我是白冰，一名 AI 解决方案工程师 / FDE，拥有三年企业 AI 项目经验，累计交付项目规模约人民币 500 万元。我擅长把业务需求转化为可运行的系统，贯通需求澄清、方案设计、模型验证、后端开发、系统集成与部署交付。统筹技术落地与客户交付，负责项目均按约交付，已进入续约周期的项目续约率为 100%。
我的技术背景覆盖视觉 AI、多模态与大模型应用、RAG、模型压缩，以及云端和边缘部署。面对数据不足、离线环境、算力和预算限制，我会通过实验与评估确定可行路径，把模型能力接入数据库、工具和业务流程，解决从 Demo 到实际使用之间的工程问题。
我重视交付的可解释性与成本可控性。通过可视化、对比实验和失败案例，让客户看清结果依据、适用边界及人工复核的位置；同时将模型调用、算力、部署和维护成本纳入技术选择，让效果与投入都有据可查。
我希望与项目和客户一同成长。在交付中做好风险沟通，通过培训、文档和反馈帮助客户用好系统，再把现场问题转化为下一轮改进。我的目标是将模型、Agent、工具与人的协作组织起来，让 AI 成为持续运行、持续创造价值的生产系统。
我能带来的价值
把业务问题变成可交付方案
从需求、数据与现场约束出发，明确目标、输入、流程、输出、边界和验收方式，再推进模型与系统实现。
让结果可解释、可核对
用可视化、评估结果和失败案例呈现判断依据，让客户知道系统的适用范围，也知道何时需要人工参与。
把成本纳入技术判断
比较效果、延迟、调用费用、算力与维护投入，用证据决定采用、调整、继续投入或停止一条技术路径。
与项目和客户共同成长
在交付中同步风险、积累反馈和沉淀方法；通过培训、文档与复盘，提升客户使用能力和团队下一次交付的质量。
以可解释、成本可控的方式，交付可持续运行、持续迭代的 AI 生产系统。
这是我持续努力的方向：从完成单个 AI 任务，走向设计人与 AI 的协作，再把模型、Agent、工具、数据库与自动化流程组织起来。人负责目标、判断和资源配置，系统承担适合自动化的执行环节，并通过评测、反馈与人工复核持续改进。
我的工作方法
把复杂问题变得可理解、可验证，再把有效经验沉淀为下一次可以复用的方法。
简化问题
区分信号与噪声，保留决定结果的最少必要条件。
先确认谁要完成什么任务、什么结果才算有效，再区分核心输入、约束和暂时不必处理的细节。
类比
到其他领域寻找已经验证过的结构，把大跨度探索拆成两步。
将新需求映射到已有的检索、分类、控制或工作流问题，先验证可复用的部分，再处理场景差异。
重新提问
卡住时，检查问题的提法是否限制了可行路径。
把“怎样提高模型准确率”改问为“怎样让这项业务决策更可靠”，一起考虑数据、流程、人工复核与系统设计。
问题分解
把复杂问题拆成可验证的小问题，并看清它们的依赖。
按目标、输入、用户流程、输出、任务边界、验收标准和迭代展开，再确定每个模块的责任与接口。
反向推导
从可接受的结果倒推必须成立的条件。
先写出验收方式、用户能看到的证据和可承受成本，再倒推数据要求、系统能力、部署条件与最小验证实验。
归纳与推广
从具体实践中归纳规律，再检验规律能否迁移到新场景。
把项目经验沉淀为评测集、规范、排障步骤和可复用组件；推广前重新检查适用前提，用新结果继续修正规律。
职业与研究脉络
企业 IT 与数据基础
早期参与金融机构的数据管理和技术支持，积累 SQL、数据校验、权限流程与企业系统协作经验。
AI 研究与边缘工程
在硕士研究和产业合作中探索活动识别、传感器选择与模型压缩，将算法选择放到内存、运行时和现场条件下验证。
企业 AI 交付与技术牵头
在英语工作环境中参与多个行业的 AI 定制化项目，逐步承担模型与后端开发、客户部署、方案评估、任务拆分和交付协调。
专业认证
教育与语言
- 东京工业大学 · 工学硕士（人工智能方向）
- 中山大学 · 软件工程学士
