品上线，月活用户达300万，搜索转化率较传统文本搜索提升18%
• 主导解决跨场景模型泛化问题，针对线下门店商品图像的低光照、多视角问题，提出“域自适应（Domain Adaptation）+对抗训练（GAN-based）”方案，将模型在新场景下的准确率从70%提升至88%，帮助线下业务线商品识别覆盖率从60%扩展至90%
• 推动Segment Anything Model（SAM）与商品分割的融合应用，设计“提示词引导+局部细化”策略，实现复杂背景下商品一键分割，分割精度mIoU从85%提升至93%，支撑营销活动中商品素材自动化处理，减少设计外包成本40%
• 搭建算法人才培养体系，通过“项目实战（如AR试穿算法优化）+论文复现（如Diffusion Model在CV的应用）+技术分享（每月1次前沿算法讲解）”模式，培养3名资深工程师，团队整体算法优化效率提升30%，支撑视觉算法在电商推荐、本地生活POI识别等场景的快速落地

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。

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。