Trello 知識小幫手 2.0
- 使用了SBERT（Sentence-BERT）模型進行文本向量化。結合 Milvus 向量資料庫。在確保資料搜索準確性的情形下減少資源推薦運算時間（1 分鐘 → 3 秒）。
- 使用 Flask 模組建立 WebAPIs，將系統與 Trello Webhook 進行結合，重構流程大幅減少整體系統獲取資料速度1分鐘→ 50毫秒。
- 模糊文本搜尋算法
- 使用 Sentence-BERT (SBERT) 技術進行文本向量化方面具有豐富經驗。透過 SBERT 技術，我能夠將文本轉換為密集的向量表示，進而實現更精確的相似性計算和文本匹配。
- 在多個專案中負責維運 Milvus 向量資料庫。我能夠靈活地配置、調整和優化 Milvus，以確保系統在處理大規模向量資料時的穩定性和高效性。
- 善於將自然語言處理 (NLP) 技術與搜尋算法相結合，以提供更精確和全面的搜索結果，從而提高系統的用戶體驗。
- Flask API 開發
- 設計和實現了基於 Flask 框架的 API，為計劃案發系統提供了穩定且靈活的後端服務。
- 透過遵循最佳實踐和優化代碼結構，我確保 API 的可擴展性和易於維護。
- 撰寫原子測試與技術相關文件，確保系統可以妥善的交接。