？
软件工程师 · 1年经验 · 加拿大 RBC bank
0
累计接单
0
用户评价
0
被收藏
技术能力
拥有跨中美教育与工程经历的 AI / 软件双栈顾问。硕士毕业于纽约大学计算机工程专业，深耕 大语言模型、计算机视觉与多模态学习。曾主导 ArcFace + FAISS 1:N 人脸检索系统的设计与调优，现阶段以 UniFace、DINOv2 Backbone 微调为核心，结合 CelebA 基准完成精度评估与报告自动化；熟悉 RAG、Agent、VLM 框架，可针对中文场景进行 LoRA 微调、提示工程与云 / 边端部署。
在 全栈与云原生 方面，具备 Java / SpringBoot、Python / FastAPI、Kotlin / Android 与 Next.js + TailwindCSS 实战，能够独立完成微服务拆分、CI/CD、容器化交付及 Prometheus + Grafana 监控。曾在 RISC‑V 架构下进行代码性能建模与优化，对高并发与实时嵌入式系统有深入理解。
此外，熟悉 AWS、阿里云与国产信创环境，能够实施安全合规、弹性伸缩与灰度发布；精通 GitOps、TDD、SOLID、DDD 等工程方法论，可为团队提供技术评审、故障应急和培训赋能。凭借系统工程思维与跨学科背景，可为企业提供从 AI 战略规划、算法选型到落地运维的完整顾问服务，助力快速构建高性能、可持续迭代的智能产品。
在 全栈与云原生 方面，具备 Java / SpringBoot、Python / FastAPI、Kotlin / Android 与 Next.js + TailwindCSS 实战，能够独立完成微服务拆分、CI/CD、容器化交付及 Prometheus + Grafana 监控。曾在 RISC‑V 架构下进行代码性能建模与优化，对高并发与实时嵌入式系统有深入理解。
此外，熟悉 AWS、阿里云与国产信创环境，能够实施安全合规、弹性伸缩与灰度发布；精通 GitOps、TDD、SOLID、DDD 等工程方法论，可为团队提供技术评审、故障应急和培训赋能。凭借系统工程思维与跨学科背景，可为企业提供从 AI 战略规划、算法选型到落地运维的完整顾问服务，助力快速构建高性能、可持续迭代的智能产品。
项目经验
项目名称：ArcFace + FAISS 千万人脸 1∶N 检索平台
项目背景：客户是一家连锁零售集团，需要在 CPU 服务器环境下快速部署人脸识别 SaaS，实现会员到店秒级识别与黑名单预警，并将云资源成本控制在 GPU 方案的一半以内。
我的职责：担任技术负责人，统筹算法选型、系统架构、DevOps 与性能调优。
关键工作与技术方案：
1. **算法层**——将 ArcFace 与 UniFace 双特征融合，使用 DINOv2 Backbone 进行 LoRA 微调；在 CelebA 自建基准（底库 500 张 + 查询 2 500 张）上将 Top‑1 准确率由 85 % 提升至 93 %。
2. **推理层**——采用 Python + FastAPI + ONNX Runtime，结合 INT8 量化将单张特征提取时延压缩到 9 ms；FAISS IVF‑PQ 索引配合 HNSW 重排，支持 50 万张人脸毫秒级检索，峰值 QPS 10 K。
3. **业务与前端**——Java/SpringBoot 微服务承载业务逻辑，Next.js + TailwindCSS 实现实时监控与批量报表；前后端通过 gRPC‑GateWay 保持低时延。
4. **云原生运维**——Docker 容器化，GitOps 驱动的 Kubernetes 集群实现自动扩缩、灰度发布；Prometheus + Grafana 监控链路保证 SLA≥99.9%。
项目成果：三周内完成从 PoC 到生产上线，系统稳定运行至今，云资源成本降低 40 %，门店顾客排队时间缩短 65 %，并交付完整源码、CI/CD 流水线、架构文档及中英文技术报告，为后续多地复制提供模板。
该项目全面体现了我在 AI 算法、全栈开发和云原生运维的复合能力，能够为企业提供从模型选型到大规模部署的端到端解决方案。
项目背景：客户是一家连锁零售集团，需要在 CPU 服务器环境下快速部署人脸识别 SaaS，实现会员到店秒级识别与黑名单预警，并将云资源成本控制在 GPU 方案的一半以内。
我的职责：担任技术负责人，统筹算法选型、系统架构、DevOps 与性能调优。
关键工作与技术方案：
1. **算法层**——将 ArcFace 与 UniFace 双特征融合，使用 DINOv2 Backbone 进行 LoRA 微调；在 CelebA 自建基准（底库 500 张 + 查询 2 500 张）上将 Top‑1 准确率由 85 % 提升至 93 %。
2. **推理层**——采用 Python + FastAPI + ONNX Runtime，结合 INT8 量化将单张特征提取时延压缩到 9 ms；FAISS IVF‑PQ 索引配合 HNSW 重排，支持 50 万张人脸毫秒级检索，峰值 QPS 10 K。
3. **业务与前端**——Java/SpringBoot 微服务承载业务逻辑，Next.js + TailwindCSS 实现实时监控与批量报表；前后端通过 gRPC‑GateWay 保持低时延。
4. **云原生运维**——Docker 容器化，GitOps 驱动的 Kubernetes 集群实现自动扩缩、灰度发布；Prometheus + Grafana 监控链路保证 SLA≥99.9%。
项目成果：三周内完成从 PoC 到生产上线，系统稳定运行至今，云资源成本降低 40 %，门店顾客排队时间缩短 65 %，并交付完整源码、CI/CD 流水线、架构文档及中英文技术报告，为后续多地复制提供模板。
该项目全面体现了我在 AI 算法、全栈开发和云原生运维的复合能力，能够为企业提供从模型选型到大规模部署的端到端解决方案。
立即沟通
