在投身獨立創建之前，我規模化了這些系統。這是我現在所打造專案背後的執行力證明。
在 Ubiquiti 的 14 年：規模化的傳承
在 Ubiquiti，我的旅程不僅僅關於技術交付，更關於建立驅動全球網路領導品牌的人才與技術基礎設施。
🚀 組織規模化 (從 0 到 1)
我從無到有建立並擴展了多個學科組織，使其發展為成熟且高效的實體：
- BSP 團隊：從 0 擴展至 26+ 位成員。
- 雲端服務：在台北建立雲端組織，從 0 到 30 位工程師。
- 行動應用與 App：成立了超過 20 位 開發者的統一團隊。
- AI 核心開發團隊：從 0 建立至 15 位，涵蓋資料工程、模型訓練、AIOps、AIQA 及邊緣設備交付，形成完整的 AI 閉環作戰力量。
- 工廠自動化軟體開發團隊：從 0 建立至 10 位，專注製造端智慧化軟體，銜接硬體量產流程與數位化管理，提升良率與生產效率。
- 總管理規模：目前監督超過 250 位 專業人才，涵蓋韌體、雲端、AI 與 QA。
🕸️ Fabric/Matrix：橫向串聯的組織綜效
我相信真正的組織力量不在於各自為政的強大，而在於跨團隊的協作乘數。我刻意打造一種 Fabric 式的矩陣文化，讓 AI、韌體、雲端、QA、行動應用各職能如織物的經緯線，在需要時緊密交織、相互強化，杜絕穀倉效應（Silo Effect）的發生：
- 跨部門知識流動：定期舉辦跨團隊 Tech Talk 與 Design Review，讓不同學科的洞察橫向傳遞。
- 共享基礎能力：AI 推論基礎設施、雲端資料平台、QA 自動化框架等，以服務共享方式供各團隊使用，避免重複造輪。
- 主動消除摩擦：定期盤點跨團隊依賴與協作節點，主動識別整合機會，讓整體效益最佳化。
🎯 Coach 領導：賦能而非指揮
作為一名 ICF 認證教練 (ACC)，我不追求做最聰明的人，而是讓每一位成員和每一支團隊成為在自己領域獨當一面的主人：
- 信任與授權：給予充分自主空間，讓工程師對自己的工作有真正的主導權與責任感。
- 教練式對話：透過提問取代給答案，引導成員自行思考解決方案，培養獨立決策的信心。
- 最小化過度介入：除非面臨關鍵風險，刻意克制衝動，讓團隊在執行中學習、在挑戰中成長。
- 以成就他人為最高成就：當每一支團隊都能在公司內部獨立肩負重要角色，甚至超越我的能力範圍，這正是領導最終的價值所在。
☁️ 雲端平台規模與成長
轉型並管理支撐全球硬體生態系統的核心中央雲端服務：
- SSO 身分識別平台：將身分平台擴展至 1000 萬註冊量 (900 萬驗證用戶)。自發布以來實現了驚人的 3,400 倍成長，近期每月新增用戶峰值約為 15.7 萬，2025 年同比年增長率達 19%。
- IoT 生態規模 (NCA)：擴展全球控制台編排，管理 350 萬個線上活躍控制台 (3 年內增長 150%)，以及 3000 萬個總管理裝置。主導了從 85 倍早期採用增長期到 30% 以上穩定市場成熟期的架構轉型。
- 高可用性 (SRE/SLA)：建立穩健的 SRE 實踐，過去 2 年在所有主要雲端服務中持續達成 99.5% 的月可用性。顯著減少全球停機時間（將全球每年 8,760 小時中的關鍵事故總時長限制在 10-12 小時內）。
- 關鍵服務擴張：監督韌體更新服務與訂閱平台的巨量規模化運算。
🤖 AI 核心開發部門：端到端閉環架構
我們建立了一套完整的 AI 閉環研發體系 (AI Closed-Loop Architecture)，從資料蒐集到邊緣設備交付，形成自我強化的持續進化迴路。每一個環節緊密協作，確保 AI 能力能夠持續迭代、快速落地。
原始資料 → 資料標注 → 模型訓練 → AIOps 部署 → AIQA 驗證 → 邊緣設備交付
↑ |
└──────────────── 回饋資料流 (Feedback Loop) ─────────────────┘
📊 Data（資料基礎建設）
- 建立多元化的資料蒐集管線，涵蓋攝影機串流、IoT 感測器事件及使用者行為日誌。
- 設計資料倉儲架構，確保資料品質、可追溯性 (Traceability) 與合規性 (GDPR/隱私保護)。
- 導入資料版控機制，讓每次模型訓練皆有完整的資料集快照對應。
🏷️ Data Labeling（資料標注）
- 建立內部標注平台與標注作業流程，涵蓋影像分類、物件偵測 (Bounding Box)、語義分割等任務。
- 導入 主動學習 (Active Learning) 策略，優先標注對模型改善最有貢獻的困難樣本，降低標注成本達 40%+。
- 建立標注品質稽核 (QA Audit) 機制，確保標注一致性與準確率維持在高標準。
🧠 AI Model Training（模型訓練）
- 主導從研究原型到生產就緒模型的完整訓練流程，涵蓋電腦視覺（影像偵測、追蹤、辨識）與多模態 LLM 整合。
- 建立 MLOps 訓練基礎設施，支援分散式訓練、超參數調優 (HPO) 及實驗追蹤 (MLflow/W&B)。
- 實現針對邊緣硬體 (Edge Hardware) 的模型壓縮優化：量化 (Quantization)、剪枝 (Pruning) 與知識蒸餾 (Knowledge Distillation)，在不犧牲精度的前提下大幅降低推論延遲與功耗。
