[外包接案使用調查]
公告 如何發案 如何接案 幫助中心
關鍵的事，交給對的人
帳戶中心 
案件管理 
企業級 RAG 問答系統建置
服務內容
把散在 Confluence、SharePoint、PDF 與客服紀錄裡的知識，變成一套「問得到、答得準、看得到出處」的問答系統。 進行方式： 1. 盤點資料來源與權限邊界，先跑一份檢索品質基準 2. 建 ingestion pipeline（切塊、向量化、metadata 過濾），模型可選 Bedrock、OpenAI 或地端 3. 建 RAG 服務與前端，每個回答都附引用來源，並加上防幻覺與拒答機制 4. 上線並交付評測集，之後換模型時你會知道品質有沒有變差 原始碼與部署文件全數交付，系統跑在你自己的雲帳號。若你的資料量小到用關鍵字搜尋就夠，我會先告訴你，不用花這筆錢。 報價為單一系統建置起價，實際依資料來源數量與整合複雜度調整。
使用的技能專長
關於專家
你好，我是 Richie。目前是 iKala 的 AI/ML Solutions Architect，同時在美國亞利桑那州立大學攻讀資料科學碩士。在 iKala 主導過 60 多個企業客戶的生成式 AI 導入案，平台涵蓋 Amazon Bedrock、SageMaker、Vertex AI。我也是 AWS Community Builder（AI Engineer），持有 AWS、GCP、Azure 三雲共 10 張專業證照。 我做的不是能跑一次的 demo，是能上線、有人每天在用、壞了知道為什麼壞的系統。 ▍企業文件問答 / RAG 系統 把公司文件、規章、產品手冊變成能問答的知識庫。重點在別人常跳過的部分：文件切分策略、embedding 模型選型、檢索品質評估（context relevance、faithfulness）。我會給你可量化的檢索正確率，而不是「測起來還行」。 ▍AI Agent / 多代理系統 用 LangGraph 做工具調用與任務編排。我在 ASU 建的多代理 WhatsApp 學習助理正在服務真實學生，跑在 AWS ECS Fargate 上。 ▍LLM 微調與部署 7B 模型 QLoRA 微調，從資料準備、adapter 訓練到 SageMaker 推論端點上線。這套流程我在 AWS Community Day Taiwan 開過工作坊（滿意度 5.0/5.0）。 ▍資料工程與 ML 模型 AWS Glue、PySpark 的 ETL 優化（處理時間縮短 40%）；DeepAR 需求預測（準確率 90%）；AWS Personalize 推薦系統。 ▍雲端架構 AWS、GCP、Azure；Docker、Kubernetes、Terraform、CI/CD。 代表成績：台灣生成式 AI 應用黑客松第二名（Gogoro 客服 RAG 機器人）；AI 測驗平台服務 7,500+ 使用者；培訓 500+ 位工程師使用 AWS AI 服務，滿意度 4.9。 合作方式：我會先把需求問清楚再動手，過程中給你可以實際點開的成果。如果有更便宜的做法能達到你八成的目標，我會直接講。 有想做的東西但不確定怎麼開始，歡迎先聊——我會告訴你合理做法、時程與預算量級，以及我適不適合接。
查看工作室