邱沐恩

以臺北市敦化幹線為案例，透過強化學習最佳化發車調度，在降低公車串車的同時兼顧乘客等候時間與營運成本。

• 串接 TDX 路線資料、臺北公車即時 GPS 與 CODIS 氣象資料，打造調度模擬環境。
• 把發車控制當成序列決策問題來建模，用 PyTorch 訓練 DDQN agent 學習調度策略。
• 獎勵函數同時權衡串車風險、乘客等待時間和營運成本三個目標。
• 和固定班距策略相比，串車量減少 22.9%，串車發生時間縮短 16.2%。

用 H&M 的真實交易資料當作市場訊號，設計一套生成式 AI 框架，一邊預測流行趨勢，一邊把潛在商品直接畫出來。

• 整合 LLaVA 與 Vicuna，讓 prompts 能即時反映市場上的流行趨勢。
• 以 106 週的 H&M 交易紀錄作為市場需求的依據。
• 用 Direct Preference Optimization 微調 Latent Diffusion Model。
• 預測準確度比基準模型高出 4-7%，能實際用在庫存規劃和市場判斷上。

結合自然語言處理、語音合成與圖像檢索，打造每天自動產出新聞重點的 AI pipeline。

• 從零規劃並實作端到端的新聞摘要 pipeline。
• 整合 NLP、文字轉語音與圖像檢索三種模組。
• 同時負責專案管理，掌握開發里程碑與模組整合的節奏。
• 以 Python 串接各家 API，每天自動產出新聞重點。

帶領 6 人團隊建立手搖飲門市的營運模型、找出流程瓶頸，並透過電腦模擬評估改善方案。

• 實地觀察門市作業，找出點餐到出杯之間的流程瓶頸。
• 用電腦模擬比較不同人力和動線配置的成效。
• 負責組內分工與跨組協調，把分析整合成完整提案。
• 模擬結果顯示，在完全不增加成本的前提下，顧客等待時間可縮短 70%。