⚙️ AIOps（AI 運維）
- 建立 AI 模型的全生命週期管理平台，包含模型版本管理、A/B 測試部署、灰度發布及自動回滾機制。
- 導入模型漂移偵測 (Model Drift Detection)，監控線上推論品質，觸發自動重訓練流程。
- 整合雲端與邊緣的雙層 AI 推論架構，依情境動態路由推論任務，兼顧低延遲與高精度需求。
✅ AIQA（AI 品質保證）
- 建立 AI 模型的系統性評測框架，涵蓋功能性指標（mAP、Recall、Precision）、邊緣案例測試及對抗樣本 (Adversarial) 壓力測試。
- 制定 AI 產品上市準則 (AI Launch Criteria)，確保每款搭載 AI 功能的產品在出貨前通過嚴格的品質驗證關卡。
- 結合自動化測試流水線 (CI/CD for AI)，將模型評估整合進研發迴圈，加速迭代速度。
📦 Edge Devices 交付（Camera & AI Key）
- 領導 UniFi Camera Gen2/3/4/5/6 系列的端到端研發，將 AI 能力（人臉辨識、車輛偵測、異常行為分析）直接部署至攝影機端，實現本機推論 (On-Device Inference)。
- 推動 AI Key（專用 AI 加速硬體） 的研發與量產交付，為現有設備提供 AI 運算升級路徑，無需更換主機硬體即可獲得邊緣 AI 能力。
- 建立韌體 OTA 更新機制，讓 AI 模型能夠獨立於系統韌體進行空中升級，縮短 AI 功能迭代週期至數日。
- 管理從 RD → DVT → PVT → MP 的完整量產流程，確保 AI 硬體的出貨品質與交期達成率。
🧩 LLM 內部服務：AI 驅動的智慧化工作流
除了邊緣 AI 產品的研發與交付，我們的 AI 團隊同步主導了多項面向內部營運與外部用戶體驗的 LLM 核心服務，將語言模型的能力轉化為可落地的商業價值。
📣 Social Hearing（社交媒體輿情分析）
- 建立自動化的社交媒體資料爬取與分析管線，覆蓋主要平台（Reddit、Twitter/X、論壇社群等）的用戶評論與回饋。
- 運用 LLM 進行語意理解與情感分析，精準萃取用戶對功能、品質、服務的真實痛點，並自動分類彙整成可行洞察 (Actionable Insights)。
- 將分析結果直接回饋至 Product Team 的迭代優先級決策，縮短「用戶聲音」到「產品改善」的週期。
💥 Device Crash Analysis（設備崩潰分析）
- 建立基於 LLM 的崩潰日誌語意分析系統，自動解析 Crash Report、Stack Trace 及系統日誌，識別根因 (Root Cause) 模式。
- 將崩潰事件自動分類與聚合，形成問題熱點排行，讓 Product Team 與韌體工程師能精準打擊高頻問題，顯著提升 Bug 修復效率。
- 整合 CI/CD 流水線，在新版本發布後自動監控崩潰趨勢，實現早期預警。
📋 產品 Support File 分析（用戶問題智慧解析）
- 建立自動化的 Support File 解析引擎，運用 LLM 分析用戶回傳的設備支援檔案（日誌、配置快照、狀態報告），萃取關鍵異常訊號。
- 自動生成問題摘要與解決建議，協助 Technical Support 團隊快速定位問題，減少人工分析時間達 60%+。
- 累積分析結果建立知識庫，讓 Product Team 能精準掌握用戶真實的使用痛點，驅動產品設計與韌體的持續優化。
🌐 公司網頁 & App LLM 後端核心（智慧客服 Bot）
- 主導建構公司官網與行動 App 的 LLM 後端服務，提供覆蓋 產品資訊查詢、功能使用引導、問題排除診斷 的一站式智慧對話入口。
- 採用 RAG (Retrieval-Augmented Generation) 架構，整合產品文件、知識庫與常見問題，確保 Chat Bot 回應的準確性與即時性。
- 設計多輪對話管理機制，支援複雜場景的上下文追蹤，讓用戶在不需人工客服介入的情況下完成設定、排障與服務申請。
- 持續透過用戶對話資料優化模型與知識庫，形成「用戶互動 → 知識優化 → 服務品質提升」的正向循環。
🚀 當前專案里程碑
離開企業環境後，我以獨立建造者的身份持續交付：
- OmniTypist v0.0.4 已發佈 — macOS AI 語音輸入應用，Developer ID 簽章、公證、Sparkle 自動更新完整交付
- 5 個 MCP 伺服器 — 為 AI-HIL 嵌入式自動化打造（JTAG、串口、視覺、音訊、建置燒錄）
- Engram Phase 7 完成 — MCP 伺服器 + ML 工作管線 + Studio UI 端到端整合
- 後量子 VPN 握手運作中 — Plexus-Myelin 完成 X25519 + ML-KEM-768 混合金鑰交換
- 138 項測試通過 — Plexus-Myelin 測試套件，涵蓋 NAT 分類、STUN、PQC
- Phygitao Platform Phase 4.3 強化完成 — 批次簽章、上行鏈路、可觀測性
- 30+ 份技術提案 — 涵蓋 Engram Client、Voice Fabric、垂直應用（工廠/農場）、SASE 架構等