兩年前，我在元智大學工作時，同事們使用學校系統列印收據經常發生版面跑掉的問題，大家都已經習慣了手動調整。我卻想：這個重複性問題應該可以用程式解決。雖然我有程式設計背景，但要快速掌握沒學過的列印格式處理還是需要時間。因此，我想到使用AI工具輔助分析與coding，花了一天時間寫出解決方案，整個辦公室從此不用再為版面問題煩惱。

我就是這樣的人——看到系統有改善空間就想動手試試。調校電腦硬體時也是如此——明明能用，但我還是會花時間優化，最終在幾乎不損失性能的情況下讓發熱降低三分之一。對我來說，知道一個系統還有改善空間卻不去嘗試，就像明知道有更好的路徑卻選擇繞遠路一樣，總覺得哪裡不對勁。

類似的情況在我學習新技術時也經常出現。在緯育TibaMe的AI課程中，由於有程式設計和系統管理的基礎，我通常能比較快進入狀況，甚至預習接下來的內容。除了課程內容，我也利用英語能力直接學習GitHub上的'LLM from Scratch'、Hugging Face官方文檔等第一手技術資源，不用等待中文版本或擔心翻譯後的技術細節失真，這讓我能更快掌握新技術的核心概念。當同學遇到環境配置問題時，我會試著幫忙解決；在TensorFlow課程上，全班都遇到安裝環境的問題，我透過觀察錯誤訊息和事前查資料，最後協助老師找到了解決方案，讓課堂得以順利進行。

這種解決問題的習慣在TibaMe的團體專題中也延續著。在藥品影像辨識專案中，我負責模型訓練與部署，當系統能正常運作後，大部分人會認為任務完成了。但我看到部署容器有4.25GB這麼大，就開始想：這在生產環境會增加成本和載入時間，有沒有辦法更精簡？

我開始嘗試各種優化方法：將模型轉換為ONNX格式，用更輕量的套件替換PyTorch的大型相依套件，最終將容器縮減至862MB，載入時間也從1.6秒縮短到0.47秒。不僅如此，我還建立了完整的CI/CD流程，透過GitHub Actions自動部署到GCP Cloud Run，甚至架設個人伺服器搭配Cloudflare Tunnel作為備用部署方案。沒有人要求我做這些優化，但對我來說，看到系統還有改善空間就會想動手試試，這已經成為一種習慣。

回顧這些經驗，我發現自己一直在做同一件事：發現系統的改善空間，然後動手讓它變得更好。無論是辦公室的列印問題、硬體優化、課堂上的技術障礙，還是專案部署的效能瓶頸，我習慣的模式都是：理解問題→找到根本原因→動手解決，而不是繞過它或等別人處理。

我相信在AI時代這種思維會更加重要。技術高速演進，新工具層出不窮，但真正的價值在於如何將這些技術有效地應用到實際問題上。我相信自己能夠運用通訊工程的系統思維、語言優勢帶來的學習能力，以及這種持續優化的工程師思維，在技術領域中發揮價值。不只是掌握工具的使用方法，更重要的是將技術轉化為真正解決問題的方案。

期待有機會與您討論如何將這種解決問題的思維應用到實際工作中。感謝您撥冗閱讀我的自傳。