負責 DSP 的即時競價（RTB）後端，對接 Google、Taboola、ucfunnel、自家 SSP（DirectPath）與家樂福 private 流量共 5 個流量源。系統尖峰約 80–90k QPS、離峰約 20k QPS；近 30 天服務 67 個廣告主、625 個 adgroup，累計 4.6 億次曝光。

• 規劃並實作 Exploration v5 探索出價機制的跨 repo 落地，計數表由 Redis 移入出價服務記憶體 — 以 prod Redis 取樣 2,908 次狀態轉移證實 v4 衰減 bug 並修正（模擬下高頻 feature 30 天計數高估 1.89 倍）；v5 serving 端進行中。 (C#, Python, Redis, MinIO, Protobuf)
• 合併 出價候選資料（campaign / ad group / creative）的多個讀取來源為單一 GraphQL 快照 — 移除 4 個重複 reader 與 request path 上的即時查詢，同一 entity 的所有欄位在同一時間點取得；補上靜默掉單的分因監控與廣告主對帳，於 43 台出價主機全量上線。 (C#, .NET 8, GraphQL, MySQL, Prometheus)
• 修正 Google hybrid request 讓 app 限定與 domain 限定 ad group 誤播的 targeting 漏洞 — 廣告主設定的 app 白名單與 domain 白名單在 hybrid 流量上重新生效，避免廣告投到不符 targeting 的版位。 (C#, OpenRTB)
• 根治 RecSearcher 營業時間重啟時的啟動期 race 與 OOM — 營業時間部署不再出現 OOM，原本靠運氣自癒的 process 級風險被消除。 (C#, .NET 8, Kafka, Concurrency)
• 建構 Columnar 特徵工程與 ONNX serving 管線，取代舊 pbb64 離線特徵路徑 — 訓練與 serving 共用同一份特徵定義，消除 training-serving skew 這一整類問題；線上 A/B 通過不劣性檢定（CTR 信賴區間下緣 −2.05%、購買型 CVR −8.21%，皆在門檻內）後全量上線。 (Python, TensorFlow, ONNX, Apache Spark, C#)
• 升級 三個核心競價服務至 .NET 8 並容器化部署到 Linux — Searcher 的機器數從 30 幾台 Windows 主機縮減到 4 台 Linux，同時省去 Windows 授權成本 (.NET 8, C#, Docker, Ansible, Linux)
• 建置 公司內部 AI 工程工具——Claude Code 的 MCP server 與部署 skills — 讓部署與維運 SOP 從文件變成可執行、可重複的自動化流程。 (Claude Code, MCP, Argo Workflows, Python)
• 統整 七個媒體流量源的出價流程為單一 BiddingCoordinator 框架 — 一個月內以 6 個 MR、約 331 個檔案改動完成；框架建立後，接入新媒體的改動量從第一個的 125 個檔案降到 12–18 個 (C#, .NET 8, Strategy Pattern, OpenRTB)
• 協助設計並實作 以 PID controller 為核心的 Pacing 2.0 預算控速機制 — 166 個 adgroup 前後各四天比較，CPC 從 0.97 降到 0.81（-16.19%），pacing weight 震盪的 95 分位指標從 0.97 降到 0.08（約 -92%） (C#, .NET 8, PID Control, A/B Testing)
• 重構 CTR 模型的訓練管線與框架 — 六個月資料的完整訓練從約 1.5 個月縮短到 1 週 (Python, TensorFlow, GPU Training, Parquet, Factorization Machines)
• 建置 RMN（零售媒體聯播網）出價支援，從 bid request 到 app 環境判定 — 為公司開啟零售媒體（RMN）產品線的端到端出價能力。 (C#, ASP.NET Core, OpenRTB, Prebid)

兼任基礎設施維運：Kubernetes + ArgoCD 部署、Grafana + Kibana 監控與日誌；資料層涵蓋 Redis（廣告預算控制）、Scylla（使用者歷史行為）、MinIO（設定檔）、MySQL（廣告設定），以及 standalone 的 GitLab、HDFS 與 Spark。

• 升級 30 節點的 HDFS 與 Spark 叢集（HDFS 2.7.7 → 3.3.6、Spark 3.3.2 → 3.5.8） — 管理約 880.8 TB 資料，升級期間維持資料完整與批次作業可用 (HDFS, Apache Spark, Hadoop, Linux)
• 導入 MinIO 作為內部 S3 相容的物件儲存 — 承載 Argo Workflows 的 log artifact 與各式暫存資料（如 IP 對應台灣地區的查表資料） (MinIO, Kubernetes, S3 API, Argo Workflows)
• 升級 自架 GitLab 從 13 到 19，含連帶的 nginx 版本與設定語法調整 — Downtime 控制在 30 分鐘內，服務全公司約 40 位 RD 的日常開發不中斷 (GitLab, nginx, Linux)

負責 GTM 追蹤碼串接、電商商品爬蟲與 API 匯入，以及跨 DSP 的商品資料串接（Facebook Catalog、Google Ads 作為商品上游）。

• 串接 Facebook Catalog 與 Google Ads 作為跨 DSP 的商品資料上游 (C#, Facebook Marketing API, Google Ads API)
• 設計 可擴充的電商商品爬蟲框架，以樣板方法支援數十個站台 — 累積涵蓋約 47 個電商站台（IKEA、Gap、Coach、Domino's、Nitori 等），維護千級商品資料，作為客戶無法提供動態商品 feed 時的備援匯入管道 (C#, HtmlAgilityPack, XPath, MySQL)
• 打造 追蹤碼代吐設定的自助後臺，讓非工程人員免提需求即可完成配置 — 單一客戶的追蹤碼設定交付時間從約 3 小時縮短到 5 分鐘；後臺累計服務約 1,500 家客戶 (C#, GTM, Facebook Pixel, JavaScript)

• 串接 姿態辨識模型輸出至 Unity 3D 角色，實現即時動作模仿（畢業專題） (Unity, C#, Pose Estimation)