Adrian Gonzalez

我构思并领导了一个人工智能解决方案的开发，该解决方案带有一个仪表板，可以显示输入的关键货物的视图, 并预测预计到达时间(ETA)，使货物快速进出蒙特利尔港, 基于自然语言处理(NLP)技术的集装箱级货物识别.

然后，我与几个供应链利益相关者验证了这个解决方案, 谁已经把它作为战术和作战层面的单一信息来源, 跟踪和快速跟踪关键货物，直到其离开港口.

RESULTS:
我们将关键货物的停留时间缩短了83%(从3天缩短到12小时或下一个工作日). 136,每月分析的000个10英尺集装箱(TEU)相当于每年约3800万公吨货物，估计价值2美元.60亿美元对加拿大经济的影响.

客户:客户是一家巴拿马金融科技初创公司，为投资者和寻求投资者的初创公司建立了一个平台.

任务:我担任副首席技术官，为团队提供产品策略方面的建议, 建议如何扩展技术团队并提高发布周期的速度.

该项目的目标是使用来自一家机密咖啡公司的数据，为现有的地理定位平台添加新的智能层. 这一数据和其他数据源的结合使零售公司能够根据最佳潜在地点(如:北京)优化其房地产和商店开业策略.g.(每个邮政编码的咖啡消费量更高，每个地区的行人交通量更高).
我与产品策略团队和数据科学团队一起工作, analyze, 并集成可用的数据源. 我还为零售公司准备并提出了一系列战略建议.

该供应链项目的目标是开发一个“港口物流多日集装箱流优化”用例，通过采用人工智能驱动的供应链解决方案，提高港务局运营的整体效率.

Concretely, 该项目侧重于优化蒙特利尔港务局的铁路运营和相关停留时间, 为所有利益相关者(如港口)提供共享和先进的可见性, rail, 码头运营商, 实现数据驱动的决策, prediction, 情景分析.

加拿大贝尔雇佣了5人,000多名现场技术人员安装和维修其B2C客户的有线连接. 支持这些服务的技术范围很广.g.(FTTH、pair-bonding)，工作的复杂程度差别很大. Also, 被派去做这些工作的技术人员经验丰富, certifications, 和专业化.

这个项目是贝尔和, IVADO Labs, Exfo(贝尔网络传感器供应商), 和VuPoint系统(贝尔卫星现场服务供应商). 主要目标是创建一个概念验证(PoC)，通过使用人工智能模型将技术人员分配到最适合他们的任务，来优化现场安装和维修体验.

建议解决方案:
我们建立了一个基于3TB数据的人工智能模型，这些数据来自过去三年的500万次干预，来自该领域的100多个变量, network, 客户运营资源. 然后我们将具有相似特征的任务聚类, 预测技术人员完成这些任务的效率, 并为技术人员的任务分配提供优化贝尔系统的见解.

我们提出了一种基于多臂劫匪(MAB)方法的增强型小区间干扰协调(ICIC)机制，旨在最大化连接用户的吞吐量，并通过3GPP移动性鲁棒性优化(MRO)指标评估其切换(HO)性能.

To this end, MAB过程明确考虑HO性能来配置最优的频谱分割. 仿真结果突出了所提出的解决方案的优点:更高的吞吐量和更少的HO故障. 这对于高速和中速用户来说尤其如此，因为HO性能对干扰更敏感.

在金融机构, 分类特征经常出现在信用数据集和合规模型中, for example, 与客户风险状况相关的特征.

传统的特征选择方法(如.g., 统计显著性, 递归特征消除, LASSO)不能很好地处理分类特征，因为这些方法会保留某些级别并删除相同特征的其他级别. 集团套索方法在变量选择方面显示出更稳定，但在可预测性方面显示出缺点. Instead, 对于一个给定的特性, 设计一种方法将相邻的级别聚合在箱子中，以便获得一个能够更好地随输出缩放的特征表示空间，这是否更合适?

由于表示分类变量和选择重要变量的方法有很多，因此我们提出了改进分类特征选择的最合适方法.

我为一个正在进行的区块链项目Pocket撰写了一份白皮书, 这是一种数字钱包和投资组合，可以捕获和存储学习的整体证据——学生以任何形式创建的东西——并赋予他们与雇主和继续教育机构安全地共享这些证据的自主权.

我设计了云演进、变更管理和财务建模工作流. 我还开发了一个多云环境，并基于对全公司现有实践和差距的分析，制定了几年的路线图.

在整个项目中，我开发了以下内容:

•支持ai的用例的战略和技术路线图
•公司范围内的数据治理基础，以编目和管理所有相关的数据系统和来源
•基于特定用例的AI架构，以继续发展云基础设施